Asosiy kontentga o‘tish
AI qo‘llanmalari

Google Colab’da MiniMax H3 Ref2VA LoRA’ni o‘rgatish

Ushbu qo‘llanmada Codex ko‘nikmasini o‘rnatish, maqsadli va ma’lumotnoma rasmlarini saralash, takrorlanadigan caption va juftliklar yaratish, Google Colab’da Ostris AI Toolkit yordamida MiniMax H3 Ref2VA LoRA’ni o‘rgatish hamda natijada hosil bo‘lgan safetensors adapterini yuklab olish tushuntiriladi.

Taxminan 27 daqiqalik o‘qish
Google Colab’da MiniMax H3 Ref2VA LoRA’ni o‘rgatish

Bu loyiha nima qiladi

MiniMax H3 Ref2VA LoRA Colab Skill — juftlangan tasvir ma’lumotlar to‘plamlarini tayyorlash va Google Colab’da MiniMax H3 Ref2VA LoRA modelini o‘qitish uchun o‘rnatiladigan Codex ko‘nikmasidir. Uning runner dasturi lokal tasvirlarni tartiblaydi, ma’lumotlar to‘plamini paketlaydi, biriktirilgan Colab daftarini ishga tushiradi, checkpoint va ish artefaktlarini Google Drive’ga saqlaydi hamda yakuniy .safetensors adapterini kompyuteringizga yuklab oladi.

Bu ish jarayoni aynan MiniMax H3 transformatoriga mo‘ljallangan. H3 tasvirni tushunish jarayonida Qwen3-VL’dan foydalanadi, ammo Qwen Image alohida model. Qwen Image LoRA adapteri H3 adapteriga mos kelmaydi.

Asosiy imkoniyatlar

  • Maqsadli va referens/boshqaruv tasvirlaridan iborat juftlangan ma’lumotlar to‘plamlarini yaratadi.
  • Mavjud bo‘lsa, bir xil asosiy nomga ega caption fayllaridan foydalanadi.
  • Takroriy captionlar va referens tanlovlari uchun JSON ma’lumotlar to‘plami rejasini qo‘llab-quvvatlaydi.
  • Google Colab’da Ostris AI Toolkit orqali MiniMax H3 Ref2VA LoRA o‘qitilishini ishga tushiradi.
  • O‘qitish qadamlari, LoRA ranki, alpha, o‘rganish tezligi, GPU turi va yuqori xotira so‘rovlarini sozlashni qo‘llab-quvvatlaydi.
  • Checkpointlar, namunalar, konfiguratsiya va ish xulosasini Google Drive bilan sinxronlaydi.
  • Yakuniy .safetensors adapterini lokal chiqish katalogiga yuklab oladi.
  • Colab hisoblash balansini tekshirish va masofaviy runtime ulanishini sinash uchun buyruqlarni taqdim etadi.

Talablar

Ko‘nikmani o‘rnatishdan oldin lokal tizimingizda quyidagilar mavjudligiga ishonch hosil qiling:

  • Python 3.10 yoki undan yangiroq versiyasi.
  • Masofaviy buyruqlarni ishga tushirishdan oldin o‘rnatilgan va autentifikatsiyadan o‘tgan Google Colab CLI.
  • GPU qurilmalaridan foydalanish imkoniga ega Colab hisobi.
  • Zarur H3 modeli va o‘qitish adapteri resurslaridan foydalanish huquqi, jumladan tegishli litsenziyalarni qabul qilish.
  • Mo‘ljallangan o‘qitish jarayoni uchun yetarli Colab hisoblash resursi.

Biriktirilgan daftar kamida 60 GiB bo‘sh disk maydonini tekshiradi va GPU VRAM hajmi 48 GiB’dan kam bo‘lsa, ogohlantiradi. Loyiha yuqori xotirali A100’dan foydalanishni tavsiya qiladi, ammo VRAM uchun rasmiy minimal kafolat mavjud emas.

Codex ko‘nikmasini o‘rnatish

Repozitariyni klonlang va uning o‘rnatuvchisini ishga tushiring:

git clone https://github.com/killkli/minimax-h3-lora-colab-skill.git
cd minimax-h3-lora-colab-skill
./install.sh

CODEX_HOME o‘rnatilgan bo‘lsa, o‘rnatuvchi ko‘nikmani $CODEX_HOME/skills ichiga joylashtiradi. Aks holda, ~/.codex/skills katalogidan foydalanadi.

Boshqa ko‘nikmalar katalogiga o‘rnatish uchun --dest parametrini bering:

./install.sh --dest /path/to/skills

Mavjud o‘rnatishlar sukut bo‘yicha saqlanadi. Uni ataylab almashtirmoqchi bo‘lsangiz, --force parametridan foydalaning. O‘rnatuvchi avvalgi nusxani jimgina o‘chirish o‘rniga vaqt tamg‘asi qo‘yilgan zaxira nusxaga ko‘chiradi.

O‘rnatishni tekshirish

Colab ishini ishga tushirmasdan runner yordam ma’lumotlarini ko‘rsating:

python3 ~/.codex/skills/minimax-h3-lora-colab/scripts/runner.py --help

Agar CODEX_HOME sozlangan bo‘lsa, ~/.codex/skills o‘rniga $CODEX_HOME/skills dan foydalaning. Lokal o‘rnatish va yordam tekshiruvlari o‘qitishni boshlamaydi hamda Colab GPU vaqtini sarflamaydi.

O‘qitish tasvirlarini tayyorlash

Maqsadli fotosuratlarni bitta katalogga joylashtiring. Fotosuratlarda bir xil shaxs yoki obyekt aks etishi kerak. Ixtiyoriy ravishda bir xil asosiy nomga ega matn fayllari orqali captionlar qo‘shishingiz mumkin. Masalan, photo01.jpg uchun caption photo01.txt faylida bo‘lishi mumkin.

Klonlangan repo­zitariydan foydalanib, ma’lumotlar to‘plamini quyidagi buyruq bilan tayyorlang:

python3 scripts/runner.py prepare \
  --input-dir /path/to/target_photos \
  --name studio_subject \
  --trigger "studio_subject person" \
  --output-dir ./prepared_dataset

Tayyorlangan katalog quyidagilarni o‘z ichiga oladi:

prepared_dataset/
├── targets/
├── references/
└── dataset_manifest.json
  • targets/ maqsadli tasvirlar va ularning bir xil asosiy nomga ega caption fayllarini saqlaydi.
  • references/ maqsadli tasvirlarga asosiy nomi moslashtirilgan referens yoki boshqaruv tasvirlarini saqlaydi.
  • dataset_manifest.json har bir namuna uchun manba, maqsad, referens va caption ma’lumotlarini qayd etadi.

Ma’lumotlar to‘plamini tayyorlash lokal ravishda amalga oshiriladi. U asl fotosuratlarni tayyorlangan ma’lumotlar to‘plamiga nusxalaydi, ammo ularni Colab’ga yuklamaydi.

Referenslarni avtomatik tanlash

Alohida referens katalogini bermasangiz, runner kamida ikkita maqsadli fotosuratni talab qiladi. U referens juftliklarini yaratish uchun ushbu fotosuratlarni navbatma-navbat tanlaydi.

Iloji bo‘lsa, bir xil obyektning turli va foydali ko‘rinishlaridan foydalaning. Maqsadli tasvir o‘zini referens sifatida ishlatmasligi kerak.

Alohida referens katalogidan foydalanish

Referenslarni boshqa katalogdan tanlash uchun --reference-dir parametrini qo‘shing:

python3 scripts/runner.py prepare \
  --input-dir /path/to/target_photos \
  --reference-dir /path/to/reference_photos \
  --name studio_subject \
  --trigger "studio_subject person" \
  --output-dir ./prepared_dataset

Tanlangan har bir referens maqsadli to‘plamdagi obyektni aks ettirishi kerak. Kattaroq to‘plamning faqat bir qismini saralayotgan bo‘lsangiz, tanlangan maqsadli va referens tasvirlarni vaqtinchalik kataloglarga joylashtiring hamda asl tasvirlar to‘plamiga tegmang.

Takroriy ma’lumotlar to‘plami rejasini yaratish

Ma’lumotlar to‘plami rejasi tasvirga xos captionlar va ixtiyoriy maqsad-referens tanlovlarini qayd etadi. Bu qo‘lda yoki agent yordamida saralashni takroriy qilish imkonini beradi.

{
  "captions": {
    "photo01.jpg": "studio_subject person, ko‘k kurtkadagi shaxsning beldan yuqorisi portreti, yumshoq kunduzgi yorug‘likda tashqarida",
    "photo02.jpg": "studio_subject person, oq ko‘ylak kiygan shaxsning yon profili, deraza yonida bino ichida"
  },
  "references": {
    "photo01.jpg": "front_reference.png",
    "photo02.jpg": "side_reference.png"
  }
}

captions obyekti har bir maqsadli rasmning basename'ini o‘z ichiga olishi kerak. Agar ixtiyoriy references obyekti mavjud bo‘lsa, u har bir maqsadli basename'ni nomzod reference katalogidagi rasm basename'iga moslashi ham kerak.

Captionlar faqat ko‘rinadigan tafsilotlarni tasvirlashi kerak. Aloqasi bo‘lmagan odamlar yoki obyektlarni alohida datasetlarda saqlang va maqsadli rasmni o‘ziga moslamang.

Datasetni quyidagi reja yordamida tayyorlang:

python3 scripts/runner.py prepare \
  --input-dir /path/to/target_photos \
  --reference-dir /path/to/reference_photos \
  --dataset-plan /path/to/dataset-plan.json \
  --name studio_subject \
  --trigger "studio_subject person" \
  --output-dir ./prepared_dataset

Agar --dataset-plan ko‘rsatilmasa, runner mavjud yonma-yon captionlardan foydalanadi va captioni yo‘q rasmlar uchun oddiy standart qiymatni taqdim etadi.

Yuklashdan Oldin Tekshiring

O‘qitishdan oldin dataset_manifest.json faylini oching va har bir source, target, reference hamda captionni tekshiring. Noto‘g‘ri juftliklar, yetishmayotgan tavsiflar yoki boshqa obyektga tegishli rasmlarni aniqlash uchun eng yaxshi vaqt shu. O‘qitish bosqichi tayyorlangan rasmlarni Colab runtime'iga yuklaydi.

Google Colab'da LoRA'ni O‘qiting

Tayyorlangan datasetni tekshirgandan so‘ng, o‘qitish jarayonini boshlang:

python3 scripts/runner.py train \
  --dataset-dir ./prepared_dataset \
  --name studio_subject \
  --trigger "studio_subject person" \
  --steps 1000 \
  --rank 16 \
  --alpha 16 \
  --gpu A100 \
  --output-dir ./outputs

Standart o‘qitish sozlamalari:

  • 1 000 ta o‘qitish qadami.
  • LoRA rank'i 16.
  • Alpha 16.
  • Learning rate 1e-4.
  • Yuqori xotirali A100 Colab sessiyasi.

Notebook H3 modelini va o‘qitish adapteri uchun zarur assetlarni yuklab oladi. Yakuniy adapter ./outputs/ ichiga .safetensors fayli sifatida joylashtiriladi.

Jarayon artefaktlari quyidagi manzilga ham sinxronlanadi:

MyDrive/MiniMax_H3_LoRAs/<name>/<run-id>/

Drive katalogida checkpointlar, yaratilgan namunalar, konfiguratsiya ma’lumotlari va jarayon xulosasi mavjud bo‘ladi.

O‘qitish Parametrlarini Ehtiyotkorlik Bilan O‘zgartiring

Steps, rank, alpha, GPU va output directory uchun misoldagi qiymatlarni almashtirishingiz mumkin. Qo‘llab-quvvatlanadigan barcha o‘qitish parametrlarini ko‘rish uchun quyidagini bajaring:

python3 scripts/runner.py train --help

Yuqori xotira rejimi sukut bo‘yicha so‘raladi. Tanlangan Colab GPU ajratmasida bu so‘rov kerak bo‘lmasa, --no-high-mem qo‘shing.

Colab Foydalanishi va Ulanishini Tekshiring

Joriy Colab hisoblash balansini JSON shaklida ko‘rish uchun quyidagidan foydalaning:

python3 scripts/runner.py usage --json

Masofaviy GPU runtime'ini ajratish va probe, fayl uzatish hamda Google Drive yo‘lini tekshirish uchun quyidagini bajaring:

python3 scripts/runner.py test

test buyrug‘i o‘qitishni tekshirish vositasi emas. U MiniMax H3 o‘qitishi mavjud VRAM'ga sig‘ishi yoki muvaffaqiyatli yakunlanishini tasdiqlamaydi.

Kengaytirilgan Maslahatlar va Ishlash Bo‘yicha Yo‘riqnoma

Obyekt To‘plamlarini Fokuslangan Holda Saqlang

Har bir datasetda bitta odam yoki obyektning rasmlaridan foydalaning. Aloqasi bo‘lmagan obyektlarni ajratish captionlar va reference mosliklarini aniqroq qiladi hamda runner kutadigan ish jarayoniga mos keladi.

Rasmga Xos Captionlardan Foydalaning

Faqat umumiy captionga tayanish o‘rniga, poza, kiyim, kadr, muhit va yorug‘lik kabi ko‘rinadigan xususiyatlarni tasvirlang. Tanlangan trigger'ni izchil qo‘shing, ammo rasmda ko‘rinmaydigan tafsilotlarni kiritmang.

Foydali Reference Xilma-xilligini Afzal Ko‘ring

Bir xil obyektni tasvirlaydigan, lekin turli ko‘rinishlarni taqdim etadigan reference'larni tanlang. Masalan, mos kelganda old tomondan va yon profil ko‘rinishlarini juftlang. Hech qachon target'ni o‘zi bilan juftlamang.

Tekshirish Mumkin Bo‘lgan Yozuvni Saqlang

Dataset rejasi va yaratilgan manifestni loyiha bilan birga saqlang. Ular birgalikda jarayon uchun ishlatilgan captionlar va juftliklarni hujjatlashtiradi hamda tayyorlash jarayonini tekshirish yoki takrorlashni osonlashtiradi.

Mahalliy va Bulutdagi Natijalarni Kuzating

Mahalliy output directory yuklab olingan yakuniy adapterni o‘z ichiga oladi, Google Drive esa kengroq jarayon artefaktlarini saqlaydi. O‘qitish jarayoni kutilmaganda to‘xtasa, checkpointlar, namunalar, konfiguratsiya va jarayon xulosasini tekshirish uchun Drive nusxasidan foydalaning.

Uskuna Mosligini Runtime'ga Bog‘liq Deb Hisoblang

Tavsiya etilgan yuqori xotirali A100 muvaffaqiyatni kafolatlamaydi. Haqiqiy xotira talabi Colab runtime'i va o‘qitish konfiguratsiyasiga bog‘liq. Notebook 48 GiB VRAM'dan kam bo‘lsa ogohlantiradi va 60 GiB bo‘sh diskni tekshiradi, ammo bu tekshiruvlar rasmiy uskuna kafolati emas.

Tekshiruv Holatini Tushuning

Yuqori oqimdagi AI Toolkit Ref2VA namunaviy konfiguratsiyasi tekshirilmagan deb belgilangan. Shu sababli repository har bir bulutdagi o‘qitish jarayoni muvaffaqiyatli yakunlanishini da’vo qilmaydi. Notebook takrorlanuvchanlik uchun tekshirilgan AI Toolkit source commit'ini belgilaydi, ammo muvaffaqiyatli o‘rnatish yoki masofaviy probe jarayonini uchidan-uchigacha o‘qitish yakunlanganining isboti deb talqin qilmaslik kerak.

Qo‘shimcha O‘qish

Xulosa

MiniMax H3 Ref2VA LoRA Colab Skill mahalliy tasvirlarni saralashdan yuklab olinadigan H3 adapterigacha bo‘lgan takrorlanadigan jarayonni taqdim etadi. Maqsadli tasvir va ularga mos referens juftliklarini mahalliy ravishda tayyorlang va ko‘rib chiqing, takrorlanuvchi izohlar hamda mosliklarni yaratish kerak bo‘lsa, ma’lumotlar to‘plami rejasidan foydalaning, Colab resurslari va litsenziyalaringizni tasdiqlang, so‘ngra o‘qitishni boshlang. Yuqori oqimdagi konfiguratsiya hali tekshirilmaganini va Qwen Image LoRA’lari MiniMax H3 adapterlari bilan o‘zaro almashtirib bo‘lmasligini yodda tuting.