RESEARCH.
AZIT LORA 파이프라인
AZIT 파이프라인의 모든 선택은 먼저 문서로 구조화하고, 그다음 코드로 구현하고, 마지막으로 벤치마크로 검증했습니다. 원문은 한국어로 작성되어 있습니다. 제목을 클릭하면 전체 문서가 열립니다.
아홉 개 파이프라인 단계를 구체적인 스크립트에 매핑하고, 핵심 결과(모델, 캐릭터별 최적 체크포인트, ArcFace 델타, 최적 CFG/Steps/Shift)를 정리하고, 파일 트리를 보여주는 단일 페이지 인덱스. 프로젝트에 새로 합류하는 사람이 한 번 읽고 방향을 잡을 수 있게 하는 앵커 문서입니다.
- ▸ 데이터 준비부터 과적합 감시까지 9단계 플로우 차트
- ▸ 파일-단계 매핑 테이블
- ▸ 핵심 결과: 여성 배우 기준 2200 스텝에서 AVG 0.732
- ▸ 최종 하이퍼파라미터: CFG 3.0, Steps 70, max_shift 0.5
프로젝트에서 가장 긴 문서. FPHam(500개 이상 LoRA 학습 경험), djdante의 검증된 Klein 9B 실행, CivitAI 스레드, Reddit/SD 커뮤니티의 합의를 종합했습니다. 무엇을 일정하게 유지해야 하는지(아이덴티티)와 무엇을 다양화해야 하는지(각도, 거리, 표정, 조명, 의상)를 구분하고, 캡션만으로의 다양화가 이미지 수준의 다양화를 대체할 수 없는 이유를 설명합니다.
- ▸ 이미지 수 가이드: 10-30장 최적, 50장 이상은 품질 저하
- ▸ '아이덴티티는 고정, 나머지는 전부 다양화' 원칙
- ▸ 캡션 메커니즘: 태깅한 특징은 조건이 되고, 태깅하지 않은 특징은 아이덴티티가 됨
- ▸ 흔한 함정 (지나치게 균일한 배경이 만드는 통계적 편향)
djdante가 공개한 Klein 9B 학습 설정(가슴 위 사진 29장, 단순 캡션, 약 4000 스텝)을 기반으로 합니다. 트리거 워드 전략, 캡션 철학, 하이퍼파라미터 선택, 그리고 RTX 5090에서 진행한 2캐릭터 프로젝트를 위해 의도적으로 달리한 지점들을 문서화했습니다.
- ▸ 트리거 워드 규칙: 트리거 + 서술형 캡션
- ▸ 가슴 위 아이덴티티 캡처에 검증된 29장 가이드라인
- ▸ AdamW · bf16 · qfloat8 양자화 · EMA decay 0.99
- ▸ 사용 사례가 달랐던 지점에서 djdante와 다르게 간 근거
두 배우 모두에 대해 100 스텝마다 측정한 체크포인트별 ArcFace 아이덴티티 유사도. 여성 배우는 2200 스텝(AVG 0.732), 남성 배우는 1500 스텝을 최적으로 선정했고, 상용 베이스라인(Higgsfield Soul 2.0)의 0.5090을 상회했습니다. 언더핏 / 최적 / 오버핏 전환 곡선의 형태를 기록했습니다.
- ▸ 여성 배우 최적점: Step 2200, AVG 0.732
- ▸ 남성 배우 최적점: Step 1500, AVG 0.692
- ▸ LoRA 0.6050 vs 상용 베이스라인(Higgsfield Soul 2.0) 0.5090 (+18.9%)
- ▸ '최대가 아니라 균형을 고른다' 원칙의 곡선 형태 근거
타임스탬프, 결정 사항, 계획 대비 변경점, 최종 선정 체크포인트를 담은 단일 실행 기록. 이후 실행을 위한 기록이자, 실험을 재현하려는 사람을 위한 재현성 노트 역할을 합니다.
- ▸ 타임스탬프가 찍힌 실행 로그
- ▸ 결정 사항과 그 근거
- ▸ 최종 선정 체크포인트와 선정 이유
- ▸ 재실행 안내
여러 실행에 걸친 학습 설정의 크로스탭. 학습률, 옵티마이저, EMA, 배치 크기, 그래디언트 누적, 양자화 선택 사이의 트레이드오프를 드러냅니다. 최종 설정을 다른 대안 대신 선택한 근거로 사용했습니다.
- ▸ 설정 매트릭스 (lr, 옵티마이저, 배치, EMA)
- ▸ 설정별 트레이드오프 주석
- ▸ 최종 선택 설정의 근거
데이터셋 바이블을 배우 온보딩 세션용 체크리스트로 압축한 동반 문서: 포즈 리스트, 조명 요구사항, 의상 다양성, do/don't 예시. 바이블 위에 놓이는 현장 운영 레이어입니다.
- ▸ 촬영 당일 포즈 체크리스트
- ▸ 조명 / 의상 요구사항
- ▸ Do / Don't 예시