FLUX.2 klein LoRA 파인튜닝 가이드, RTX 4090 하나로 60분 만에 나만의 스타일 학습하기

9bow · 6월 7, 2026, 3:30오전

FLUX.2 klein 소개: 소비자용 GPU 한 장으로 파인튜닝하는 오픈 웨이트 이미지 생성 모델

FLUX.2 klein은 Black Forest Labs가 공개한 FLUX.2 제품군의 소형 오픈 웨이트 이미지 생성 모델로, 4B 모델 기준 24GB VRAM의 소비자용 GPU 한 장에서 LoRA 파인튜닝까지 가능한 것이 특징입니다. Hugging Face 공식 블로그에 공개된 이번 가이드는 RTX 4090 한 장으로 약 1시간, GPU를 빌릴 경우 약 0.5달러의 비용으로 나만의 스타일을 학습시키는 전체 과정을 다룹니다. 데이터셋 구축부터 트레이너 설정, 학습, diffusers로 불러오기, 그리고 Gradio 앱으로 포장해 Hugging Face Space로 배포하는 단계까지 하나의 흐름으로 이어집니다.

그동안 이미지 생성 모델의 파인튜닝은 수십 GB의 VRAM을 가진 데이터센터급 GPU를 전제로 하는 경우가 많았습니다. FLUX.2 제품군의 대표 모델인 FLUX.2 [dev] 만 해도 32B 규모여서 개인이 직접 학습시키기에는 부담이 컸습니다. 이러한 맥락에서 klein은 4B와 9B 두 가지 크기로 제공되며, 4B 모델의 가중치가 bf16 기준 약 13GB에 불과해 LoRA 학습 전체가 24GB 안에 들어옵니다. 즉, RTX 4090이나 L4 같은 GPU 하나면 충분합니다.

특히 학습의 기반이 되는 FLUX.2-klein-base-4B가 Apache 2.0 라이선스로 공개되어 있어, 학습한 결과물을 상업적으로도 자유롭게 배포할 수 있습니다. 가이드를 끝까지 따라가면 klein에게 특정 스타일, 캐릭터, 룩, 또는 편집 동작을 가르친 .safetensors LoRA 파일과, 결과물이 쓸 만한 LoRA가 될지 뭉개진 LoRA가 될지를 가르는 핵심 디테일들을 얻게 됩니다.

한편 이 가이드는 Gradio와 Hugging Face가 주최하고 Black Forest Labs가 후원하는 Build Small 해커톤을 위한 자료이기도 합니다. 2026년 6월 5일부터 15일까지 진행되는 이 해커톤은 32B 파라미터 이하의 모델을 사용해야 하고, 결과물을 Hugging Face Space 위의 Gradio 앱으로 제출해야 한다는 두 가지 규칙이 있습니다. klein 4B는 이 조건에 정확히 들어맞는 모델이고, LoRA는 그 모델을 나만의 것으로 만드는 방법입니다.

배경 지식: LoRA가 전체 파인튜닝보다 가볍게 동작하는 이유

본 가이드의 핵심 기법인 LoRA(Low-Rank Adaptation) 는 사전 학습된 모델의 가중치를 그대로 고정(freeze)한 채, 어텐션이나 선형 레이어 옆에 저랭크(low-rank) 행렬 쌍을 추가로 끼워 넣고 그 작은 행렬들만 학습하는 기법입니다. 원래 대규모 언어 모델의 효율적 파인튜닝을 위해 제안되었지만, 지금은 이미지 생성 모델에 특정 스타일이나 캐릭터를 가르치는 사실상의 표준 방법으로 자리잡았습니다.

전체 파인튜닝과 비교했을 때 LoRA의 장점은 두 가지로 요약됩니다. 첫째, 학습해야 하는 파라미터가 전체의 극히 일부이므로 필요한 VRAM이 크게 줄어듭니다. klein 4B의 LoRA 학습이 24GB 안에 들어오는 것도 이 덕분입니다. 둘째, 결과물이 베이스 모델과 분리된 작은 어댑터 파일(.safetensors)로 떨어지므로, 하나의 베이스 모델 위에서 여러 LoRA를 갈아 끼우거나 조합하는 것이 자유롭습니다. 학습이 끝난 LoRA를 diffusers에서 단 두 줄로 로드할 수 있는 것이 이 구조의 직접적인 결과입니다.

LoRA(Low-Rank Adaptation) 기법의 원리에 대해서는 다음 논문(LoRA: Low-Rank Adaptation of Large Language Models)을 참고해주세요:

왜 base 모델로 학습하고 distilled 모델로 추론하는가

FLUX.2 klein은 4B와 9B 크기 각각에 대해 증류(distilled) 버전(4-step)과 베이스(base) 버전(50-step)을 제공합니다. 4B 모델을 기준으로 정리하면 다음과 같습니다.

모델	추론 스텝	LoRA 워크플로우에서의 역할
FLUX.2-klein-base-4B	50-step	학습 대상. 트레이너에서 이 체크포인트를 지정
FLUX.2-klein-4B	4-step (증류)	추론 권장. 학습된 어댑터를 로드해 실행

같은 klein이라도 LoRA 학습에 사용하는 것은 base 쪽입니다. 증류 모델은 빠른 추론을 위해 스텝이 압축된 모델이어서 학습 대상으로 적합하지 않기 때문입니다.

흥미로운 점은 학습과 추론의 대상이 다르다는 것입니다. 학습은 base 체크포인트를 대상으로 하지만, 학습된 어댑터는 증류 모델에 그대로 로드할 수 있습니다. 가이드에 따르면 증류 모델에 LoRA를 적용하는 쪽이 더 빠를 뿐 아니라, 자체 테스트에서는 보통 더 나은 결과를 보였다고 합니다. 즉, base로 학습하고 distilled로 추론하는 것이 권장 조합입니다.

LoRA를 직접 학습할 필요 없이 사용만 하고 싶다면, Hub에 공개된 커뮤니티 klein LoRA를 바로 가져다 쓸 수도 있습니다. 기존 LoRA가 커버하지 못하는 특정한 룩이 필요할 때 직접 학습하면 됩니다.

준비물: 이미지 15~40장, GPU 한 장, 그리고 트레이너

이 가이드가 요구하는 준비물은 단출합니다. 먼저 하나의 일관된 룩을 공유하는 이미지 15~40장이 필요합니다. 직접 그린 그림, 라이선스가 확보된 사진, 또는 Wikimedia Commons의 퍼블릭 도메인 작품을 활용할 수 있습니다. GPU는 약 60분 동안 사용할 수 있으면 되고, RTX 4090(24GB)이 가장 적절한 지점으로 제시됩니다.

트레이너로는 노코드 웹 UI를 제공하는 커뮤니티 트레이너 ostris/ai-toolkit을 사용합니다. 가이드는 ai-toolkit을 기준으로 설명하지만, klein을 지원하는 다른 트레이너를 사용해도 무방합니다. 실행 경로는 두 가지입니다.

경로	적합한 대상	설정 방법
RunPod 템플릿	대부분의 사용자, 1회 실행에 약 $0.50	원클릭 배포, UI 자동 실행
로컬 UI	24GB 이상의 NVIDIA GPU 보유자	`git clone` 후 `npm run build_and_start`, `localhost:8675` 접속

RunPod 템플릿을 쓰든 로컬에서 돌리든, 아래의 데이터셋과 캡션 규칙은 동일하게 적용됩니다. UI를 먼저 눈으로 확인하고 싶다면 ai-toolkit 개발자 Ostris가 만든 2분짜리 워크스루 영상을 참고할 수 있습니다.

1단계: 데이터셋 구축, 캡션에는 스타일이 아닌 내용을 적는다

가장 쉽게 성과를 낼 수 있는 것은 스타일(style) LoRA 입니다. 아래는 커뮤니티 klein-4B 스타일 LoRA인 Limbicnation/pixel-art-lora(Apache 2.0)로 생성한 예시로, 어떤 프롬프트를 넣어도 하나의 일관된 픽셀 아트 룩으로 출력됩니다.

이런 스프라이트 LoRA를 직접 만들고 싶다면, 하나의 룩을 공유하는 이미지 15~40장을 다음 기준으로 모읍니다.

피사체, 각도, 구도가 다양할 것. 같은 배경을 반복하지 않습니다.
긴 변 기준 최소 1024px 이상일 것.
이미지마다 같은 파일명의 .txt 캡션 파일을 둘 것 (img (1).png → img (1).txt).

캡션 작성의 핵심 원칙: 내용만 쓰고, 스타일은 절대 쓰지 않는다

스타일 LoRA에서 캡션은 이미지 안에 무엇이 있는지 만 설명하고, 스타일에 대해서는 아무것도 말하지 않아야 합니다. 스타일은 모델이 스스로 추론해서 가중치에 새겨 넣어야 할 대상이기 때문입니다. 각 캡션은 트리거 단어로 시작하고, 그 뒤에 피사체 설명이 이어집니다.

SPR1TE8. A knight in plate armor holding a sword, facing forward, plain background.
SPR1TE8. A fire-breathing dragon with spread wings, seen from the side.

여기서 "pixel art", "8-bit", "retro game", "sprite style" 같은 단어를 캡션에 쓰면 안 됩니다. 캡션에 스타일 이름을 넣으면 모델은 스타일을 가중치에 새기는 대신 그 단어에 의존하도록 학습됩니다. 트리거 단어는 모델의 어휘와 충돌하지 않도록 실제 단어가 아닌 것 으로 정합니다. SPR1TE8, RISO_PR1NT, ZK_TOON처럼 만들어 모든 캡션과 설정 파일에서 동일하게 사용합니다.

다만 한 가지 의도적인 예외가 있습니다. 항상 원하는 기본 룩은 캡션에 적지 않고 트리거에 새겨지게 두되, 추론 시점에 전환하고 싶은 명확한 하위 스타일이 데이터셋에 있다면 그것만은 이름을 붙입니다. 위의 픽셀 아트 LoRA가 정확히 이 방식을 사용합니다.

SPR1TE8. A wizard holding a staff, chibi.
SPR1TE8. A treasure chest, 16-bit pixel art.
SPR1TE8. A castle on a hill, 32-bit pixel art.

이렇게 캡션에 적은 chibi, 16-bit pixel art, 32-bit pixel art라는 단어들이 나중에 프롬프트 끝에 덧붙여 룩을 조절하는 수정자(modifier)가 됩니다. 캡션에 넣은 것이 곧 나중에 돌릴 수 있는 다이얼이 된다는 점을 염두에 두고 캡션을 작성해야 합니다.

손으로 캡션을 달기 싫다면 비전 모델에 "스타일 단어 없이 내용만 설명하라" 는 프롬프트를 주어 자동 캡션을 생성할 수 있습니다. 다만 생성 후 .txt 파일들을 훑어보며 새어 들어온 스타일 형용사를 지워야 합니다.

2단계와 3단계: 트레이너 설정, 그리고 손실이 아닌 샘플을 보는 학습

웹 UI를 사용하면 폼을 채우는 것으로 설정이 끝납니다. 데이터셋 경로를 지정하고, FLUX.2-klein-base-4B를 선택하고, 트리거 단어를 입력한 뒤 시작하면 됩니다. YAML을 선호한다면 BFL의 klein 학습 예제 문서에서 같은 작업을 설정 파일로 표현한 예시를 볼 수 있습니다. 실행마다 바뀌는 것은 사실상 세 줄뿐입니다.

name: 출력 폴더 이름
trigger_word: 캡션과 반드시 일치해야 하는 트리거 단어
datasets: folder_path: 이미지가 있는 경로

추가로 sample.prompts에 트리거 단어를 포함시켜 두면, 학습 중간에 생성되는 미리보기 이미지에서 스타일이 형성되는 과정을 확인할 수 있습니다. UI에서는 Start 버튼을 누르면 되고, CLI에서는 다음과 같이 실행합니다.

cd /app/ai-toolkit
python run.py /workspace/configs/my_lora_klein_4b.yaml

학습은 250스텝마다 체크포인트와 샘플 이미지를 저장하며, 1800스텝 기준 RTX 4090에서 1시간이 채 걸리지 않습니다.

여기서 이 가이드가 가장 강조하는 지점이 나옵니다. "손실(loss)이 아니라 샘플을 보라" 는 것입니다. 사람들이 가장 자주 틀리는 부분으로, 손실 값은 이미지가 과적합되기 시작한 시점을 한참 지나서도 계속 떨어집니다. 대부분의 스타일 LoRA에서 시각적 품질의 정점은 마지막 스텝이 아니라 750~1500스텝 사이 에 옵니다. 따라서 샘플 이미지를 직접 열어 보고 가장 좋아 보이는 체크포인트의 .safetensors를 선택해야 합니다. 마지막 체크포인트가 최선이 아닐 수 있습니다.

심화 학습: 모델 저장 형식과 어댑터 로딩

safetensors 공식 문서 (영문)

diffusers의 어댑터(LoRA) 로딩 가이드 (영문)

4단계: diffusers 두 줄로 LoRA 불러오기

학습된 LoRA를 사용하는 것은 일반 파이프라인 위에 두 줄을 얹는 것으로 끝납니다. 다음은 앞서 소개한 픽셀 아트 LoRA를 Hub에서 바로 불러와 사용하는 예시입니다.

from diffusers import Flux2KleinPipeline
import torch

pipe = Flux2KleinPipeline.from_pretrained(
    "black-forest-labs/FLUX.2-klein-4B", torch_dtype=torch.bfloat16
).to("cuda")
pipe.load_lora_weights("Limbicnation/pixel-art-lora")

img = pipe(
    prompt="pixel art sprite, a brave knight in shining armor, game asset, transparent background",
    num_inference_steps=4, guidance_scale=1.0,
    height=512, width=512,
).images[0]

이 LoRA는 앞서 캡션에 새겨 둔 스타일 수정자 에도 반응합니다. 프롬프트 끝에 16-bit pixel art, 32-bit pixel art, chibi를 덧붙이면 룩이 그에 맞게 바뀝니다. 데이터셋을 제대로 만든 보상이 바로 이것입니다. 모델에게 가르친 단어가 추론 시점에 돌릴 수 있는 다이얼이 됩니다.

직접 학습한 LoRA를 쓰려면 load_lora_weights에 자신의 .safetensors 파일 경로나 Hub 저장소를 지정하고 트리거 단어를 바꿔주면 됩니다. 코드를 쓰지 않고 결과를 확인하고 싶다면, Build Small 스타터 Space에 LoRA를 로드해 같은 시드(seed)에서 기본 모델과 파인튜닝 결과를 나란히 렌더링해주는 탭이 있어, 어댑터가 무엇을 바꿨는지 정확히 비교할 수 있습니다.

편집(Edit) LoRA: 폴더 하나와 설정 한 줄이 만드는 차이

FLUX.2 klein은 이미지 편집도 지원하므로, 사진을 넣으면 변환된 결과(색 변경, 스타일 변경, 객체 추가나 제거, 배경 교체)를 돌려주는 편집(edit) LoRA 도 학습할 수 있습니다. klein은 두 모드를 하나의 파이프라인으로 처리합니다. Flux2KleinPipeline은 image= 인자를 넘기지 않으면 텍스트-투-이미지로, 넘기면 이미지 편집으로 동작합니다. 따라서 편집 LoRA란 결국 각 타깃 이미지 옆에 입력 이미지가 함께 있는 데이터셋으로 학습한 LoRA일 뿐입니다. 모델도 트레이너도 같고, 차이는 전적으로 데이터에 있습니다.

가이드 저자가 직접 학습해 공개한 stephenbtl/ugly-kontext-klein-4b-lora(Apache 2.0)가 구체적인 예시입니다. 반려동물 사진을 넣으면 원본의 포즈와 구도를 유지한 채 의도적으로 투박한 "못생긴 스케치(ugly sketch)" 로 다시 그려주는 LoRA로, 120쌍의 (입력 사진, 출력 스케치) 예제로 학습되었습니다.

스타일 LoRA 레시피에서 바뀌는 것은 세 가지입니다.

1. 데이터셋이 쌍(pair)으로 구성됩니다. 폴더 하나 대신 두 개를 유지합니다.

ugly_kontext/
  reference/   inputs         100.jpg, 101.jpg, ...
  target/      edited outputs 100.jpg, 101.jpg, ...
               + captions     100.txt, 101.txt, ...

ai-toolkit은 파일명을 기준으로 reference/<id>와 target/<id>를 짝지으며, 캡션은 target 폴더에 둡니다. 깨끗한 (입력, 출력) 쌍은 설명문 하나보다 훨씬 많은 신호를 담고 있어 필요한 예제 수가 줄어듭니다. 50~200쌍이면 충분하고, 이 LoRA는 120쌍을 사용했습니다.

2. 캡션이 설명이 아니라 지시문이 됩니다. 스타일 캡션은 이미지 안에 무엇이 있는지를 설명하지만, 편집 캡션은 적용하고 싶은 변환(transformation) 을 설명합니다. ugly-kontext의 캡션은 다음이 전부입니다.

change the photo the cat into an ugly sketch of the same cat
change the photo the dog into an ugly sketch of the same dog
change the photo the animal group into an ugly sketch of the same group

여기에는 만들어낸 트리거 단어가 없습니다. 변환 문구를 데이터셋 전체에서 일관되게 유지하면, 반복되는 그 문구(여기서는 "ugly sketch")가 자연스럽게 추론 시점의 활성화 문구가 됩니다. 더 엄격한 게이팅을 원하면 trigger_word:를 추가할 수 있지만 편집 LoRA에서는 선택 사항입니다.

3. 설정 파일에 한 줄이 추가됩니다. folder_path: 옆에 reference 폴더를 가리키는 control_path:를 추가합니다. 이 한 줄이 스타일 LoRA를 편집 LoRA로 바꿉니다.

datasets:
  - folder_path:  "/workspace/datasets/ugly_kontext/target"     # outputs + captions
    control_path: "/workspace/datasets/ugly_kontext/reference"  # inputs ← makes it an edit LoRA
    caption_ext: "txt"
    resolution: [512]   # match your source; bucketing higher just upscales

나머지 설정, 즉 arch: "flux2_klein_4b", 128/64/64/32 네트워크, lr: 1e-4, flowmatch, base-4B 학습 대상은 스타일 설정과 동일합니다. 편집 LoRA 역시 1000~1750스텝 사이에서 정점에 도달하는 경향이 있으므로 같은 방식으로 눈으로 체크포인트를 고릅니다. 위 저장소에는 250부터 2000까지 모든 체크포인트가 올라와 있어 직접 비교해볼 수 있습니다.

추론 시점에는 입력 사진을 함께 넘깁니다. 다음은 공개된 LoRA를 Hub에서 불러와 증류 모델에서 실행하는 코드입니다.

import torch
from PIL import Image
from diffusers import Flux2KleinPipeline

pipe = Flux2KleinPipeline.from_pretrained(
    "black-forest-labs/FLUX.2-klein-4B", torch_dtype=torch.bfloat16
).to("cuda")
pipe.load_lora_weights(
    "stephenbtl/ugly-kontext-klein-4b-lora",
    weight_name="ugly_kontext_klein_4b_v1.safetensors",
)

reference = Image.open("your_pet.jpg").convert("RGB").resize((1024, 1024))
img = pipe(
    prompt="change the photo the cat into an ugly sketch of the same cat",
    image=reference,
    num_inference_steps=4, guidance_scale=4.0,
).images[0]

참고로 klein은 width와 height가 16으로 나누어 떨어지고 \frac{W \times H}{256} \leq 4096 조건을 만족해야 하며, 1024x1024는 안전한 값입니다.

흥미로운 것은 일반화 능력입니다. 데이터셋에는 고양이, 개, 동물 무리뿐이었지만, 건물 사진을 넣어도 같은 "스케치로 다시 그리기" 편집이 그대로 적용됩니다. 모델이 "고양이 그리는 법" 이 아니라 구조를 보존하면서 선화로 다시 그리는 편집 자체를 학습했다는 의미입니다.

편집 LoRA의 진짜 난관은 학습이 아니라 데이터

before/after 쌍은 좋은 이미지 폴더에서 저절로 나오지 않습니다. 가이드는 쌍 데이터를 만드는 세 가지 현실적인 방법을 제시합니다.

기존의 Kontext 스타일 편집 데이터셋을 재활용하기. ugly-kontext가 이 방식으로, 그 쌍들은 원래 FLUX.1 Kontext용으로 만들어진 것이었습니다.
타깃을 프로그래밍 방식으로 생성하기. 스타터 Space의 red-zoom LoRA는 강조 영역을 잘라 업스케일하는 것이 전부라 수작업 편집이 전혀 없었습니다.
기존 편집 모델을 입력 세트에 한 번 돌려 좋은 출력만 남기기.

이번 실험에서 얻은 교훈도 하나 공유됩니다. ugly-kontext는 120쌍이지만 캡션 문구가 단 3가지뿐이어서, 변환 자체는 잘 해내지만 다르게 표현된 프롬프트에 대한 일반화가 약합니다. 더 느슨한 지시문에도 반응하게 하려면 데이터셋 전체에 걸쳐 5~10가지로 문구를 다양화하는 것이 좋습니다.

Gradio 앱으로 포장해 Hugging Face Space로 배포하기

Build Small 해커톤은 결과물을 Space 위의 Gradio 앱으로 제출해야 하므로, 마지막 단계는 학습한 LoRA를 앱으로 포장하는 것입니다. Build Small 스타터 Space는 텍스트-투-이미지, 이미지 편집, LoRA 실행, 학습 가이드를 하나의 Space에 담고 있습니다. Space 우상단 메뉴에서 복제(Duplicate)하면 토큰이나 별도 설정 없이 몇 분 안에 자신의 계정에서 돌아가는 klein 앱이 생기고, 이를 자신의 아이디어에 맞게 고쳐 나가면 됩니다. LoRA를 학습하려면 별도의 컴퓨팅이 필요하지만, 그 외의 모든 것은 이 Space 안에서 실행할 수 있습니다.

배포 전에 알아두면 좋은 두 가지가 있습니다.

ZeroGPU Space를 호스팅하려면 HF PRO(월 $9)가 필요합니다. 개인 계정 기준이며, PRO가 없어도 Space 복제 자체는 가능하고 PRO 사용자에게는 동작합니다. 자신의 CUDA 머신에서는 무료로 실행할 수 있습니다. 4B 모델은 약 13GB의 VRAM이 필요하므로 CPU 전용 Space에서는 실행할 수 없습니다.
requirements.txt에 peft를 넣어야 합니다. 이것이 없으면 pipe.load_lora_weights()가 "PEFT backend is required" 오류와 함께 실패합니다. LoRA Space가 빌드는 되지만 런타임에 크래시가 나는 전형적인 원인입니다.

심화 학습: Gradio와 Spaces

Gradio 퀵스타트 가이드 (영문)

Gradio 공식 문서 (영문)

Hugging Face Spaces Gradio SDK 문서 (영문)

정리: 깔끔한 LoRA와 과적합된 LoRA를 가르는 것들

가이드가 다룬 두 가지 LoRA 유형의 차이를 표로 정리하면 다음과 같습니다.

항목	스타일 LoRA	편집 LoRA
데이터셋	단일 폴더, 이미지 + 캡션 15~40장	`reference/` + `target/` 쌍 폴더, 50~200쌍
캡션	내용 설명 (스타일 언급 금지)	변환 지시문
트리거 단어	필수, 실제 단어가 아닌 토큰	선택, 반복되는 변환 문구가 활성화 문구 역할
설정 차이	`folder_path:`만 지정	`control_path:` 한 줄 추가
품질 정점	약 750~1500스텝	약 1000~1750스텝
추론	프롬프트만 전달	`image=` 인자로 입력 사진 전달

전체 루프를 한 문장으로 압축하면 다음과 같습니다. 이미지 15~40장, 만들어낸 트리거 단어로 시작하는 내용 전용 캡션, 그대로 둔 arch 설정, 그리고 750~1500스텝 부근에서 눈으로 고른 체크포인트. 이것이 깔끔한 스타일 LoRA와 과적합된 LoRA의 차이입니다. 편집 LoRA로 가려면 단일 폴더를 reference/와 target/ 쌍 폴더로 바꾸고, 캡션을 지시문으로 쓰고, control_path: 한 줄을 추가하면 됩니다. 나머지는 모두 동일합니다. 마지막으로 Gradio 앱으로 포장해 Space로 배포하면 끝입니다.

4B 규모의 모델이 24GB GPU에서 1시간 만에 파인튜닝된다는 것은, 이미지 생성 모델의 커스터마이징이 더 이상 대규모 인프라를 가진 조직의 전유물이 아니라는 의미이기도 합니다. Apache 2.0 라이선스와 결합되면서, 개인 개발자가 자신만의 스타일이나 편집 동작을 학습시켜 상업 서비스까지 배포하는 전체 경로가 소비자용 하드웨어 위에서 완결됩니다.

라이선스

FLUX.2-klein-base-4B와 FLUX.2-klein-4B는 모두 Apache License 2.0으로 배포되고 있어, 연구 목적은 물론 상업적 용도로도 자유롭게 사용 및 수정이 가능합니다. 학습한 LoRA 역시 자유롭게 배포할 수 있습니다.

Fine-tune FLUX.2 [klein] with a LoRA under 60 minutes 원문 블로그

ostris/ai-toolkit GitHub 저장소

더 읽어보기

이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다.

파이토치 한국 사용자 모임이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일로 보내드립니다! (기본은 Weekly지만 Daily로 변경도 가능합니다.)

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~