OneTrainer可以训练FLUX Dev，但不支持保存训练结果，效果有限。尽管尝试了EMA训练，质量仍不理想，且CPU速度较慢。与Kohya相比，OneTrainer的优势不明显，需要进一步研究。

本文介绍了AI生成个人照片的工作流程，包括初始设置、数据收集、训练、测试与优化，以及生成设置。建议使用高质量照片和简洁描述，并通过SwarmUI优化效果。

Kohya对FLUX LoRA和DreamBooth进行了重要改进，最低4GB GPU可用于FLUX LoRA训练，6GB GPU用于DreamBooth训练。更新后，下载和安装速度更快，支持FP16和FP8训练，显著降低了VRAM使用。

本文总结了对Flux-dev-de-distill、PixelWave v03和Verus Vision模型的Fine-Tuning和DreamBooth训练实验，使用了28张个人和28张道恩·强森的高质量图片。结果显示，Kohya GUI可用于Fine-Tuning，PixelWave v03不适合现实训练，而Flux-dev-de-distill和Verus Vision表现相近。后续将研究SD 3.5模型的最佳训练参数，并解决模型中的混合和类信息覆盖问题。

Stable Diffusion是一种生成式AI模型，可以使用DreamBooth技术进行微调。DreamBooth允许用户将自定义对象或概念注入模型以进行个性化图像生成。它在个性化、艺术、商业、研究和实验等方面具有各种应用。微调过程包括创建数据集，将唯一标识符和类名与主题关联，并调整参数以优化模型性能。训练好的模型可以在Stable Diffusion Web UI或Python代码中使用。使用DreamBooth的有效方法包括使用高质量图像，考虑数据集的大小和多样性，以及优化参数。

本文介绍了如何在Amazon SageMaker中使用SDXL的Dreambooth微调训练和模型部署，以及如何在SageMaker Training Job中安装部署Stable Diffusion WebUI并进行推理。