SA

在本教程中，我们将带你完整体验如何在吐司 平台上使用Wan2.2 进行在线训练。为了更直观地展示效果，本示例将采用图生视频（Image2Video）训练。步骤1 – 打开在线训练页面进入在线训练 页面。 在这里，你可以选择文生视频 或图生视频。 👉 本教程选择图生视频。步骤2 – 上传训练数据上传你准备好的训练素材。可以逐个文件上传；如果你已经在本地整理好数据与打标文件，可以打包成zip 压缩包后上传。步骤3 – 调整参数数据上传完成后，右侧会出现参数面板。 💡 提示：如果你上传的是视频片段，建议保持在5 秒左右，能获得更佳的训练效果。步骤4 – 设置提示词与预览帧在提示词栏输入你期望的训练结果描述；随着训练进行，每个epoch 都会生成预览效果，方便你比较与挑选最佳版本；在 图生视频LoRA 训练中，你还可以设定预览视频的第一帧。步骤5 – 开始训练当一切设置完成后，点击立即训练 即可开始训练。 训练完成后，每个epoch 都会生成一个预览视频。 你可以对比这些预览，并选择表现最佳的版本进行发布。步骤6 – 发布模型完成发布后，等待几分钟，你的Wan2.2 LoRA 模型 就可以投入使用了。推荐训练参数（质量均衡型）网络模块：LoRA 基础模型：Wan2.2 – i2v-high-noise-a14b 触发词：（建议使用简短独特的标签，例如your_project_tag）图像处理参数Repeat：1Epoch：12保存间隔（Save Every N Epochs）：1–2视频处理参数Frame Samples：16Target Frames：20训练参数Seed：–Clip Skip：–文本编码器学习率（Text Encoder LR）：1e-5UNet 学习率：8e-5 （推荐低于1e-4，提升稳定性）学习率调度器：cosine（若可用则warmup 100 steps）优化器：AdamW8bitNetwork Dim：64Network Alpha：32梯度累积步数：2 （若显存有限可降至1）标签参数打乱标签（Shuffle caption）：–保留n 个token（Keep n tokens）：–高级参数Noise offset：0.025–0.03（推荐0.03）Multires noise discount：0.1Multires noise iterations：10conv_dim：–conv_alpha：–Batch Size：1–2（取决于显存）视频长度（Video Length）：2采样图像设置采样器：euler提示词（示例）：小技巧训练视频时长建议保持在约5 秒，效果最佳。数据集应保持一致性（光照、构图、风格），以避免模型出现漂移。如果预览出现过拟合（画面模糊、细节抖动），可尝试将UNet 学习率降至6e-5 或减少Epoch 至10。如果希望风格绑定更强，可尝试：Network Dim 提升至96，Alpha 提升至64；同时将UNet 学习率降低至6e-5。