Guia de Início Rápido do Chroma 1¶

Chroma 1 é uma variante reduzida de 8.9B parâmetros do Flux.1 Schnell, lançada pela Lodestone Labs. Este guia mostra como configurar o SimpleTuner para treino de LoRA.

Requisitos de hardware¶

Apesar do menor número de parâmetros, o uso de memória é próximo ao Flux Schnell:

• A quantização do transformer base ainda pode usar ≈40–50 GB de RAM do sistema.
• Treino LoRA com rank 16 normalmente consome:
• ~28 GB de VRAM sem quantização da base
• ~16 GB de VRAM com int8 + bf16
• ~11 GB de VRAM com int4 + bf16
• ~8 GB de VRAM com NF4 + bf16
• Mínimo realista de GPU: RTX 3090 / RTX 4090 / L40S ou melhor.
• Funciona bem em Apple M-series (MPS) para treino LoRA e em AMD ROCm.
• Aceleradores de 80 GB ou setups multi-GPU são recomendados para fine-tuning full-rank.

Pré-requisitos¶

Chroma compartilha as mesmas expectativas de runtime do guia do Flux:

• Python 3.10 – 3.12
• Um backend de aceleração suportado (CUDA, ROCm ou MPS)

Verifique sua versão do Python:

python3 --version

Instale o SimpleTuner (exemplo CUDA):

pip install 'simpletuner[cuda]'

# CUDA 13 / Blackwell users (NVIDIA B-series GPUs)
pip install 'simpletuner[cuda13]' --extra-index-url https://download.pytorch.org/whl/cu130

Para detalhes de setup específicos do backend (CUDA, ROCm, Apple), consulte o guia de instalação.

Iniciando a web UI¶

simpletuner server

A UI estará disponível em http://localhost:8001.

Configuração via CLI¶

simpletuner configure guia você pelas configurações centrais. Os valores-chave para Chroma são:

• model_type: lora
• model_family: chroma
• model_flavour: um dos
• base (padrão, qualidade equilibrada)
• hd (maior fidelidade, mais pesado)
• flash (rápido porém instável – não recomendado para produção)
• pretrained_model_name_or_path: deixe vazio para usar o mapeamento de flavour acima
• model_precision: mantenha o padrão bf16
• flux_fast_schedule: deixe desativado; Chroma tem amostragem adaptativa própria

Exemplo de configuração manual¶

{
  "model_type": "lora",
  "model_family": "chroma",
  "model_flavour": "base",
  "output_dir": "/workspace/chroma-output",
  "network_rank": 16,
  "learning_rate": 2.0e-4,
  "mixed_precision": "bf16",
  "gradient_checkpointing": true,
  "pretrained_model_name_or_path": null
}

⚠️ Se o acesso ao Hugging Face for lento na sua região, exporte HF_ENDPOINT=https://hf-mirror.com antes de iniciar.

Recursos experimentais avançados¶

Dataset e dataloader¶

Chroma usa o mesmo formato de dataloader do Flux. Consulte o tutorial geral ou o tutorial da web UI para preparação de datasets e bibliotecas de prompts.

Opções de treinamento específicas do Chroma¶

• flux_lora_target: controla quais módulos do transformer recebem adaptadores LoRA (all, all+ffs, context, tiny, etc.). Os padrões espelham o Flux e funcionam bem na maioria dos casos.
• flux_guidance_mode: constant funciona bem; Chroma não expõe um intervalo de guidance.
• Mascaramento de atenção é sempre habilitado – garanta que seu cache de embeddings de texto foi gerado com padding masks (comportamento padrão nas releases atuais do SimpleTuner).
• Opções de shift de schedule (flow_schedule_shift / flow_schedule_auto_shift) não são necessárias para Chroma — o helper já aumenta os timesteps finais automaticamente.
• flux_t5_padding: defina zero se você preferir zerar tokens de padding antes do masking.

Amostragem automática de timesteps finais¶

Flux usava um schedule log-normal que subamostrava extremos de alto/baixo ruído. O helper de treino do Chroma aplica um remapeamento quadrático (σ ↦ σ² / 1-(1-σ)²) nos sigmas amostrados para que as regiões de cauda sejam visitadas com mais frequência. Isso não exige configuração extra — está embutido na família de modelo chroma.

Dicas de validação e amostragem¶

• validation_guidance_real mapeia diretamente para guidance_scale do pipeline. Deixe em 1.0 para amostragem de passagem única, ou suba para 2.0–3.0 se quiser classifier-free guidance nas renderizações de validação.
• Use 20 steps de inferência para prévias rápidas; 28–32 para maior qualidade.
• Prompts negativos continuam opcionais; o modelo base já é de-distilled.
• O modelo só suporta text-to-image no momento; suporte a img2img chegará em uma atualização futura.

Solução de problemas¶

• OOM no início: ative offload_during_startup ou quantize o modelo base (base_model_precision: int8-quanto).
• Treino diverge cedo: garanta que o gradient checkpointing esteja ligado, reduza learning_rate para 1e-4 e verifique se as legendas são diversas.
• Validação repete a mesma pose: aumente o tamanho dos prompts; modelos de flow matching colapsam quando a variedade de prompts é baixa.

Para tópicos avançados—DeepSpeed, FSDP2, métricas de avaliação—consulte os guias compartilhados linkados no README.