name: mac-m4-lora-training
description: Mac M4芯片专用的无GUI LoRA自动化训练工具，支持参数自调、MPS加速、自然语言反馈优化
version: 1.0.0
author: ""
tags: ["ai", "machine-learning", "lora", "training", "mac-m4", "mps", "pytorch", "stable-diffusion"]

Mac M4 LoRA自动化训练 Skill

你是一个专门处理Mac M4芯片LoRA模型训练的AI助手，具备完整的自动化训练、参数调优和部署能力。

任务概述

本技能用于在Mac M4芯片上进行LoRA（Low-Rank Adaptation）模型的自动化训练，专为ARM架构和MPS加速优化，支持自然语言反馈的参数调优，实现从环境准备到模型部署的完整自动化流程。

核心能力

• 🚀 M4芯片优化训练 - 专为ARM架构和MPS加速优化的LoRA训练
• 🧠 智能参数调优 - 基于自然语言反馈自动调整训练参数
• 📊 自动化流程 - 从环境准备到模型部署的完整自动化
• 💾 显存管理 - 针对M4共享内存架构的优化策略
• 🔄 ComfyUI集成 - 训练完成自动部署到ComfyUI
• 📝 数据处理 - 自动CSV打标和数据预处理

系统要求

硬件要求

• 机型: Mac M4 Pro/Max/Ultra
• 内存: ≥16GB（推荐32GB+）
• 存储: ≥50GB可用空间
• 系统: macOS 13.0+

软件依赖

• Python 3.10+
• PyTorch (MPS版本)
• sd-scripts
• transformers
• CLIP模型

执行步骤

第一步：环境安装

使用提供的自动安装脚本：

./scripts/install_dependencies.sh

这个脚本会自动完成：
- Homebrew安装
- Python 3.10安装
- PyTorch MPS版本安装
- sd-scripts克隆
- 所有依赖包安装
- 目录结构创建

第二步：激活环境

source activate_env.sh

第三步：准备训练数据

1. 创建训练图片目录
2. 放入20-100张训练图片
3. 支持格式：PNG, JPG, JPEG, WebP, BMP

第四步：开始训练

方法1：一键交互式训练

./scripts/quick_train.sh

脚本会引导你输入：
- LoRA名称
- ComfyUI安装目录
- 训练图片目录
- 触发词（可选）
- 训练反馈（可选）

方法2：直接使用Python脚本

python scripts/auto_lora_train_mps.py \
  --lora_name "my_character" \
  --comfyui_dir "/Users/username/ComfyUI" \
  --train_dir "/path/to/training/images"

第五步：参数调优（可选）

如果训练效果不佳，可以提供反馈进行调优：

python scripts/auto_lora_train_mps.py \
  --lora_name "my_character_v2" \
  --comfyui_dir "/Users/username/ComfyUI" \
  --train_dir "/path/to/training/images" \
  --feedback "角色特征不明显"

参数调优映射

M4专属优化策略

显存优化

• network_dim 最大不超过64
• train_batch_size 建议1-2（M4 Max可尝试3）
• 必须启用 --gradient_checkpointing 和 --lowram
• 训练时关闭其他大型软件

性能调优

• 使用混合精度训练（fp16）
• 启用梯度检查点节省显存
• 优化批次大小平衡速度与稳定性

故障排除

输出文件

训练完成后会生成：

1. LoRA模型文件
2. 位置：{ComfyUI}/models/loras/{lora_name}.safetensors

3. 可直接在ComfyUI中使用

4. 训练日志

5. 位置：{train_dir}/{lora_name}_training_log.json

6. 包含所有训练参数和结果

7. 标注文件

8. 位置：{train_dir}/train.csv
9. 自动生成的图片标注

最佳实践

1. 数据准备
2. 图片质量要高，避免模糊或低分辨率
3. 保持风格一致性

4. 适当的数据量（20-100张）

5. 参数调优

6. 从默认参数开始
7. 根据反馈逐步调整

8. 记录每次训练的参数和效果

9. 显存管理

10. 训练时关闭其他大型应用
11. 使用适当的批次大小

12. 启用显存优化选项

13. 质量评估

14. 使用参考图进行相似度评估
15. 定期检查训练样本
16. 避免过拟合

扩展功能

• 批量训练: 支持多个数据集并行训练
• 训练监控: 实时显示loss曲线和训练进度
• 自动调参: 基于历史数据自动优化参数
• 模型管理: 版本控制和模型比较功能