Что лучше для датасета: 25 качественных фото или 50 средних

Привет. Если выбирать между 25 сильными кадрами и 50 средними, для LoRA в большинстве случаев лучше первый вариант. Модель быстрее схватывает внешность, меньше цепляется за шум, реже путает лицо с фоном и спокойнее переносит разные сцены. Ниже разберём, когда это правило работает, в каких случаях 50 кадров всё же полезнее, как отличить хороший набор от посредственного и почему даже удачные фото можно испортить капшенами.

Если говорить совсем коротко: LoRA учится не на количестве как таковом, а на повторяемых сигналах внутри набора. Когда в папке много дублей, мягкого мыла, агрессивной обработки, одинаковой одежды и неудачных ракурсов, вы масштабируете не пользу, а мусор. Поэтому запросы вроде 25 фото для lora и 50 фото для lora лучше решать не арифметикой, а жёсткой отбраковкой.

• Короткий вывод
• Почему 25 сильных кадров часто выигрывают
• Когда 50 средних кадров всё же могут помочь
• Что считать качественным кадром для LoRA
• Как капшены портят или усиливают датасет
• Как принять решение на практике
• Чек-лист перед обучением
• Итог

Короткий вывод: что выбрать сразу

Если у вас есть 25 кадров, где лицо читается стабильно, кожа и волосы не разваливаются на компрессии, свет не гуляет слишком резко, а ракурсы и планы слегка отличаются, такой набор обычно даст результат лучше, чем 50 кадров “на троечку”. По нашему опыту, LoRA заметно охотнее запоминает чистую идентичность, чем пытается усреднить полубрак.

Главная причина проста: модель впитывает всё подряд. Не только форму лица и пропорции, но и тёплый цветокор, шум в тенях, пластиковую ретушь, артефакты апскейла, повторяющийся фон, один и тот же тип одежды. Если этих признаков много, они начинают выглядеть как часть личности. В итоге вы просите один образ, а получаете другой: с чужой фактурой кожи, лишним свечением, привязкой к одной кофте или к одному углу камеры.

Именно поэтому при первой оценке набора полезнее задать себе не вопрос “хватает ли мне количества”, а вопрос “хочу ли я видеть каждый из этих кадров в финальном поведении модели”. Если ответ хотя бы по десяти фото сомнительный, их лучше убрать или пересобрать.

Почему 25 сильных кадров часто выигрывают у 50 средних

У качественного малого набора есть три преимущества. Во-первых, он даёт более ясный сигнал: модель видит одну и ту же внешность в разных, но контролируемых условиях. Во-вторых, его легче вручную проверить. В-третьих, на нём проще заметить, когда проблема уже не в датасете, а в параметрах обучения.

Критерий	25 качественных	50 средних
Читаемость лица	Стабильная, мало шума	Часто плавает от кадра к кадру
Фон и свет	Контролируемые, не спорят с лицом	Могут лезть в идентичность
Дубли и почти дубли	Их проще вычистить	Легко не заметить переизбыток похожих кадров
Одежда и позы	Проще удержать баланс разнообразия	Часто возникает перекос в один образ
Риск шума в результате	Ниже	Выше, если в наборе есть слабые кадры
Скорость диагностики	Высокая	Ошибки дольше искать

Особенно заметно это на идентичности лица. Когда в датасете лежат почти одинаковые селфи, снятые с одного расстояния и с одинаковым выражением, модель не становится умнее от числа файлов. Она просто переучивается на узкий шаблон. А когда к этому добавляются ещё и слабые кадры, появляется смесь из переобучения и визуального мусора.

Из практики подготовки датасетов чаще всего ломают результат четыре вещи: повторяющиеся ракурсы, грязные тени, жёсткие фильтры и неоднородные подписи. Именно они превращают “больше фото” в “больше случайных артефактов”. Если хотите глубже посмотреть именно на отбраковку, полезно параллельно открыть материал какие кадры вредят обучению LoRA: там как раз хорошо видно, почему смаз, компрессия и спорные планы бьют по обучению сильнее, чем нехватка пары дополнительных файлов.

Есть и ещё один важный момент. Малый, но чистый набор легче тестировать итерациями. Вы быстрее понимаете, дело в самих кадрах, в learning rate, в повторах или в капшенах. В большом среднем датасете ошибка часто размазывается по всему сету и становится трудно доказать, что именно повело модель не туда.

Когда 50 средних кадров всё же могут помочь

Справедливости ради, 50 кадров не всегда хуже. Они выигрывают в ситуации, когда у вас не хватает покрытия. Например, в 25 фото есть только крупные портреты, а вы хотите, чтобы LoRA уверенно держала фигуру, разные планы, повороты головы, сидячие и стоячие позы, дневной и комнатный свет. Тогда дополнительный объём может быть полезен, если он закрывает пробелы, а не повторяет старые ошибки.

То есть вопрос надо ставить так: эти 25 уже описывают объект полностью или нет? Если нет, дополнительные кадры должны приносить новую информацию. Хорошие добавки — другой план, другая дистанция камеры, другая эмоция, другой тип одежды, другой сценарий света. Плохие добавки — ещё пять почти одинаковых селфи, ещё серия с тем же лицом и тем же фоном, только чуть хуже по резкости.

Поэтому 50 средних кадров могут быть разумным временным компромиссом, когда вы ещё не успели вычистить всё до идеала, но хотите покрыть разнообразие. В таком случае лучше думать о них как о черновой папке, из которой позже нужно собрать финальные 25–35 лучших файлов.

Если вы только подбираете размер первого набора и не уверены, от какого числа стартовать, посмотрите также статью сколько фото нужно для первой LoRA. Она полезна именно на этапе, когда хочется понять стартовый диапазон, а не упереться в абстрактное “чем больше, тем лучше”.

Что считать качественным кадром для LoRA

Хороший кадр для LoRA — это не обязательно студийная фотография. Он должен быть полезным для обучения. Мы обычно проверяем такие признаки.

Чистая детализация

Лицо не разваливается на мыло, глаза не теряют форму, кожа не выглядит как результат чрезмерного апскейла, а волосы не склеены в одну текстуру. Если фото выглядит “чуть терпимо”, модель почти наверняка усилит этот дефект.

Нормальный свет без мусора

Сильный шум в тенях, тёмные снимки с агрессивным ISO, сжатие после нескольких пересохранений, жёсткие фильтры из приложений и странный цветовой сдвиг делают модель менее предсказуемой. Из практики это одна из самых частых причин, почему итоговые генерации выглядят грязнее, чем исходные референсы.

Разнообразие, а не хаос

Набору нужны разные эмоции, планы и позы, но при этом должна сохраняться одна и та же идентичность. Здесь легко переборщить в обе стороны: или собрать двадцать однотипных селфи, или наоборот смешать настолько разные сценарии, что модель перестанет понимать, что в человеке главное, а что второстепенно.

Одежда не должна доминировать

Если половина датасета снята в одной и той же одежде, LoRA может начать считать её частью персонажа. Поэтому полезно чередовать образы. Это особенно важно, когда вы учите не просто лицо, а человека в разных полноразмерных кадрах.

Фон не должен спорить с объектом

Одинаковый фон везде — не катастрофа, но и не преимущество. Куда хуже, когда фон слишком активный, шумный или повторяется вместе с одинаковым светом и одним ракурсом. Тогда модель запоминает не только человека, но и всю сцену целиком.

Если вы замечаете, что одна и та же внешность потом разваливается между разными пайплайнами, полезно дополнительно сверить логику с материалом почему одна и та же внешность в разных workflow разваливается. Эта проблема часто начинается именно на уровне подготовки кадров и ожиданий от датасета.

Как капшены могут испортить даже хороший датасет

Сильный датасет легко ослабить описаниями. Если вы подробно прописываете в каждом caption цвет глаз, волосы, одну и ту же одежду, один и тот же фон и повторяющиеся декоративные детали, часть этих признаков может закрепиться слишком жёстко. Тогда на генерации вы получаете не гибкую LoRA, а модель, которая “просит” привычный комплект токенов.

Практическое правило такое: фиксированные черты, которые модель и так видит на пикселях, не всегда надо расписывать подробно в каждом файле. Зато переменные признаки — поза, действие, ракурс, тип одежды, предмет в руках — как раз полезно маркировать, если вы хотите ими управлять позже. Для автоматизации этого этапа можно использовать Florence, но после автокапшенинга подписи почти всегда стоит пройти вручную. У нас есть отдельный разбор Florence и его роли в подготовке LoRA, если вы как раз хотите ускорить описание датасета и не потерять управляемость.

Именно на этом этапе средний набор часто проседает сильнее всего. Фото и так спорные, а сверху на них накладываются перегруженные или нестабильные подписи. В результате падает не только сходство, но и управляемость: модель то залипает на одной одежде, то начинает тянуть в кадр лишний фон, то отдает шум, который раньше казался мелочью.

Как принять решение на практике: 25 или 50

Вот рабочий сценарий, который мы бы использовали сами.

1. Соберите все 50 и отключите эмоции. Сначала не думайте о количестве. Думайте о браке. Уберите смаз, странный апскейл, пересвет, сильный шум, слишком пластиковую кожу, проблемные руки и кадры, где лицо уже не похоже на целевой образ.

2. Разбейте оставшееся на группы. Отдельно портреты, по пояс, полный рост, сидячие сцены, домашний свет, дневной свет. Это сразу показывает, у вас реальное разнообразие или просто пачка похожих селфи.

3. Проверьте перекосы. Если слишком много одной одежды, одного макияжа, одного помещения или одного угла камеры, датасет уже уводит модель в сторону. Добавьте недостающее или сократите доминирующую группу.

4. Сделайте финальный короткий набор. Выберите 25–35 лучших кадров, которые вместе покрывают лицо, планы, эмоции и позы. Это и будет ваш основной датасет.

5. Оставьте запасную папку. Оставшиеся 10–20 средних кадров не удаляйте насовсем. Они пригодятся, если после первого прогона выяснится, что модели не хватает, например, полноразмерных сцен или профильных ракурсов.

Именно так обычно и выясняется реальное качество датасета lora: не по исходному количеству файлов, а по тому, сколько кадров пережили отбраковку и всё ещё держат полезное разнообразие.

Чек-лист перед обучением

• В наборе нет явных дублей и почти дублей.

• Лицо читается стабильно на каждом кадре.

• Нет жёстких фильтров, сильной компрессии и шумных тёмных фото.

• Есть разные планы: крупно, по пояс, полный рост — если это нужно вашей задаче.

• Одежда и эмоции меняются, но личность остаётся узнаваемой.

• Фон не доминирует и не повторяется навязчиво.

• Капшены описывают управляемые признаки и не перегружают фиксированные черты.

• Для z-image вы держите разрешение ближе к 1024×1024, если платформа и пайплайн это поддерживают.

Итог

Если выбирать строго между двумя вариантами из заголовка, мы бы ставили на 25 сильных кадров. Для LoRA это почти всегда более надёжный фундамент, чем 50 средних. Большой набор выигрывает только тогда, когда он реально добавляет недостающее покрытие: новые планы, позы, эмоции и сценарии света. Во всех остальных случаях число файлов даёт скорее иллюзию запаса, чем улучшение результата.

Самая полезная привычка здесь простая: сначала соберите больше, потом без жалости сократите до лучшего. Для обучения это работает лучше, чем пытаться вытянуть посредственный набор настройками. А если после первой итерации что-то всё же идёт не так, проверяйте в таком порядке: качество кадров, дубли, капшены, перекос по одежде и фону, и только потом гиперпараметры обучения.

FAQ

Можно ли учить LoRA всего на 15–20 фото?

Да, если кадры очень чистые и хорошо покрывают задачу. Но чем уже набор, тем внимательнее надо следить за дублями, одеждой и ракурсами.

Стоит ли апскейлить слабые фото ради количества?

Только если апскейл реально исправляет читаемость, а не создаёт новую пластиковую фактуру. Часто слабый кадр лучше убрать, чем “спасти” и занести в обучение новый тип артефакта.

Нужны ли одинаковые фоны на всех фото?

Нет. Полезнее умеренное разнообразие сцен при стабильной внешности. Задача не в одинаковом фоне, а в том, чтобы фон не перетягивал на себя роль главного признака.