这是一个完整的Qwen-Image LoRA训练系统，专为云平台环境设计，支持H20和L40显卡，提供智能训练、数据备份和CNB平台推送功能。

# H20显卡 (97GB显存)
./quick_start_h20.sh

# L40显卡 (46GB显存)  
./quick_start_l40.sh

# 智能训练系统 (自动检测硬件)
./smart_train.sh

# 完整数据备份
./backup_all.sh

# 快速备份
./quick_backup.sh

# 推送到CNB平台
./push_to_cnb.sh

workspace/
├── 🎯 训练脚本
│   ├── quick_start_h20.sh      # H20显卡快速启动
│   ├── quick_start_l40.sh      # L40显卡快速启动
│   ├── smart_train.sh          # 智能训练系统
│   ├── train_qwen_lora.sh      # H20训练脚本
│   └── train_qwen_lora_l40.sh  # L40训练脚本
│
├── ⚙️ 配置文件
│   ├── dataset_config.toml     # H20数据集配置
│   ├── dataset_config_l40.toml # L40数据集配置
│   └── configs/                # 配置目录
│       ├── h20/               # H20配置
│       └── l40/               # L40配置
│
├── 💾 数据备份
│   ├── backup_all.sh          # 完整备份系统
│   ├── backup_cache.sh        # Cache备份
│   ├── quick_backup.sh        # 快速备份
│   └── push_to_cnb.sh         # CNB平台推送
│
├── 🔧 管理工具
│   ├── continue_training.sh   # 继续训练
│   ├── monitor_training.sh    # 训练监控
│   ├── organize_project.sh    # 项目整理
│   └── smart_optimizer.py     # 智能优化器
│
├── 📊 数据目录
│   ├── cache/                 # 训练缓存 (3.6GB)
│   ├── output/                # 训练输出
│   ├── dataset/               # 数据集
│   └── models/                # 模型文件
│
└── 📚 文档指南
    ├── README.md              # 项目说明
    ├── COMPLETE_BACKUP_GUIDE.md    # 备份指南
    ├── CNB_PUSH_GUIDE.md      # CNB推送指南
    └── CONTINUE_TRAINING_GUIDE.md  # 继续训练指南

• 自动硬件检测: 识别GPU型号和显存容量
• 智能参数优化: 根据硬件自动配置最佳参数
• 多分辨率支持: 支持1152x1536、1536x1152、1536x1536
• 实时监控: 显存使用率、训练进度监控

• 多重备份: 本地、外部存储、云存储
• 智能压缩: 自动压缩节省空间
• 增量备份: 仅备份变更内容
• 自动恢复: 一键恢复到任意状态

• 智能推送: 自动处理大文件和Git LFS
• 分批上传: 网络不稳定时分批推送
• 版本控制: 完整的Git版本管理
• 状态监控: 实时推送状态检查

# 优化配置
批处理大小: 4-8
学习率: 8e-5
LoRA维度: 64-96
训练时间: ~1.5-2小时

# 优化配置
批处理大小: 2-4
学习率: 6e-5
LoRA维度: 48-64
训练时间: ~2-3小时

• 分辨率: 1152x1536, 1536x1152, 1536x1536
• 格式: PNG, JPG, JPEG
• 数量: 建议800-1000张
• 标注: 每张图片对应.txt标注文件

dataset/1152x1536/
├── 001.png
├── 001.png.txt
├── 002.png
├── 002.png.txt
└── ...

1. 检查环境: 确认GPU和数据集
2. 选择脚本: H20用quick_start_h20.sh，L40用quick_start_l40.sh
3. 开始训练: 脚本会自动处理一切
4. 监控进度: 使用monitor_training.sh
5. 保存数据: 训练完成后运行backup_all.sh

1. 智能训练: 使用smart_train.sh自动优化
2. 参数调优: 修改配置文件中的参数
3. 继续训练: 使用continue_training.sh断点续训
4. 数据管理: 使用完整备份系统保护数据

1. 训练前备份: 备份原始数据集和配置
2. 定期保存: 每轮训练后保存检查点
3. 监控资源: 实时监控显存和温度
4. 及时推送: 训练完成后推送到CNB平台
5. 文档记录: 记录训练参数和结果

1. 不要在训练中修改配置文件
2. 不要删除cache目录
3. 不要同时运行多个训练
4. 不要忽略显存监控
5. 不要忘记备份重要数据

# 解决方案
1. 减少batch_size
2. 启用gradient_checkpointing
3. 使用智能训练系统自动优化
./smart_train.sh

# 解决方案
1. 检查配置文件格式
2. 使用备份配置恢复
3. 重新生成配置文件

# 解决方案
1. 使用继续训练脚本
./continue_training.sh

2. 检查最新检查点
3. 从断点继续训练

# 解决方案
1. 从备份恢复
./backup_all.sh
# 选择恢复选项

2. 从CNB平台拉取
git clone your_cnb_repo

• 使用FP8混合精度训练
• 启用Flash Attention
• 优化数据加载器
• 调整批处理大小

• 启用梯度检查点
• 使用较小的LoRA维度
• 优化内存使用
• 分阶段训练

# 自动根据硬件配置参数
gpu_memory = detect_gpu_memory()
optimal_batch_size = calculate_batch_size(gpu_memory)
optimal_lr = calculate_learning_rate(dataset_size)

# 支持混合分辨率训练
resolution = [1152, 1536]
enable_bucket_sampling = true
bucket_reso_steps = 64

# 训练监控面板
./monitor_training.sh
# 显示GPU使用率、训练进度、Loss曲线

# 检查系统状态
nvidia-smi

# 查看训练日志
tail -f output/*/logs/train.log

# 紧急停止训练
pkill -f qwen_image_train

# 快速备份
./quick_backup.sh emergency

• 📧 技术支持: support@example.com
• 📚 文档中心: https://docs.example.com
• 💬 社区论坛: https://forum.example.com

• ✨ 新增CNB平台推送功能
• 🚀 智能训练系统优化
• 💾 完整备份系统重构
• 🔧 H20/L40显卡专项优化
• 📚 完整文档体系

• 🎯 多分辨率训练支持
• 📊 实时监控系统
• 🔄 断点续训功能
• 🛡️ 数据备份保护

本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情。

感谢以下项目和贡献者：

• Qwen-VL - 基础模型
• musubi-tuner - 训练框架
• 所有测试用户和反馈贡献者

---

🌟 开始您的Qwen-Image LoRA训练之旅吧！ 🌟