Suite integral para ajustar modelos de difusión de imagen, video y audio en GPU de consumo, desde una interfaz web o la CLI.
12,6 mil+50 esta semana1,6 milPythonMITActualizado hace 3 días
KohakuBlueleaf/LyCORIS
Biblioteca Python que implementa métodos de ajuste fino eficiente en parámetros (LoRA, LoHa, LoKr, (IA)^3 y DyLoRA) para modelos Stable Diffusion.
- Estrellas
- 2,538
- Forks
- 187
- Issues abiertos
- 7
- Último commit
- hace 19 días
¿Qué es?
LyCORIS es una biblioteca Python que implementa varios algoritmos de ajuste fino eficiente en parámetros para Stable Diffusion. Además de LoRA (incluido LoCon), ofrece LoHa, LoKr, (IA)^3, DyLoRA y ajuste fino nativo, lo que permite elegir el equilibrio entre fidelidad, flexibilidad, diversidad y tamaño de archivo al personalizar un modelo de generación de imágenes.
El paquete se puede usar mediante el pipeline de entrenamiento sd-scripts de kohya-ss, con Naifu-Diffusion o como wrapper independiente que conecta adaptadores a cualquier módulo de PyTorch mediante la API create_lycoris y LycorisNetwork. Los modelos LyCORIS entrenados se pueden cargar en la interfaz web de AUTOMATIC1111 (versión 1.5.0 y posteriores), ComfyUI, InvokeAI y CivitAI. La versión 4.0.0 incorpora kernels experimentales fusionados de Triton y TileLang, que seleccionan automáticamente un backend y recurren a PyTorch estándar cuando es necesario.
El proyecto surgió de LoCon y cuenta con un artículo publicado en ICLR 2024.
Funciones clave
- 01Implementa LoRA/LoCon, LoHa, LoKr, (IA)^3, DyLoRA y ajuste fino nativo.
- 02Se integra con los pipelines de entrenamiento kohya sd-scripts, Naifu-Diffusion y HCP-Diffusion.
- 03Ofrece una API wrapper independiente compatible con cualquier módulo de PyTorch.
- 04Incluye scripts de conversión y combinación para cambiar modelos entre formatos y volver a integrarlos en checkpoints.
- 05Incluye kernels fusionados experimentales con selección automática del backend.
Casos de uso
- Entrenar adaptadores personalizados de tipo LoRA para personajes o estilos en modelos Stable Diffusion.
- Comparar LoRA, LoHa y LoKr para elegir un método de ajuste fino para un modelo de generación de imágenes.
- Añadir adaptadores eficientes en parámetros a un modelo PyTorch personalizado mediante el wrapper independiente.
- Convertir resultados de HCP-Diffusion para usarlos en la interfaz web de AUTOMATIC1111.
Inicio rápido
- 1
Instala el paquete desde PyPI
pip install lycoris-lora - 2
Opcionalmente, instala Triton para usar kernels fusionados (experimental)
pip install triton
Antes de usarlo
- Los kernels fusionados aún están en una fase experimental temprana y pueden producir resultados incorrectos; se puede fijar el backend de torch como alternativa.
- La documentación y los flujos de trabajo de entrenamiento dependen de herramientas externas como kohya sd-scripts, por lo que la configuración implica varios componentes.
En colecciones
Temas
Preguntas frecuentes
- ¿Qué es LyCORIS?
- Biblioteca Python que implementa métodos de ajuste fino eficiente en parámetros (LoRA, LoHa, LoKr, (IA)^3 y DyLoRA) para modelos Stable Diffusion. LyCORIS es una biblioteca Python que implementa varios algoritmos de ajuste fino eficiente en parámetros para Stable Diffusion. Además de LoRA (incluido LoCon), ofrece LoHa, LoKr, (IA)^3, DyLoRA y ajuste fino nativo, lo que permite elegir el equilibrio entre fidelidad, flexibilidad, diversidad y tamaño de archivo al personalizar un modelo de generación de imágenes.
- ¿LyCORIS es gratuito? ¿Qué licencia tiene?
- LyCORIS es open source bajo la licencia Apache-2.0. Revisa los términos de la licencia antes de usarlo en productos comerciales.
- ¿LyCORIS sigue mantenido?
- Mantenimiento activo. El último commit de LyCORIS fue el 19 oct 2026.
- ¿Para qué puedo usar LyCORIS?
- Entrenar adaptadores personalizados de tipo LoRA para personajes o estilos en modelos Stable Diffusion. Comparar LoRA, LoHa y LoKr para elegir un método de ajuste fino para un modelo de generación de imágenes. Añadir adaptadores eficientes en parámetros a un modelo PyTorch personalizado mediante el wrapper independiente. Convertir resultados de HCP-Diffusion para usarlos en la interfaz web de AUTOMATIC1111.
- ¿Cómo se instala LyCORIS?
- Instala el paquete desde PyPI: pip install lycoris-lora Opcionalmente, instala Triton para usar kernels fusionados (experimental): pip install triton
- ¿Dónde consigo LyCORIS?
- El código fuente y las instrucciones de instalación están en GitHub: https://github.com/KohakuBlueleaf/LyCORIS
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Proyectos relacionados
Scripts de entrenamiento, generación y utilidades para Stable Diffusion y otros modelos de generación de imágenes, con soporte para LoRA y fine-tuning.
7,3 mil1,2 milPythonApache-2.0Bien mantenidoActualizado hace 5 días
Biblioteca de Hugging Face para Parameter-Efficient Fine-Tuning (PEFT), que adapta modelos preentrenados grandes entrenando solo un pequeño conjunto de parámetros adicionales.
21,9 mil+11 esta semana2,7 milPythonApache-2.0Bien mantenidoActualizado hace 3 días
Interfaz gráfica de nodos, API y backend para ejecutar modelos de difusión localmente y generar imágenes, video, audio y contenido 3D.
IA y Machine Learning#stable-diffusion#diffusion-models#node-editor#image-generation#video-generation
145,6 mil+1,2 mil esta semana17,3 milPythonGPL-3.0Actualizado hace 7 horas
Motor open source de modelos de difusión para generar imágenes, video y audio, con inferencia y entrenamiento en equipos con poca VRAM.
13,4 mil+18 esta semana1,3 milPythonApache-2.0Bien mantenidoActualizado hace 3 días
Modelo de difusión de texto a imagen de 5B parámetros y código abierto, enfocado en representar texto con precisión, controlar la composición con JSON y ajustar el modelo.
2,7 mil+364 esta semana157PythonApache-2.0Actualizado hace 4 horas