Какие мыльные кадры нужно удалять из датасета

Если в датасете остаются смазанные, пережатые и просто слабые снимки, LoRA начинает учиться не человеку, а визуальному мусору. Итог обычно заметен быстро: кожа теряет фактуру, глаза и ресницы плывут, волосы собираются в мягкую массу, а при новых ракурсах модель держит лицо заметно хуже. Ниже показываем, какие кадры стоит убирать в первую очередь, как отсеивать спорные фото за 10–15 минут и на какие симптомы смотреть уже до запуска обучения.

Материал построен как практическая инструкция: сначала разберём кадры, которые сильнее всего портят результат, затем дадим короткий сценарий сортировки и завершим чек-листом для финальной проверки папки.

Содержание:

• Какие кадры сильнее всего портят обучение LoRA
• Как быстро отсечь слабые фото перед обучением
• Что можно оставить, а что лучше заменить
• Частые ошибки при чистке датасета
• Чек-лист перед экспортом

Какие кадры сильнее всего портят обучение LoRA

Главная проблема «мыльного» кадра в том, что он крадёт микроинформацию. Модель уже не видит чёткую границу ресниц, форму ноздрей, линию губ, структуру кожи, пряди волос и мелкие переходы света. Когда таких снимков в папке много, LoRA усредняет детали и переносит эту слабость в новые генерации.

По нашей практике, один спорный кадр редко ломает обучение сам по себе. Риск растёт, когда слабые изображения собираются сериями: несколько почти одинаковых фото с микросмазом, пара сильно пережатых файлов, дальние планы, где лицо занимает слишком мало места, и ещё несколько апскейлов с пластиковым лицом. Тогда датасет формально большой, а полезной информации в нём меньше, чем кажется.

Тип кадра	Что идёт не так	Что делать
Смаз из-за движения или фокуса	Контуры лица и волос становятся мягкими, мелкие черты учатся хуже	Удалять сразу, особенно серии с одинаковым смазом
Сильное сжатие и агрессивный шумодав	Кожа превращается в пластик, текстуры исчезают, появляются ореолы по краям	Убирать; честный исходник среднего размера полезнее
Дальний кадр, где человек слишком мал	Модель получает мало информации именно о внешности	Оставлять лишь как редкое дополнение к крупным и средним планам
Почти дубликаты из одной серии	LoRA запоминает один и тот же ракурс и хуже переносит знание на новые сцены	Оставлять 1–2 лучших кадра из серии
Фото с неправильным цветом глаз, волос или кожи	Идентичность расползается, модель начинает путать устойчивые признаки	Удалять или переносить в отдельную папку для пересмотра
Жёсткий апскейл и перешарп	Появляются фальшивые детали, которые выглядят резкими лишь на первый взгляд	Не лечить слабый снимок фильтрами, а заменять исходник
Перекрытое лицо, ладони у глаз, волосы на половину лица	Ключевые элементы внешности читаются нестабильно	Держать в малой доле, только если остальная выборка сильная

Есть и более скрытая категория — кадры, которые выглядят нормальными в ленте, но разваливаются при увеличении. Обычно это фото с мягкой кожей, потерянной фактурой ресниц, размытыми прядями у висков и странной обработкой вокруг носа или губ. Такие файлы особенно коварны: глазами мы считываем «красивый портрет», а модель видит бедную детализацию.

Общее правило простое: если при увеличении до 100–150% вы уже не можете уверенно различить мелкие черты, LoRA тоже не сможет выучить их так, как вам нужно. В рекомендациях Hugging Face для DreamBooth LoRA отдельно отмечают, что для тренировки лица нужны качественные изображения, крупные планы и отсутствие лишних лиц в кадре; там же советуют избегать снимков, где объект слишком далеко, и однообразных серий с повторяющимися позами и фонами. Эти ориентиры хорошо совпадают с тем, что видно на практике в рабочих датасетах.

Как быстро отсечь слабые фото перед обучением

Полная ручная проверка сотни изображений утомляет, поэтому удобнее идти коротким циклом. Мы рекомендуем сначала чистить папку не по красоте кадра, а по полезности для обучения.

1. Соберите все фото в одну ленту и пройдитесь по ним на общем масштабе. На этом этапе убираются явные провалы: смаз, тяжёлое сжатие, битые цвета, заметные артефакты, слишком тёмные или пересвеченные кадры.

2. Откройте оставшиеся файлы крупнее. Смотрите на глаза, ресницы, линию губ, ноздри, брови, пробор, мелкие волосы у лица. Если эти зоны плывут, кадр даёт модели слабый сигнал.

3. Соберите серии-дубликаты. Очень часто в папке лежат 5–10 кадров из одного ракурса, отличающихся только наклоном головы. Для обучения полезнее один сильный кадр и один запасной, чем длинная очередь почти одинаковых дублей.

4. Проверьте устойчивые признаки внешности. Цвет глаз, оттенок волос, родинки, форма бровей, линия подбородка, нос — всё это должно читаться стабильно. Если часть снимков противоречит основной массе, именно они потом тянут модель в сторону.

5. Отдельно оцените фото после апскейла или ретуши. Увеличение размера не возвращает потерянную информацию. Если исходник был слабым, после обработки он часто выглядит «чище», но учебной ценности почти не прибавляет.

6. Проверьте баланс планов. Крупные портреты важны для реализма, но полезны и средние, и несколько полнофигурных кадров. Главное, чтобы человек не терялся в сцене и не превращался в маленькое пятно на фоне.

В рабочем потоке такая сортировка обычно занимает меньше времени, чем повторное обучение после неудачного запуска. Это особенно заметно в тех случаях, когда датасет собран из генераций: изображение может смотреться эффектно, но внутри иметь пластиковую кожу, лишний шум или ошибки по глазам. Captioning затем честно опишет то, что видит, а не то, что вы хотели туда положить. Именно поэтому чистка папки идёт раньше подписи и раньше настройки шагов.

Что можно оставить, а что лучше заменить

Не каждый неидеальный кадр нужно удалять моментально. Условно спорные файлы бывают полезны, если они расширяют позы, одежду или световые сценарии и при этом не ломают идентичность.

Кадры, которые можно оставить условно

• Лёгкая мягкость по краям кадра, если лицо и ключевые детали читаются чисто.

• Небольшая разница по свету, если цвет глаз, волос и форма лица остаются узнаваемыми.

• Фото с частичным перекрытием волосами, если в датасете уже хватает открытых портретов.

• Полнофигурные кадры, даже когда лицо не такое детальное, если они дополняют крупные планы и помогают модели держать композицию.

Кадры, которые обычно лучше убрать

• Любой явный смаз по глазам, ресницам, губам и линии волос.

• Фото, где лицо выглядит гладким и «пластиковым» после ретуши или шумодава.

• Снимки с неверным оттенком глаз или волос относительно основной массы.

• Слишком дальние планы, где большая часть пикселей занята фоном.

• Плотные серии почти одинаковых кадров, снятых подряд.

• Файлы с заметной пикселизацией, JPEG-лесенкой, ореолами после резкости и другими следами пережатия.

Отдельно отметим важный момент: разнообразие полезно, хаос — нет. Для LoRA хорошо, когда меняются ракурсы, мимика, одежда, фон и свет. Но базовые признаки человека должны оставаться устойчивыми. Если половина датасета показывает один оттенок волос, а другая половина — другой, модель не поймёт, какой вариант считать основным.

Частые ошибки при чистке датасета

Ошибка 1: оставлять кадры “на всякий случай”. Обычно именно они сильнее всего засоряют папку. Когда файл вызывает сомнение уже на этапе просмотра, он редко внезапно становится полезным после обучения.

Ошибка 2: лечить плохой исходник фильтрами. Перешарп, шумодав и тяжёлая ретушь часто создают псевдодеталь. Картинка выглядит эффектнее, но глаз, кожа и волосы получают искусственную фактуру. В генерациях это потом вылезает странной кожей, рыхлыми ресницами и нестабильными мелкими чертами.

Ошибка 3: недооценивать дубликаты. Повторы одного и того же ракурса не делают датасет “богаче”. Они перегружают модель одним паттерном, а на новых сценах вы начинаете ловить однотипные позы и однотипный свет.

Ошибка 4: смешивать удобство просмотра и полезность для обучения. Красивый кадр в предпросмотре не всегда даёт сильный учебный сигнал. Особенно это касается изображений после генерации и апскейла.

Ошибка 5: чистить фото и забывать про остальную цепочку. Даже сильный датасет можно испортить неудачным стартом обучения. Здесь пригодится наш разбор ошибок на старте LoRA. А если после тренировки модель уводит внешность, посмотрите материал почему LoRA меняет цвет волос и глаз.

Ошибка 6: пропускать выравнивание рабочих размеров и подпись датасета. Сортировка кадров работает лучше, когда фото приведены к понятному формату. Для этого у нас есть отдельные материалы про выравнивание разрешения перед captioning, про dataset captioner на Runpod и про выбор инструмента для подписи: Florence 2, Qwen VL или Joy Caption.

Чек-лист перед экспортом

• В датасете нет серий со смазанными глазами, ресницами и волосами.

• Нет пластиковых апскейлов и кадров с тяжёлой ретушью кожи.

• Лишние дубликаты удалены, из каждой серии оставлены лучшие варианты.

• Цвет глаз, волос и другие устойчивые признаки читаются одинаково.

• Лицо занимает достаточную часть кадра хотя бы в основной массе изображений.

• В папке есть крупные планы, средние кадры и несколько полнофигурных снимков.

• Нет файлов, где фон занимает почти всё внимание, а человек уходит на второй план.

• Подписи и настройки обучения идут уже после чистки папки, а не вместо неё.

Если сформулировать совсем коротко, то удалять из датасета нужно не просто “плохие фото”, а все кадры, в которых теряется информация о человеке: смаз, пережатие, ложная резкость, пластик после обработки, дальние планы и повторяющиеся дубли. Чем чище и честнее исходники, тем легче LoRA удерживает лицо, текстуры и поведение внешности в новых сценах.

Для запроса «мыльные кадры датасет» ответ обычно один: чем раньше вы их отсечёте, тем меньше времени потеряете на переобучение и разбор странных артефактов уже после тренировки. А если говорить совсем практично, то слабый кадр проще удалить до старта, чем потом искать, почему модель упорно рисует мягкие глаза и расплывчатую кожу.