logo
RunComfy
AI Toolkit LoRA Training Guides

Addestramento LoRA FLUX.2 Klein 4B e 9B con Ostris AI Toolkit

Questa guida mostra come addestrare LoRA FLUX.2 Klein pratiche (4B e 9B Base) usando Ostris AI Toolkit. Imparerai la differenza critica di sampling Base vs Distilled, le regole di compatibilità 4B/9B, come costruire dataset per character/style/product, la pianificazione VRAM da 24GB a H100/H200, e come risolvere problemi specifici di Klein come il collapse 9B.

Train Diffusion Models with Ostris AI Toolkit

← Scorri orizzontalmente per vedere il modulo completo →

Ostris AI ToolkitOstrisAI-Toolkit

New Training Job

Job

Model

Use a Hugging Face repo ID (e.g. owner/model-name).
⚠️ full URLs, .safetensors files, and local files are not supported.

Quantization

Target

Save

Training

Datasets

Dataset 1

Sample

Addestramento LoRA FLUX.2 Klein (4B e 9B) con Ostris AI Toolkit

FLUX.2 Klein è una famiglia di modelli unificata per text‑to‑image + image editing disponibile in due taglie “Base” a pesi aperti: 4B e 9B. Questa guida di Addestramento LoRA FLUX.2 Klein ti mostra come addestrare LoRA per FLUX.2 Klein in modo pratico con Ostris AI Toolkit, concentrandosi su ciò che è specifico di Klein (aspettative Base vs Distilled, compatibilità 4B vs 9B, realtà della VRAM e i failure mode tipici solo di Klein).

Se stavi cercando varianti come “Addestrare LoRA FLUX 2 Klein”, “FLUX.2 Klein LoRA addestramento”, “LoRA FLUX2 Klein 4B 9B” o “Tutorial LoRA FLUX.2 Klein”, questo Addestramento LoRA FLUX.2 Klein è pensato proprio per quelle esigenze.

Alla fine di questo Addestramento LoRA FLUX.2 Klein, sarai in grado di:

  • Scegliere correttamente FLUX.2 Klein 4B Base vs 9B Base (ed evitare problemi di LoRA dovuti alla “taglia sbagliata”).
  • Pianificare la VRAM e impostare valori di default sensati per quantizzazione + sampling su Klein Base.
  • Costruire un dataset e una strategia di trigger per LoRA character, style o product/concept.
  • Fare uno smoke test con sampling corretto per Base e poi scalare senza andare a tentativi.
  • Risolvere i problemi più comuni specifici di Klein (gating di licenza, mismatch di test Base‑vs‑Distilled, pattern di “collapse” sul 9B e edge case attuali dell’AI Toolkit).
Questo articolo fa parte della serie di guide sull’addestramento LoRA con AI Toolkit. Se sei nuovo su Ostris AI Toolkit, inizia dall’overview prima di questo Addestramento LoRA FLUX.2 Klein:
https://www.runcomfy.com/it/trainer/ai-toolkit/getting-started

Indice

1. Panoramica FLUX.2 Klein: cosa cambia tra 4B/9B (e perché il sampling Base conta nell’Addestramento LoRA FLUX.2 Klein)

In questo Addestramento LoRA FLUX.2 Klein, non mescolare le taglie: 4B con 4B e 9B con 9B.

1.1 Klein è “un solo modello per generazione + editing”

Klein è progettato come una singola famiglia di modelli per generazione text‑to‑image e image editing. In pratica, una LoRA di stile/character/prodotto che impari con l’Addestramento LoRA FLUX.2 Klein può spesso essere utile sia nei workflow “generate” sia in quelli “edit”: sono dati e caption a decidere cosa apprende.

1.2 4B vs 9B: scegli in base all’obiettivo e all’hardware

  • 4B Base è il punto di partenza migliore per la maggior parte degli utenti nell’Addestramento LoRA FLUX.2 Klein: iterazioni più veloci, VRAM più gestibile e stabilità generalmente più semplice.
  • 9B Base può offrire migliore fedeltà al prompt e più dettaglio se puoi permetterti VRAM e tuning di stabilità, ma è meno permissivo (e in giro ci sono più report di “edge case”).

Regola di compatibilità importante:

Una LoRA 4B non funziona su 9B, e una LoRA 9B non funziona su 4B. Nell’Addestramento LoRA FLUX.2 Klein e nel test, carica sempre la LoRA sulla stessa taglia di Klein con cui l’hai addestrata.

1.3 Base vs Distilled (e cosa supporta oggi AI Toolkit)

Klein viene spesso discusso in due categorie di “comportamento”:

  • Base = checkpoint non distillati pensati per fine‑tuning / addestramento LoRA.
  • Distilled = comportamento di inferenza accelerato (pochissimi step).

In AI Toolkit al momento selezioni solo: _FLUX.2 Klein 4B Base_ o _FLUX.2 Klein 9B Base_.

Non c’è un’opzione Distilled nel menu “Model Architecture”, quindi questo Addestramento LoRA FLUX.2 Klein è intenzionalmente solo Base.

1.4 Il gotcha #1 di Klein: Base richiede più step di inferenza

Nell’Addestramento LoRA FLUX.2 Klein, questo è il motivo principale dei falsi allarmi quando si campiona Base con pochi step.

Molti “la mia LoRA è pessima” nascono dal campionare Base come se fosse Distilled.

Se fai preview di Klein Base a ~4–8 step, sembrerà poco cotto o rumoroso.

Per valutare correttamente durante l’Addestramento LoRA FLUX.2 Klein, usa:

  • Sample Steps / Inference Steps: ~50
  • Guidance Scale (CFG): ~4

Questo singolo cambio risolve tantissimi falsi allarmi nell’Addestramento LoRA FLUX.2 Klein.

2. Opzioni ambiente: AI Toolkit in locale vs AI Toolkit cloud su RunComfy (Addestramento LoRA FLUX.2 Klein)

In questo Addestramento LoRA FLUX.2 Klein, UI e workflow sono identici in locale e in cloud: cambia solo la GPU.

Puoi eseguire AI Toolkit in due modi per questo Addestramento LoRA FLUX.2 Klein:

  • AI Toolkit locale (la tua GPU)

    Installa AI Toolkit dal repository GitHub, avvia la Web UI e addestra sulla tua macchina. È un buon fit se hai già una GPU NVIDIA compatibile e sei a tuo agio con CUDA/driver/spazio disco.

  • AI Toolkit cloud su RunComfy (H100 / H200)

    Apri AI Toolkit nel browser e addestra su GPU cloud (H100 80GB / H200 141GB). È la strada più semplice per run 9B Base nell’Addestramento LoRA FLUX.2 Klein, dataset grandi o training ad alta risoluzione senza compromessi di VRAM.

    https://www.runcomfy.com/trainer/ai-toolkit/app

Workflow e UI sono gli stessi: cambia solo dove “vive” la GPU.

3. Hardware e pianificazione VRAM per addestramento LoRA FLUX.2 Klein 4B vs 9B

Per questo Addestramento LoRA FLUX.2 Klein, pianifica la VRAM con margine.

3.1 Reality check: “entra in inference” ≠ “entra in training”

Anche se un checkpoint “entra” in inference BF16, il training aggiunge overhead (stati dell’optimizer, attivazioni, moduli LoRA, preview di sampling). Nell’Addestramento LoRA FLUX.2 Klein, pianifica con margine.

3.2 Tier pratici (cosa aspettarsi)

Un modo utile per pianificare l’Addestramento LoRA FLUX.2 Klein:

  • 4B Base
    • Pratico per training in locale su 24GB con settaggi conservativi (batch 1, rank sensati, quantizzazione se serve).
    • A volte puoi allenare risoluzioni più basse con meno VRAM, ma l’iterazione diventa più fragile.
  • 9B Base
    • Considera 32GB+ come floor pratico per un Addestramento LoRA FLUX.2 Klein comodo in locale.
    • Per iterare facile in high‑res: GPU cloud (H100/H200) sono l’opzione “senza drammi”.

3.3 Avvertenza specifica Klein: 9B + trucchi aggressivi di memoria

I report della community indicano che alcuni setup di training 9B possono essere più delicati, soprattutto con strategie pesanti di risparmio memoria. Se devi addestrare con VRAM stretta, spesso è più produttivo:

1) addestrare prima 4B Base nell’Addestramento LoRA FLUX.2 Klein, oppure

2) spostare il run su GPU cloud,

invece di combattere con run 9B instabili in locale.

4. Costruire un dataset per l’Addestramento LoRA FLUX.2 Klein (character vs style vs product)

In questo Addestramento LoRA FLUX.2 Klein, un dataset pulito vale più di mille tweak.

Mantieni il workflow semplice: prima dati puliti, poi tuning. È così che vai più veloce nell’Addestramento LoRA FLUX.2 Klein.

4.1 Regole universali del dataset (alto impatto)

  • Rimuovi quasi‑duplicati, a meno che tu non voglia intenzionalmente far dominare uno scatto.
  • Evita watermark, overlay UI e blocchi di testo a meno che la LoRA non debba imparare proprio quegli artefatti.
  • Mantieni un segnale coerente: l’Addestramento LoRA FLUX.2 Klein dovrebbe insegnare identità o stile o prodotto, non coincidenze casuali dello sfondo.

4.2 LoRA character / likeness

Obiettivo: identità consistente su molti prompt.

  • Dataset tipico: 20–60 immagini curate
  • La varietà conta: angoli, luce, espressioni, focali
  • Caption: tienile corte; non iper‑descrivere i dettagli del volto

Trigger: consigliato

Usa un token/nome unico per gestire on/off in modo pulito nell’Addestramento LoRA FLUX.2 Klein.

4.3 LoRA di stile

Obiettivo: un look riutilizzabile che non distrugga la fedeltà al prompt.

  • Dataset tipico: 50–200 immagini (più varietà aiuta)
  • Mescola soggetti: persone + oggetti + scene, così lo stile è l’unica costante
  • Caption: enfatizza attributi di stile (medium, palette, linguaggio della luce)

Trigger: opzionale

Se vuoi uno “stile richiamabile”, aggiungi un trigger nell’Addestramento LoRA FLUX.2 Klein.

4.4 LoRA product / concept

Obiettivo: geometria/materiali stabili per un prodotto o un nuovo concept.

  • Dataset tipico: 30–100 immagini
  • Mantieni framing e scala abbastanza coerenti all’inizio
  • Usa le caption per nominare il prodotto e gli attributi chiave che vuoi preservare

Trigger: fortemente consigliato

Prodotti/concept beneficiano molto di un controllo esplicito di attivazione nell’Addestramento LoRA FLUX.2 Klein.

5. Step‑by‑step: addestrare una LoRA FLUX.2 Klein in AI Toolkit (Addestramento LoRA FLUX.2 Klein)

Questo Addestramento LoRA FLUX.2 Klein segue l’ordine reale dei pannelli dell’UI.

Questo è il percorso rapido dell’Addestramento LoRA FLUX.2 Klein. È volutamente focalizzato sui pannelli che gli utenti cliccano davvero.

Step 0 — Scegli dove eseguire AI Toolkit

Nell’Addestramento LoRA FLUX.2 Klein, scegliere locale o cloud cambia soprattutto il budget VRAM.

  • AI Toolkit locale (la tua GPU) — ottimo per 4B Base e run piccoli nell’Addestramento LoRA FLUX.2 Klein.
  • AI Toolkit cloud su RunComfy — ideale per 9B Base e high‑res senza tuning VRAM.

    https://www.runcomfy.com/trainer/ai-toolkit/app

Step 1 — Crea un dataset in AI Toolkit

Per l’Addestramento LoRA FLUX.2 Klein, captions coerenti e dati curati sono fondamentali.

Nella UI di AI Toolkit, apri la tab Datasets.

Crea un dataset (nome di esempio):

  • klein_my_lora_v1

Carica le immagini e (opzionalmente) i file .txt delle caption.

Se non sei ancora pronto a captionare per‑immagine, nell’Addestramento LoRA FLUX.2 Klein puoi partire con:

  • una Trigger Word (panel JOB), e
  • una breve Default Caption (panel DATASETS).

Step 2 — Crea un nuovo Job (configura i pannelli nell’ordine della UI)

Nell’Addestramento LoRA FLUX.2 Klein, configura i pannelli in ordine per evitare errori.

Job panel

  • Training Name: qualcosa di descrittivo (es. klein4b_character_lora_v1)
  • GPU ID: seleziona la GPU in locale; in cloud lascia default
  • Trigger Word:
    • Character/product: consigliato (token unico)
    • Style: opzionale (consigliato se vuoi un controllo pulito on/off)

Model panel

  • Model Architecture: FLUX.2 Klein 4B Base o FLUX.2 Klein 9B Base
  • Name or Path:
    • Usa il repo ufficiale per la taglia scelta nell’Addestramento LoRA FLUX.2 Klein
    • Se scegli 9B e il download fallisce, vedi Troubleshooting (gating di licenza)

Quantization panel

La quantizzazione nell’Addestramento LoRA FLUX.2 Klein serve soprattutto a far entrare il run e a mantenerlo stabile.

  • Se alleni con VRAM stretta (specie 9B), abilita quantizzazione per i componenti pesanti.
  • Se incontri errori legati alla quantizzazione, disabilitala temporaneamente per validare la pipeline, poi riabilitala quando il training parte.

Target panel

Qui decidi la capacità LoRA nell’Addestramento LoRA FLUX.2 Klein.

  • Target Type: LoRA
  • Linear Rank (default iniziali):
    • 4B Base: inizia a 16, sali a 32 se underfitting
    • 9B Base: inizia a 16–32 (preferisci 16 se hai visto instabilità)

Se il run “collassa” o diventa instabile, ridurre il rank è uno dei modi più veloci per stabilizzare l’Addestramento LoRA FLUX.2 Klein.

Save panel

  • Data Type: BF16 è un default sicuro per LoRA diffusion moderne
  • Save Every: 250–500 step è una cadenza pratica
  • Max Step Saves to Keep: 3–6 (tiene a bada l’uso disco)

Training panel

Per il primo Addestramento LoRA FLUX.2 Klein, resta semplice e conservativo:

  • Batch Size: 1 (aumenta solo se hai headroom)
  • Gradient Accumulation: 1–4 (aumenta batch effettivo senza spike di VRAM)
  • Learning Rate:
    • inizia a 1e‑4 se i run sono stabili
    • se vedi instabilità o “collapse”, prova 5e‑5
  • Steps (range iniziali pratici):
    • dataset piccoli (20–40 imgs): 2000–4000
    • dataset medi (50–120 imgs): 3000–6000

Se sei incerto, fai prima uno smoke test dell’Addestramento LoRA FLUX.2 Klein:

  • esegui ~1000 step, controlla i sample, poi decidi se continuare o ripartire con rank/LR diversi.

Regularization (molto consigliata su Klein 9B se noti collapse)

Se il dataset è stretto (un singolo character o prodotto), aggiungi un piccolo dataset di regularizzazione (immagini generiche della stessa classe, a peso più basso). Può ridurre pattern di collapse/overfit e migliorare la generalizzazione nell’Addestramento LoRA FLUX.2 Klein.

Datasets panel

  • Target Dataset: seleziona il tuo dataset
  • Default Caption (opzionale):
    • Character: photo of [trigger]
    • Style: [trigger], watercolor illustration, soft edges, pastel palette
    • Product: product photo of [trigger], clean background, studio lighting
  • Caption Dropout Rate: valori piccoli (come 0.05) possono aiutare a evitare “caption overfitting” se non stai cachando gli embedding testuali
  • Cache Latents: abilita se disponibile (grande boost di velocità)
  • Resolutions:
    • Inizia con una sola risoluzione primaria (es. 1024) nel tuo Addestramento LoRA FLUX.2 Klein
    • Aggiungi altri bucket più avanti se ti serve robustezza su taglie diverse

Sample panel (critico per Klein)

Poiché stai addestrando Klein Base, il sampling nell’Addestramento LoRA FLUX.2 Klein va impostato come Base, non come Distilled.

Valori di partenza:

  • Sample Every: 250–500
  • Guidance Scale: ~4
  • Sample Steps: ~50
  • Seed: fisso (es. 42) per confrontare i progressi

Aggiungi 6–10 prompt che riflettano i tuoi use‑case reali (character, style, product). Così l’Addestramento LoRA FLUX.2 Klein è misurabile.

Step 3 — Avvia il training e monitora

Nell’Addestramento LoRA FLUX.2 Klein, confronta i sample mantenendo seed/steps/CFG costanti.

Vai in Training Queue, avvia il job e osserva:

  • Samples: giudica i progressi solo con sample steps adatti a Base (≈50), altrimenti l’Addestramento LoRA FLUX.2 Klein ti inganna
  • Stability: se gli output peggiorano dopo essere migliorati, ferma e torna a un checkpoint precedente

6. Config FLUX.2 Klein LoRA consigliate per tier di VRAM (Addestramento LoRA FLUX.2 Klein)

Questi preset sono un punto di partenza per l’Addestramento LoRA FLUX.2 Klein.

Sono “buoni default” per l’Addestramento LoRA FLUX.2 Klein, non regole rigide.

Tier A — 4B Base su 24GB (setup locale comune)

  • Quantization: ON se serve per far entrare
  • Batch size: 1
  • Rank: 16 (32 se underfitting)
  • Resolution: 768–1024
  • Sampling: steps 50, CFG ~4 (test corretto nell’Addestramento LoRA FLUX.2 Klein)

Tier B — 9B Base su 32–48GB (locale “serio”)

  • Quantization: fortemente consigliata
  • Batch size: 1 (aumenta solo con margine)
  • Rank: 16 per iniziare (32 solo se stabile)
  • Aggiungi reg dataset se il training diventa instabile o collassa
  • Sampling: steps 50, CFG ~4 (Base‑testing nell’Addestramento LoRA FLUX.2 Klein)

Tier C — Cloud H100/H200 (iterazione veloce, config più semplici)

  • Preferisci 9B Base se vuoi massima fedeltà
  • Batch size: 2–4 spesso è pratico
  • Rank: 32 è ragionevole se il run è stabile
  • Usa 1024 come default; espandi bucket solo se serve
  • Sampling: steps 50, CFG ~4 (standard Addestramento LoRA FLUX.2 Klein)

7. Problemi comuni nell’Addestramento LoRA FLUX.2 Klein e come risolverli

Usa questa sezione per stabilizzare l’Addestramento LoRA FLUX.2 Klein e risparmiare tempo.

Questa sezione è specifica per Klein (non consigli generici) e ti aiuta a rendere più affidabile il tuo Addestramento LoRA FLUX.2 Klein.

“La mia LoRA sembra debole / rumorosa” (ma la loss scende)

Causa più probabile: stai campionando Klein Base nell’Addestramento LoRA FLUX.2 Klein con step stile Distilled.

Fix

  • Nel pannello Sample, imposta Sample Steps ≈ 50 e Guidance Scale ≈ 4
  • Rivaluta i checkpoint solo dopo aver cambiato il sampling (così l’Addestramento LoRA FLUX.2 Klein è corretto)

9B Base non scarica / access denied

Causa più probabile: il modello 9B è gated dietro un click‑through di licenza e l’ambiente non è autenticato.

Fix

  • Accetta la licenza / richiedi accesso sulla pagina del modello: FLUX.2-Klein-9B
  • Aggiungi un Hugging Face Read token nelle Settings di AI Toolkit
  • Rilancia il job dopo aver salvato il token (e prosegui l’Addestramento LoRA FLUX.2 Klein)

(Se vuoi una checklist passo‑passo, RunComfy ha una pagina dedicata: “Hugging Face token for FLUX”.)

“Ho addestrato una LoRA, ma non fa nulla”

Cause più probabili (specifiche Klein)

  • Hai addestrato su 4B ma stai testando su 9B (o viceversa)
  • Hai addestrato su Base ma stai testando su un’altra variante/pipeline

Fix

  • Verifica che la taglia del modello coincida (LoRA 4B → 4B Base; LoRA 9B → 9B Base)
  • Mantieni coerente la pipeline di valutazione con la base di training, altrimenti l’Addestramento LoRA FLUX.2 Klein non è confrontabile

Collapse del 9B (la qualità degrada improvvisamente o diventa caotica)

È un pattern spesso riportato nelle discussioni community sull’Addestramento LoRA FLUX.2 Klein con 9B.

Ordine dei fix (più efficaci prima)

1) Riduci il Learning Rate (prova 1e‑4 → 5e‑5)

2) Riduci il Rank (prova 32 → 16)

3) Aggiungi un dataset di regularization (immagini generiche della stessa classe a peso più basso)

4) Accorcia il run e fai early stop (scegli l’ultimo checkpoint “buono”)

Se vuoi progressi rapidi senza combattere con il collapse, addestra prima 4B Base nell’Addestramento LoRA FLUX.2 Klein.

Edge case AI Toolkit riportati per Klein (pain point attuali)

Alcuni utenti hanno riportato in Addestramento LoRA FLUX.2 Klein:

  • Layer Offloading che non si comporta come previsto su Klein 9B in certi setup
  • Errori di training in edit‑mode / control‑image in alcune configurazioni
  • GPU non utilizzata in ambienti specifici (in particolare alcuni report WSL2)

Workaround pratico

  • Se ti capita e ti serve un run affidabile oggi:
    • passa a 4B Base, oppure
    • sposta il run su AI Toolkit cloud, oppure
    • aggiorna AI Toolkit all’ultima versione e riprova

8. Usare la tua LoRA FLUX.2 Klein dopo l’addestramento (Addestramento LoRA FLUX.2 Klein)

Dopo l’Addestramento LoRA FLUX.2 Klein, testa con impostazioni da Base (≈50 steps) per giudicare correttamente.

8.1 Testa con impostazioni “Base”

Quando testi la LoRA su Klein Base, parti (in linea con l’Addestramento LoRA FLUX.2 Klein) con:

  • Steps: ~50
  • CFG: ~4
  • LoRA weight: 0.6 → 1.0 (prova più valori)

8.2 Test “da pro” (rapido, ripetibile)

1) Genera senza LoRA (baseline)

2) Genera con LoRA a 0.6 / 0.8 / 1.0

3) Mantieni seed + steps + CFG costanti

4) Valuta:

  • forza di attivazione (si vede?)
  • controllo (resta off senza trigger?)
  • generalizzazione (funziona su prompt nuovi?)

8.3 Workflow di editing

Klein supporta anche workflow di editing. Quando la LoRA è solida in generazione, puoi applicarla in una pipeline di edit per mantenere coerenza di identità/stile/prodotto durante le modifiche. È un vantaggio pratico dell’Addestramento LoRA FLUX.2 Klein.

Altre guide di addestramento LoRA con AI Toolkit

Ready to start training?