Пока популярные нейросети строят из себя монашек и выписывают баны даже за слово «купальник», люди штампуют адалт без ограничений прямо на домашних компьютерах и копеечных серверах.
Правда, одними промптами тут не обойтись: без правильной настройки нейросеть забывает лицо модели на каждом новом клике. Чтобы зафиксировать внешность, анатомию и типаж для любых 18+ генераций, используют микромодели LoRA.
В материале подробно разберем всю техническую цепочку: форматы взрослого AI-контента, подготовку датасета, разметку тегов и точные параметры тренировки в Kohya_ss.
Как работает дообучение и почему никто не создает нейросеть с нуля
Создавать свою модель с нуля для специфического контента обычно не нужно. Для полного обучения диффузионной нейросети необходимы огромные вычислительные ресурсы и бюджеты, поэтому этим в основном занимаются крупные компании.
Диффузионная модель во время обучения постепенно осваивает устройство изображений: формы, текстуры, свет, перспективу, пропорции и связи между объектами. Затем она учится поэтапно убирать шум и по текстовому описанию формировать из него связное изображение.
Поэтому обычно берут уже готовую базовую модель и доучивают ее под свою задачу. Так можно закрепить нужного персонажа, стиль, одежду, ракурсы или повторяющиеся детали сцен.
При полном дообучении берут исходную модель весом в несколько гигабайт и обновляют все ее веса. Такой подход дает возможность заметно изменить то, как модель понимает изображения и строит результат. Именно так появляются отдельные ветки моделей, которые лучше работают, например с адалтом или другими узкими задачами.
Полное дообучение дает много свободы, но за нее приходится платить ресурсами. Памяти нужно много, серверы стоят денег, а слишком агрессивное обучение легко уводит модель в сторону и просаживает качество на других задачах.
Модульное дообучение через LoRA
Для большинства задач сейчас используют LoRA. При таком подходе базовая модель остается без изменений, а нужная информация записывается в отдельный небольшой файл. Через LoRA модель можно быстро заточить под конкретный стиль, позы или нужные ракурсы. Сам файл при этом весит совсем немного, а для обучения хватает и обычной домашней видеокарты.
Главное преимущество такого подхода — модульность. В интерфейсе генерации можно смешивать несколько разных LoRA одновременно, собирая сцену как сэндвич: одна надстройка задает лицо модели, вторая отвечает за позу, третья регулирует освещение.
LyCORIS — более продвинутый вариант такого дообучения. Он может затрагивать больше частей модели, поэтому лучше подходит для сложных стилей, необычных пропорций и других деталей, которые обычная LoRA ловит хуже. При этом итоговый файл все равно остается относительно небольшим.
Три главных направления адалта
Прежде чем собирать датасет и настраивать обучение, нужно определиться с конечным продуктом. Индустрия адалта делится на три самостоятельных направления: статичные изображения, видео и текстовые диалоги. У каждого из них свой порог входа, свои требования к видеокарте и свой набор проверенных инструментов.
Фото в адалте
Производство откровенных изображений — самый понятный и отработанный пайплайн в адалте. Рутины здесь минимум, а вся инфраструктура давно готова. Для быстрой генерации можно использовать легковесный интерфейс WebUI Forge, а под сложные автоматические конвейеры с обработкой сотен кадров — собирают ноды в ComfyUI. С детализацией лиц, пальцев и интимных зон на общих планах справится расширение ADetailer, а готовые позы и стили можно позаимствовать из каталога Civitai.
Выбор базовой модели зависит от задачи. Фотореалистичную кожу и естественный свет без пластикового блеска дает FLUX.1-dev на Hugging Face. Хентай, редкие фетиши и откровенные позы генерируют через Pony Diffusion V6 XL, которая точно распознает короткие теги. Дома для работы хватает видеокарты на 12 ГБ VRAM, а при нехватке мощностей процесс переносят в облако на RunPod.
Видео в адалте
Для оживления откровенных артов отлично подходит модуль AnimateDiff. Он превращает статичный 18+ кадр в плавную эротическую гифку: анимирует покачивание груди, движения тела, вздохи и мимику. Инструмент просчитывает короткие бесшовные сцены на пару секунд, сохраняя анатомию персонажа, но требует заметно больше видеопамяти, чем генерация обычной картинки.
Для создания реалистичных 18+ видео можно использовать открытые модели Wan 2.1 и HunyuanVideo. Они рендерят откровенные сцены с высокой детализацией кожи и движений, но крайне требовательны к железу: для запуска требуется 24 ГБ VRAM, а для дообучения — промышленные ускорители. При этом в быстрых интимных сценах нейросеть все еще иногда деформирует пальцы и контуры тела.
Чат-боты без цензуры
В текстовом сегменте создают нецензурных чат-ботов для эротического ролевого отыгрыша (ERP) и генерации 18+ историй. Корпоративные нейросети вроде ChatGPT намертво заблокированы фильтрами безопасности, поэтому вместо них используют открытые модели: LLaMA 3.1, Mistral или Command-R. Их очищают от системных запретов и дообучают на диалоговых логах и откровенной литературе.
Для диалогов используют визуальный клиент SillyTavern, подключенный к локальному движку Kobold.cpp. В нем настраивают характер персонажа, долговременную память, внешность и интимные предпочтения. Главное преимущество текста — доступность: сжатые модели на 8–12 миллиардов параметров в формате GGUF быстро работают на обычном процессоре с 16–32 ГБ оперативной памяти без дорогой видеокарты.
Пошаговое руководство: как обучить собственную 18+ LoRA с нуля
Создание собственной LoRA — самый быстрый способ зафиксировать уникальную внешность, телосложение и типаж без поломки базовой модели. Разберем весь процесс по шагам.
Шаг 1. Регистрация сервисов и подготовка инфраструктуры
Вся экосистема открытых нейросетей завязана на платформу Hugging Face. Это крупнейший мировой репозиторий, откуда скрипты автоматически выкачивают веса базовых моделей, текстовые энкодеры и служебные библиотеки. Переходим на сайт, нажимаем кнопку регистрации в правом верхнем углу и создаем профиль, подтвердив электронную почту.
После входа в аккаунт кликаем по своей аватарке, переходим в раздел настроек Settings и в левом меню открываем вкладку Access Tokens. Нажимаем синюю кнопку Create new token, вводим любое понятное имя (например, training), выбираем тип прав доступа Read и подтверждаем создание. Сгенерированную строку символов копируем и сохраняем в блокнот. Этот ключ понадобится скриптам автоматической загрузки, чтобы скачивать защищенные лицензиями веса без ввода логина и пароля вручную.
Второй обязательный сервис — каталог моделей и адаптеров Civitai.red. Из-за требований платежных систем площадка разделена на два адреса: на стандартном .com хранится только безопасный контент, а вся база 18+ моделей, анатомических чекпойнтов и хентай-LoRA доступна на официальном взрослом домене civitai.red.
При регистрации на Civitai.red сервис открывает окно начальной настройки Content Experience. Чтобы получить полный доступ к адалт-базе, оставляем включенным тумблер Enable mature content, а переключатель Blur mature content выключаем, чтобы убрать размытие с картинок. Ниже в блоке Browsing Levels переводим в активное состояние все уровни доступа: PG-13, R, X и XXX. Это открывает полный каталог 18+ моделей, хентая и анатомических чекпойнтов.
Перед установкой программного обеспечения нужно оценить мощности своего ПК. Для локального обучения собственной LoRA персонажа под архитектуру SDXL или Pony требуется видеокарта строго от компании NVIDIA с архитектурой CUDA и объемом видеопамяти от двенадцати гигабайт (минимальный комфортный уровень — RTX 3060 на 12 ГБ или RTX 4070). Видеокарты от AMD или графические чипы с 4–8 ГБ памяти для обучения тяжелых моделей не подходят: процесс будет прерываться критической ошибкой нехватки памяти CUDA Out of Memory.
Если мощности домашней видеокарты не хватает, обучение запускают на арендованном сервере с почасовой оплатой (около пятидесяти центов в час). Проще всего использовать сервис RunPod.
Если домашнее железо слабее, процесс переносят на облачный сервер с почасовой оплатой. Для этого регистрируемся на платформе RunPod, пополняем баланс на пять долларов и переходим во вкладку Pods. Нажимаем кнопку Deploy, в списке видеокарт выбираем NVIDIA RTX 4090 на 24 ГБ VRAM, а в строке выбора готового шаблона Select Template находим сборку с названием Kohya_ss: в нее уже вшиты все библиотеки и интерфейс. Нажимаем Deploy On-Demand, и через две минуты сервер запустится.
В строке созданной машины нажимаем кнопку Connect, а затем выбираем Connect to HTTP Service [Port 7860]. После этого рабочее окно программы Kohya_ss откроется прямо в новой вкладке вашего браузера.
Шаг 2. Установка системного окружения и софта на Windows
Если на предыдущем шаге вы развернули облачный сервер на RunPod, этот шаг можно пропустить: в облачном шаблоне все библиотеки уже настроены. Если же вы будете обучать модель локально на своей видеокарте — настраиваем окружение на Windows по инструкции ниже.
Для запуска на Windows сначала нужно поставить несколько базовых компонентов. Начать лучше с Python 3.10.11. Эта версия обычно без проблем работает с нужными библиотеками и инструментами для обучения моделей.
Более свежие версии вроде 3.11 или 3.12 ставить нельзя. Дело в том, что сама программа обучения опирается на десятки сторонних вспомогательных библиотек (в машинном обучении их называют зависимостями). Одна из главных таких библиотек — bitsandbytes, которая сжимает вычисления и позволяет экономить до половины видеопамяти. Разработчики собрали эти библиотеки именно под версию Python 3.10, поэтому на более новых версиях программа будет вылетать с ошибками несовместимости.
Запускаем скачанный установщик. В нижней части первого окна обязательно находим и включаем чекбокс с текстом Add python.exe to PATH — это позволит системе запускать скрипты через командную строку. Только после включения этой галочки нажимаем кнопку Install Now и дожидаемся окончания установки.
Следом переходим на страницу загрузки Git for Windows, скачиваем актуальный инсталлятор и выполняем стандартную установку, нажимая клавишу подтверждения на всех этапах без изменения параметров.
Также скачиваем с официального портала пакет Visual Studio Community. При запуске установщика в окне выбора рабочих нагрузок обязательно отмечаем галочкой пункт «Разработка классических приложений на C++» (Desktop development with C++). Компилятор C++ необходим операционной системе для быстрой сборки модулей прямого внимания и ускорения расчетов под вашу видеокарту.
После завершения системной подготовки переходим к установке основного тренировочного комбайна. Открываем стандартную командную консоль PowerShell от имени текущего пользователя. Переходим на диск с достаточным объемом свободного места (например, D:\) и выполняем клонирование официального репозитория Kohya_ss на GitHub:
git clone https://github.com/bmaltais/kohya_ss.git
cd kohya_ss
.\setup.bat
В окне терминала откроется меню Kohya_ss setup menu. Вводим цифру 1 (Install kohya_ss GUI), а на следующем шаге выбора пакета PyTorch выбираем сборку под CUDA версии 12.1 (или 12.4). Скрипт самостоятельно загрузит все зависимые модули общим объемом около пяти гигабайт. После возврата командной строки в исходное состояние запускаем исполняемый файл gui.bat и открываем браузер по адресу http://127.0.0.1:7860.
Для последующего тестирования и постоянного использования готовых моделей устанавливаем скоростной генератор Stable Diffusion WebUI Forge. Открываем терминал в отдельной директории и выполняем клонирование репозитория WebUI Forge на GitHub:
git clone https://github.com/lllyasviel/stable-diffusion-webui-forge.git
cd stable-diffusion-webui-forge
.\update.bat
.\run.bat
При первом запуске среда самостоятельно подтянет недостающие компоненты интерфейса и откроет рабочее окно. Важно учитывать, что и среда обучения Kohya_ss, и среда генерации Forge по умолчанию используют сетевой порт 7860. Если обе программы запущены параллельно на одном компьютере, вторая среда автоматически переключится на соседний адрес http://127.0.0.1:7861, что отобразится в строках запуска консоли.
Шаг 3. Выбор базовой модели под 18+ контент
Базовая модель определяет, как нейросеть будет рисовать обнаженное тело, свет и анатомию в откровенных сценах. В адалте есть два проверенных стандарта. Реалистичная эротика и ню-фотосессии: SDXL Base 1.0.
Если цель — создание реалистичной 18+ модели, откровенных фотосессий и правдоподобной обнаженки с живой текстурой кожи — берем SDXL Base 1.0 на Hugging Face.
Файл весит 6.5 ГБ, сохраняем его в нашу рабочую папку. Этот чекпоинт лучше всего передает натуральные складки кожи, естественные тени, анатомию реального женского тела и не превращает интимные кадры в заблюренный пластик.
Если вы делаете хентай, рисованную эротику или откровенные сцены со сложными ракурсами и фетишами — стандартный SDXL будет упираться в цензуру и портить позы.
Для таких задач используют Pony Diffusion V6 XL. Она натренирована на миллионах 18+ артов, поэтому идеально знает любые откровенные позы, типы телосложения, анатомические взаимодействия и редкие фетиши, точно реагируя на короткие теги. Скачиваем файл весов и сохраняем его в рабочую папку: D:\ai_models\ на локальном компьютере или /workspace/models/ на сервере RunPod.
Шаг 4. Сбор, фильтрация и подготовка 18+ датасета
Главное правило обучения персонажа: все отобранные снимки должны принадлежать строго одному человеку. Смешивать фотографии разных девушек нельзя, иначе нейросеть усреднит их черты и выдаст размытое лицо без четкого типажа. Исходники берут из фотосессии одной реальной модели либо генерируют пачку удачных кадров одного выдуманного персонажа, которого хотят зафиксировать для последующего продакшна.
Примерно десять кадров должны быть крупными портретами лица с разной мимикой, эмоциями и поворотами головы. Еще десять кадров отводятся под поясные планы с фиксацией декольте, груди, талии и плеч (в белье или топлес). Оставшиеся десять–пятнадцать снимков должны показывать тело целиком в полный рост и в разных позах: стоя, сидя в кресле, лежа на кровати, вид со спины и в полуобороте, чтобы нейросеть выучила анатомию фигуры со всех сторон.
Каждый снимок проверяют вручную. Из набора сразу удаляют смазанные кадры, картинки с сильным шумом, пикселями, чужими водяными знаками или сломанными пальцами. Если в датасет попадет фото с кривой кистью руки, нейросеть решит, что это обязательная анатомическая черта вашей модели.
Главное правило адалт-датасета — максимальное разнообразие окружения и нарядов. Если все тридцать кадров сделаны в одной спальне на фоне красных штор и в одном черном комплекте белья, модель намертво свяжет внешность девушки с этим бельем и этой комнатой. В будущем вы не сможете раздеть ее на пляже или надеть другое платье. Чтобы сохранить свободу генерации, персонаж на обучающих снимках должен быть представлен в разных локациях, в купальнике, в повседневной одежде и полностью обнаженным при дневном, закатном и искусственном свете.
Шаг 5. Создание правильной структуры папок
Перед обучением подготавливаем рабочие каталоги. Если вы работаете на своем компьютере, создаем папку ai_training на диске D:\. Если арендовали сервер на RunPod — открываем встроенный файловый менеджер в разделе /workspace/.
Внутри создаем три рабочие директории: dataset, output (сюда программа сохранит готовую модель) и log (для системных отчетов).
Переходим внутрь папки dataset и создаем там папку с обязательным форматом названия: 10_vixengirl.
Число десять перед подчеркиванием означает количество повторов: скрипт покажет нейросети каждый снимок ровно десять раз за одну эпоху обучения. Слово после знака подчеркивания (vixengirl) становится уникальным триггерным словом персонажа. Копируем внутрь этой папки все тридцать отобранных снимков.
Шаг 6. Автоматическая разметка в WD14 Tagger и настройка тегов
Чтобы нейросеть понимала, где на снимках находится одежда и фон, а где уникальные черты тела и внешности модели, к каждой картинке создается текстовое описание в файле .txt.
В интерфейсе Kohya_ss переходим в верхнюю вкладку Utilities, а затем во вкладку WD14 Captioning.
В поле Image folder to caption указываем путь к нашей папке с фотографиями. В строке Prefix to add to caption вписываем наше кодовое слово с запятой: vixengirl, (обязательно с запятой и пробелом в конце, чтобы теги не склеились в кашу). В списке Model выбираем модель распознавания wd14-convnextv2-v2, выставляем пороги чувствительности General threshold и Character threshold на 0.35 и нажимаем оранжевую кнопку Caption images. Утилита автоматически создаст текстовые файлы рядом с каждым кадром.
В полученных файлах действует строгое правило: все описанные через запятую вещи (фон, цвет белья, комната) модель считает сменными деталями, а все, что вы оставите без описания (лицо, черты тела, родинки), навсегда привяжется к уникальному кодовому слову vixengirl. Если на фото есть обнаженка, тег nude в файле оставляют, чтобы раздевание срабатывало как отдельная команда в будущем промпте.
Шаг 7. Конфигурация параметров обучения в Kohya_ss
В интерфейсе Kohya_ss переходим во вкладку LoRA, а затем в подраздел Training. Настройка состоит из последовательного заполнения четырех основных блоков.
Во вкладке Source Model активируем чекбокс SDXL Model (или выбираем пресет SDXL — LoRA Default). В строке Pretrained model name or path нажимаем кнопку Browse и указываем путь к скачанному базовому чекпоинту. В параметре точности сохранения Save precision выбираем современный формат bf16 (или fp16 для карт прошлых поколений).
Переключаемся во вкладку Folders. В строке Image folder указываем родительскую папку датасета, в строке Output folder указываем путь к папке сохранения готовых моделей, в строке Logging folder выбираем папку логов, а в строке Model output name задаем имя будущей модели: vixengirl_v1.
Переходим на главную вкладку Parameters и настраиваем вычислительные параметры. В поле размера пакета Train batch size устанавливаем значение 1 (при наличии 24 ГБ видеопамяти можно выставить 2, что ускорит обучение в два раза). В строке количества эпох Epoch выставляем значение 10, а в поле сохранения шагов Save every N epochs ставим 1, чтобы программа сохраняла отдельный файл весов после каждого тренировочного круга.
В блоке Training Dynamics & Learning Rates в строке базовой скорости Learning rate указываем 0.0001 (1e-4). В выпадающем списке планировщика LR Scheduler выбираем алгоритм плавного затухания cosine, а в списке оптимизаторов Optimizer выбираем AdamW8bit, который кардинально сокращает потребление видеопамяти без потери детализации.
В блоке архитектуры сети задаем емкость модели. В поле ранга Network Rank (Dimension) вписываем значение 32, а в поле коэффициента Network Alpha указываем 16. В графе базового разрешения Resolution выставляем стандарт архитектуры 1024,1024.
В нижней части страницы обязательно включаем три ключевых параметра оптимизации:
- Включаем чекбокс Enable buckets для автоматической группировки разных соотношений сторон;
- Активируем Gradient checkpointing, что высвобождает до четырех гигабайт видеопамяти;
- Включаем чекбоксы Cache latents и Cache latents to disk, что переводит изображения в скрытое латентное пространство до старта вычислений и ускоряет обучение.
Шаг 8. Запуск тренировки и выбор лучшей эпохи
Проверяем все выставленные значения и нажимаем оранжевую кнопку Start Training в самом низу окна. Программа выполнит кэширование датасета и запустит процесс обучения с отображением шкалы прогресса.
Общий объем шагов рассчитывается по формуле: количество картинок (30) умножается на количество повторов (10), умножается на число эпох (10) и делится на Batch Size (1). Тренировка займет ровно три тысячи шагов. Например, на видеокарте RTX 4070 обучение занимает около двадцати минут, а на облачной RTX 4090 — менее десяти минут.
По окончании работы в папке output появится десять отдельных файлов весов: от vixengirl_v1-000001.safetensors до vixengirl_v1.safetensors. Сохранение каждой эпохи позволяет точно выбрать рабочий баланс модели.
На первых трех эпохах нейросеть часто недообучена: черты лица и анатомия передаются размыто. На девятой и десятой эпохах при небольшом датасете может наступить переобучение: кожа приобретает неестественный блеск, контраст ломается, а модель перестает реагировать на смену поз. Оптимальный баланс сходства и гибкости обычно находится между пятой и седьмой эпохами.
Шаг 9. Тестирование готовой LoRA и финальный пайплайн генерации
Программа Kohya_ss предназначена только для обучения. Чтобы начать создавать картинки, результат переносят в программу-генератор.
Для быстрой работы используют генератор WebUI Forge с простыми кнопками и ползунками, а для сложных автоматических конвейеров — ComfyUI.
Берем файл нашей модели с шестого круга обучения (vixengirl_v1-000006.safetensors) из папки output и переносим в рабочую папку генератора: для WebUI Forge это каталог models\Lora\, а для ComfyUI — папка models/loras/.
Запускаем WebUI Forge, в левом верхнем углу выбираем базовую модель SDXL Base 1.0 и переходим к составлению запроса.
Положительный запрос (сам промпт) собираем по строгой схеме: кодовое имя персонажа, ракурс, свет, детали окружения и специальная команда вызова LoRA в угловых скобках:
vixengirl, 1girl, close-up portrait, looking at viewer, detailed eyes, natural skin texture, soft studio lighting, masterpiece, best quality <lora:vixengirl_v1-000006:0.8>
Число 0.8 в конце команды задает вес (силу влияния) модели. Значение единица заставляет нейросеть жестко копировать позы из обучающих фото, а диапазон от 0.65 до 0.85 обеспечивает баланс: внешность остается узнаваемой, но персонаж свободно меняет наряды, локации и сюжеты.
В поле отрицательного запроса (негативный промпт) прописывают список дефектов, которые нейросеть обязана исключить из кадра:
worst quality, low quality, bad anatomy, deformed hands, blurry, extra limbs, bad eyes
Когда вы генерируете кадры в полный рост, лицо персонажа часто получается размытым или с дефектами глаз: на общем плане фигура занимает всю картинку, и на прорисовку лица нейросети просто не хватает пикселей.
Чтобы не исправлять лица вручную в фотошопе, прямо в интерфейсе генератора используют расширение ADetailer.
Прокручиваем окно генератора чуть ниже и разворачиваем блок ADetailer, где включаем галочку Enable ADetailer. В первой строке моделей выбираем детектор face_yolov8n.pt — это алгоритм, который автоматически находит лицо на картинке.
Ниже находим параметр Denoising strength (силу перерисовки) и выставляем значение 0.35. Это важнейший параметр: значение 0.35 заставляет алгоритм аккуратно навести резкость на глазах, губах и коже, не меняя при этом черты лица вашего персонажа.
Генерировать картинки сразу в высоком разрешении 4K нельзя: нейросеть запутается в геометрии и начнет дублировать части тела. Поэтому кадр создают в стандартном размере 1024×1024, после чего включают встроенный инструмент Hires. fix. В его параметрах выбирают алгоритм масштабирования 4x-UltraSharp, задают количество дополнительных шагов на 15, силу перерисовки на 0.4 и масштабируют изображение в два раза. На выходе получается изображение в разрешении 2048×2048.
Монетизация и практическое применение готовой модели
Создание собственной стабильной модели открывает несколько прямых направлений монетизации в адалт-сегменте.
Основной источник дохода — создание виртуальных инфлюенсеров на площадках вроде Fanvue или Boosty. В отличие от закрытых сервисов с жесткой модерацией, эти платформы официально разрешают публиковать контент, созданный искусственным интеллектом. Авторы выстраивают вокруг обученной модели образ жизни, публикуют открытые тизеры в социальных сетях и продают ежемесячный доступ к приватным фотосессиям и закрытым сетам высокого разрешения.
Второе направление — производство моделей под заказ для игровых студий, авторов визуальных новелл и независимых создателей контента. Обучение уникального персонажа под ключ, фиксация авторского стиля рисовки или создание адаптеров под редкие фетиши оцениваются от пятидесяти до нескольких сотен долларов за одну качественную модель.
Что делать, если что-то пошло не так
Сразу предупредим: даже если делать все строго по шагам, на вашем компьютере может вылезти какая-нибудь ошибка. В нейросетях постоянно обновляются библиотеки, драйверы и скрипты, поэтому версии пакетов иногда конфликтуют между собой.
Если терминал выдал красную простыню с ошибкой, не тратьте часы на поиск по форумам. Просто скопируйте текст ошибки и закиньте в любую нейросеть, а еще лучше — в агентный режим (вроде Cursor или Antigravity). Агент сам прочитает лог ошибки, поймет, какая библиотека конфликтует, и даст готовую команду для починки.
Если программа отработала, но на готовых артах что-то идет не так — дело в настройках генерации.
Если лицо выглядит пластиковым, цвета слишком контрастные, а пальцы ломаются — модель просто пережарили при обучении. Снизьте вес LoRA в промпте с единицы до 0.7 или возьмите файл с 5–6 эпохи вместо последней 10-й.
Если персонаж не хочет раздеваться или на всех кадрах упорно рисуется одна и та же комната — накосячили с разметкой тегов. Откройте текстовые файлы .txt рядом с фотками: фон и мебель должны быть подробно описаны через запятую, а на кадрах без одежды обязательно должен стоять тег nude.
Заключение
Связка из открытых моделей SDXL или Pony XL, обучающего комбайна Kohya_ss и генератора WebUI Forge дает полную творческую независимость. Создателю больше не нужно зависеть от корпоративных цензурных фильтров облачных сервисов или ежемесячных платных подписок.
Один раз освоив логику подготовки датасета и настройки эпох, вы получаете воспроизводимый конвейер: от генерации уникального лица до создания полноценных виртуальных брендов, фотосессий любого уровня откровенности и комплексных коммерческих проектов.
