Что описывать в caption: позу, одежду, эмоцию или внешность
Что писать в captions для LoRA: позу, одежду, эмоцию и фон, как отделить идентичность персонажа от меняющихся деталей.
Короткий ответ. В caption для LoRA описывайте прежде всего то, что меняется между снимками и чем вы хотите управлять при генерации: позу, одежду, фон, освещение или эмоцию. Постоянные признаки персонажа можно связывать с одним идентификатором, если такой подход поддерживает ваш тренер. Не нужно механически перечислять все детали каждого кадра: неверные и противоречивые подписи вреднее коротких точных. Перед обучением проверьте стратегию на выборке фото и документацию инструмента, например Kohya sd-scripts.
Отделите идентичность от изменяемой сцены
Сначала решите, чему должна учиться LoRA. Если задача — один персонаж в разных сценах, полезно показать разнообразные ракурсы, одежду, свет и фон. В caption эти переменные можно назвать, чтобы модель не считала одну куртку или студийный фон обязательной частью персонажа. Если цель — стиль, а не лицо, подписи и подбор кадров будут другими. Фраза «опишите всё» не заменяет выбора цели: чрезмерно подробный текст часто добавляет шум.
Смотрите на весь датасет, а не на один TXT. Если во всех снимках один человек с каштановыми волосами, а в половине подписей написано «блондин», это противоречие. Если разные наряды не подписаны вообще, модель может хуже разделять одежду и идентичность. Но описание одной постоянной черты в каждом файле тоже может оказаться лишним, если эту черту должен вызывать trigger word. Выбор зависит от базы и способа обучения.
Как описывать позу и ракурс
Называйте различия, которые видны без догадок: анфас, профиль, сидит, стоит, крупный план, полный рост. Не приписывайте скрытую руку или эмоцию, которой кадр не показывает. Для сложного движения одного статичного слова бывает мало; если тренер работает с видео, посмотрите его формат описания клипа. Для обычной фото LoRA важно хотя бы не смешивать портрет и полный рост под одним общим caption, если вы хотите управлять кадрированием.
Поза не должна быть единственной осью разнообразия. Десятки фото с почти одинаковым лицом и отличающимся только фоном не дадут модели новых ракурсов. Подпись не создаёт информацию, которой нет в снимке. Отбор кадров первичен; caption помогает интерпретировать этот набор. Механика LoRA и её обучаемые параметры изложены в Hugging Face Diffusers.
Одежда, фон и освещение
| Элемент | Когда полезно описывать | Чего избегать |
|---|---|---|
| Одежда | Когда наряды меняются и должны управляться prompt | Неверного цвета и повторения одной фразы для всех кадров |
| Фон | Когда сцены разные и фон важен для результата | Привязки случайного интерьера к персонажу |
| Эмоция | Когда она отчётливо видна и действительно различается | Догадок по слабой мимике |
| Поза | Когда есть разные ракурсы и положения тела | Описания невидимых частей кадра |
Освещение может изменять видимый цвет кожи и волос. Не принимайте тёплую лампу за новый цвет волос и не закрепляйте такую ошибку во многих TXT. Автоматический captioner полезен как черновик, но его описания требуют просмотра. Проверьте редкие случаи отдельно: зеркало, маска, сильная обработка, частично закрытое лицо.
Минимальная проверка перед обучением
- Откройте несколько фото разных типов рядом с TXT.
- Убедитесь, что имена файлов совпадают с форматом, ожидаемым тренером.
- Посмотрите частотность повторяющихся слов: не закрепляете ли вы случайный фон.
- Исправьте явно неверные цвета, эмоции и предметы.
- Сделайте короткий тест обучения, затем сравните генерации на одинаковых prompt.
Если результаты упорно повторяют одежду или фон, вернитесь к датасету и captions. Возможно, проблема в отсутствии разнообразия, а не в «слабом промпте». Сохраняйте исходные подписи и изменения по версиям, чтобы было ясно, какой эксперимент дал лучший результат.
Частые вопросы
Нужно ли описывать лицо во всех TXT?
Не обязательно. Если идентичность задаётся устойчивым токеном, часто полезнее последовательно описывать переменные детали. Проверяйте результат на вашей модели.
Можно ли оставить captions только из одного слова?
Иногда тренер это допускает, но вы теряете контроль над переменными признаками. Для разнообразного датасета короткие точные описания обычно информативнее.