Fizgig:图像、视频和音乐模型的训练器与工作台

核心信息

以下信息由程序从官方接口读取，不经模型改写。

仓库地址: https://github.com/shootthesound/Fizgig
许可证: Apache-2.0
语言: Python
维护方: shootthesound
核验日期: 2026-10-31

它是什么

Fizgig 是用于图像、视频和音乐模型的训练器与工作台,可在电脑上的独立窗口、浏览器或租用的 GPU 中使用,也可以在手机上查看训练运行。它免费且开源。它可以在消费级 GPU 上微调基础模型,最低 8 GB。它可以在不重新训练的情况下修复损坏的 LoRA。

主要能力

训练不止于 LoRA:可以训练 LoKR 或完整的基础模型本身,Anima 用 8 GB 显卡,较大的模型用 16 GB。
LoRA Royale 在同一个种子上渲染每个 epoch,带可选的相似度评分,并提供 MP4/GIF 导出。
Studio 提供每个 block 一个实时滑块、并排预览和 donor-LoRA 混合。
Profiler 提供按 block 划分的彩色编码报告,Studio 可以内联读取。

怎么上手

安装需要 NVIDIA RTX 30/40/50 系列或带 ROCm 的 AMD Radeon,Windows 10/11 或 Linux,Python 3.10–3.13,并推荐 32 GB 系统内存。
安装时应克隆仓库,而不是下载 ZIP,因为更新程序通过 git 拉取。
模型文件从 Preferences 标签页下载,每个模型有一个 Download models for me 按钮。
Start 标签页用于设置训练图像文件夹。
在 Training 标签页选择模型和预设,然后点击 Start Training。

摘自 README · bash

git clone https://github.com/shootthesound/Fizgig.git
cd Fizgig

适合谁

显存规划由程序自行完成:精度、block swap 和预览按可用显存调整,预览放不下时训练仍会继续。Qwen Image 2.1 在基础模型上训练,在 Qwen 自己的 Turbo(8 步,CFG 1)上预览,LoRA 在两者上都可使用。MOSS-Image 在 Base 上训练,在 MOSS-Image SFT 上预览。

Fizgig 可以加载 kohya、PEFT、OneTrainer、AI-Toolkit 和 LyCORIS 的 LoRA。数据集准备包括使用 Qwen3-VL 或 Florence-2 的 AI 标注、双语标注、人脸裁剪和 Look Consistency Filter。人脸裁剪、Look Consistency Filter 和每项相似度评分也可用于动漫、兽人和手绘角色以及 fursuit,而不只是真人。

Runs & outputs 保留每次运行的损失曲线、笔记、预览和检查点,并可用相同设置再次启动其中任意一次。Context LoRA 在一个冻结的、处于激活状态的 LoRA 之上训练,使两者共存。Adaptive LR 是一个平台期跟踪器,在你设定的 Min/Max 范围内升高或降低学习率,不稳定时可回滚。

本站已收录的相关工具。

来源

本页内容整理自以下官方来源，点击可核对原文。

GitHub READMEhttps://github.com/shootthesound/Fizgig抓取于 2026-10-30

核验日期 · 2026-10-31

本页由 AI 依据上述官方来源整理，并经自动核对，未经本站实测。发现错误？告诉我们。