Nyt on aika tehdä tekoälystä henkilökohtainen. Tässä osassa aloitan kouluttamaan omaa LoRA-mallia Stable Diffusionissa. Opetan tekoälyn tunnistamaan kasvoni ja tuottamaan sen mukaisia kuvia. Tämä on sama tekniikka, jota monet ammattilaiset käyttävät tyylin ja hahmojen toistamiseen. Jos saan kasvokuvat onnistumaan, kokeilen samaa tekniikkaa oman piirrostyylini kanssa.

Alun perin piti käydä koko homma läpi tässä osassa, mutta kuten alussa kerroin, on tämä oppimispolku itsellenikin ja asiaa tulikin niin paljon, että pakko jakaa pienempiin osiin. Lisäksi vahva suositus, että jos et vielä ole lukenut sarjan aiempia osia, tutustu niihin nyt:

1. Tekoäly osana luovaa työskentelyä
2. Taustaa kuvamallin tekoon
3. Google Colabin käyttö
4. SD:n perusasetukset Colabissa.
   

LoRA lisämalli

LoRA (Low-Rank Adaptation) on keino opettaa perusmallille uutta tietoa ilman, että koko malli tarvitsee kouluttaa alusta alkaen. Käytännössä LoRA on pieni lisämalli, joka istuu ison mallin kyljessä ja ohjaa sitä tiettyyn suuntaan.
Tämä tekee koulutuksesta kevyttä ja nopeaa: tarvitaan vain parikymmentä kuvaa ja sopiva GPU.

Päätetään ympäristö ja valitaan sopiva Notebook

Jos minulla olisi tosi tehokas kone, olisin voinut tehdä paikallisen asennuksen ja se mahdollistaisi mallin jatkuvan käytön. Toistaiseksi jatkoin Colabin käyttöä, jolloin mitään ei asenneta omalle koneelle ja GPU pyörii Googlen pilvessä.

Koska tavoittelen mallia, joka käyttää minun kasvojani eri tilanteissa, valitsin menetelmäksi LoRA-koulutuksen Stable Diffusion XL:n mallilla. XLon yksi Stable Diffusionin versioista, joka tuottaa parempia ja suurempia kuvia (kuin aiemmin käyttämämme 1.5 tai 2.0).

Colabiin valitsin Notebookiksi Kohya LoRA Trainerin. Se on erittäin suosittu ja toimii myös ilmaisella Colab GPU:lla (tosin hitaanlaisesti). Lisäksi se tallentaa LoRA:n, jonka voi ladata Hugging Faceen.

Kuvien valmistelu

Tämä on tärkein osa. Otin kännykällä 10 kuvaa (15 olisi ehkä vielä parempi) eri kulmista, joissa kasvoni näkyvät selvästi ja erilaisissa valaisuolosuhteissa.

Jyrkkiä varjoja tulisi välttää. Kuvissa ei saa olla muita ihmisiä, eikä niitä tule käsitellä filttereillä tai käyttää rajuja värimuokkauksia. Kuvissa tulisi olla erilaisia ilmeitä ja erilaisia taustoja.

Muutin kuvien kooksi 1024×1024 pikseliä (1:1) ja annoin niille nimet, joissa järjestysnro mukana (esim. annu_01.png, annu_02.png jne). Käytä tarvittaessa vaikkapa ilmaista Birmeä kuvien koon muuttamiseen. Kuvien koolla on merkitystä. Liian pienistä kuvista malli ei saa tarpeeksi yksityiskohtia ja tulokset voivat olla “sumeita”. Liian isoilla kuvilla homma hidastuu ja GPU-muisti saattaa ylittyä. Jos sekoittaa eri kuvasuhteita voivat kasvojen mittasuhteetkin vääristyä.

Valmiit kuvat pakkasin zip-tiedostostoksi nimeltä annukka_kasvot.zip

Tämän jälkeen siirrytään Kohya LoRA Trainer notebookiin Colabissa.

Ensimmäiset vaiheet Notebookissa

Valitse ensin tuttuun tapaan Suorituspalvelu ja sieltä Muuta suorituspalvelun tyyppiä. Tarkista että “T4”valittuna.

Suorita sitten järjestyksessä yksi kerrallaan ylhäältä alaspäin kaikki solut  Prepare Environment osiosta (1.1-1.4).

Varsinkin ensimmäisenä oleva Install Kohya Trainer kestää ja tulee luultavasti joitakin virheilmoituksia. Kaikki ilmoitukset eivät ole kriittisiä, joten odottele rauhassa mikä ajon lopputulos on.

Kohdassa 1.2 Download SDXL ladataan Stable Diffusionin XL. Tarvitset sitä varten Hugging Face tilin.

Hugging Face token

Oman kuvamallin kouluttamiseen ja Hugging Facen valmiiden tekoälymallien käyttöön tarvitaan tili ja pääsytunniste, jota kutsutaan nimellä token. Token toimii kuin digitaalinen avain, joka kertoo Hugging Facelle, kuka olet ja mitä saat tehdä. Käytännössä token on pitkä merkkijono, joka toimii samalla tavalla kuin salasana.

Kun Colab tai jokin muu palvelu käyttää Hugging Facea puolestasi, se tarvitsee tokenin päästäkseen kirjautumaan ja käyttämään resurssejasi. Tokenia ei kannata koskaan jakaa julkisesti, sillä sen avulla joku muu voisi käyttää tiliäsi.

Luo Hugging Face -tili ja token

1. Mene osoitteeseen https://huggingface.co.

2. Valitse oikeasta yläkulmasta Sign up. Voit kirjautua sähköpostilla tai käyttää Google/GitHub-tunnusta.

3. Ikkunan vasemmassa reunassa nimesi alla olevassa valikossa valitse Settings ja edelleen Access Tokens. Paina New token-painiketta.

4. Anna tokenille nimi, esim. colab-train tai ai-project.

5. Valitse taso (tässä tapauksessa Write on paras): Read – riittää useimpiin projekteihin, kun vain haet malleja tai dataset-aineistoa. Write – tarvitaan, jos lataat omia tiedostoja tai julkaiset mallin. Admin – älä käytä ellei ole aivan pakko.

6. Klikkaa Generate token.

7. Kopioi token (merkkisarja) heti talteen. Huomaa, että et näe sitä enää myöhemmin kokonaisena.

Siirry takaisin Notebookiin ja syötä/liitä kopioimasi token HUGGINGFACE_TOKEN kenttään:

Suorita sitten tämä solu ja sen jälkeen 1.3 ja 1.4 kohdat. Viimeisenä oleva Image Browser antaa varmasti punaisen huutomerkki virheen, mutta sen voi antaa olla, ei vaikuta kuvien luomiseen ja kuvat voi katsella kun ovat valmiita, kohdekansiostaan.

Anna tekoälyn auttaa ongelmissa

Jos näissä ympäristön asettamisen vaiheissa tulee ylitsepääsemättömiä ongelmia, eli että solua ei voida suorittaa, yritä selvitellä niitä joko ChatGPT:n kanssa tai Notebookin alalaidasta löytyvän Geminin kanssa.

ChatGPT:lle voi lähettää virheilmoja joita solussa tulee ja se kirjoittaa korjaavaa koodia. Pyydä tekoälyltä selkeitä ohjeita mitä ja minne muutetaan. Jokaisesta notebookin solusta löytyy “Näytä koodi” linkki jonka kautta sitä pääsee muokkaamaan.

Gemini voi muokata Notebookin koodia suoraan puolestasi ja suorittaa solun, jos painat “Hyväksy ja suorita”. Mikään ei mene lopullisesti rikki joten ole rohkea, kokeile!

Tässä kohtaa on hyvä pysähtyä hengähtämään. Homma jatkuu seuraavassa osassa! Päivitys 3.6.2026: Homma jatkui niin, että otin hienosäädön opparin aiheeksi, eli kokosin koko prosessin yksiin kansiin. Siitä syntyi samalla ohje kenelle tahansa tehdä itse perässä. Lue lisää tästä blogipostauksesta ja lataa oppari luettavaksi.