> For the complete documentation index, see [llms.txt](https://docs.clore.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.clore.ai/guides/guides_v2-fr/entrainement/dreambooth.md).

# DreamBooth

Entraînez des modèles d'images personnalisés avec DreamBooth sur les GPU Clore.ai

Entraînez Stable Diffusion à générer des images de sujets spécifiques.

{% hint style="success" %}
Tous les exemples peuvent être exécutés sur des serveurs GPU loués via [la place de marché CLORE.AI](https://clore.ai/marketplace).
{% endhint %}

## Louer sur CLORE.AI

1. Visitez [la place de marché CLORE.AI](https://clore.ai/marketplace)
2. Filtrez par type de GPU, VRAM et prix
3. Choisissez **À la demande** (tarif fixe) ou **Spot** (prix d'enchère)
4. Configurez votre commande :
   * Sélectionnez l'image Docker
   * Définissez les ports (TCP pour SSH, HTTP pour les interfaces web)
   * Ajoutez des variables d'environnement si nécessaire
   * Entrez la commande de démarrage
5. Sélectionnez le paiement : **CLORE**, **BTC**, ou **USDT/USDC**
6. Créez la commande et attendez le déploiement

### Accédez à votre serveur

* Trouvez les détails de connexion dans **Mes commandes**
* Interfaces web : utilisez l'URL du port HTTP
* SSH : `ssh -p <port> root@<proxy-address>`

## Qu’est-ce que DreamBooth ?

DreamBooth affine SD sur vos images :

* Entraîner sur 5 à 20 images
* Générer de nouvelles images de votre sujet
* N’importe quel style ou contexte
* Fonctionne avec SD 1.5 et SDXL

## Exigences

| Modèle        | VRAM  | Temps d’entraînement |
| ------------- | ----- | -------------------- |
| SD 1.5        | 12 Go | 15 à 30 min          |
| SDXL          | 24GB  | 30 à 60 min          |
| SD 1.5 + LoRA | 8 Go  | 10 à 20 min          |

## Déploiement rapide

**Image Docker :**

```
pytorch/pytorch:2.11.0-cuda12.8-cudnn9-devel
```

**Ports :**

```
22/tcp
7860/http
```

**Commande :**

```bash
pip install diffusers transformers accelerate bitsandbytes && \
pip install xformers peft && \
python dreambooth_train.py
```

## Accéder à votre service

Après le déploiement, trouvez votre `http_pub` URL dans **Mes commandes**:

1. Accédez à **Mes commandes** la page
2. Cliquez sur votre commande
3. Trouvez le `http_pub` URL (par ex., `abc123.clorecloud.net`)

Utilisez `https://YOUR_HTTP_PUB_URL` au lieu de `localhost` dans les exemples ci-dessous.

## Installation

```bash
pip install diffusers transformers accelerate
pip install bitsandbytes xformers peft
```

## Préparer les données d’entraînement

1. Collectez 5 à 20 images de votre sujet
2. Recadrer sur le visage/sujet
3. Redimensionner en 512x512 (ou 1024x1024 pour SDXL)
4. Supprimer les arrière-plans si nécessaire

```python
from PIL import Image
import os

def prepare_images(input_dir, output_dir, size=512):
    os.makedirs(output_dir, exist_ok=True)

    for filename in os.listdir(input_dir):
        if filename.endswith(('.jpg', '.png', '.jpeg')):
            img = Image.open(os.path.join(input_dir, filename))
            img = img.convert('RGB')

            # Recadrage centré en carré
            min_dim = min(img.size)
            left = (img.width - min_dim) // 2
            top = (img.height - min_dim) // 2
            img = img.crop((left, top, left + min_dim, top + min_dim))

            # Redimensionner
            img = img.resize((size, size), Image.LANCZOS)
            img.save(os.path.join(output_dir, filename))

prepare_images("./raw_photos", "./training_data")
```

## DreamBooth avec LoRA (recommandé)

Entraînement économe en mémoire :

```python
from diffusers import StableDiffusionPipeline, DDPMScheduler
from diffusers.loaders import LoraLoaderMixin
import torch

# Script d’entraînement
from accelerate import Accelerator
from diffusers import AutoencoderKL, UNet2DConditionModel
from transformers import CLIPTextModel, CLIPTokenizer
from peft import LoraConfig, get_peft_model

# Charger les modèles
model_id = "runwayml/stable-diffusion-v1-5"
tokenizer = CLIPTokenizer.from_pretrained(model_id, subfolder="tokenizer")
text_encoder = CLIPTextModel.from_pretrained(model_id, subfolder="text_encoder")
vae = AutoencoderKL.from_pretrained(model_id, subfolder="vae")
unet = UNet2DConditionModel.from_pretrained(model_id, subfolder="unet")

# Ajouter LoRA à UNet
lora_config = LoraConfig(
    r=8,
    lora_alpha=32,
    target_modules=["to_q", "to_k", "to_v", "to_out.0"],
    lora_dropout=0.1,
)

unet = get_peft_model(unet, lora_config)
```

## Utilisation du script d’entraînement diffusers

```bash

# Cloner les scripts d’entraînement
git clone https://github.com/huggingface/diffusers
cd diffusers/examples/dreambooth

# Installer les dépendances
pip install -r requirements.txt

# Entraîner avec LoRA
accelerate launch train_dreambooth_lora.py \
    --pretrained_model_name_or_path="runwayml/stable-diffusion-v1-5" \
    --instance_data_dir="./training_data" \
    --instance_prompt="une photo de sks person" \
    --output_dir="./dreambooth_model" \
    --resolution=512 \
    --train_batch_size=1 \
    --gradient_accumulation_steps=1 \
    --learning_rate=1e-4 \
    --lr_scheduler="constant" \
    --lr_warmup_steps=0 \
    --max_train_steps=500 \
    --seed=42
```

## Paramètres d'entraînement

| Paramètre          | Recommandé                | Effet                                               |
| ------------------ | ------------------------- | --------------------------------------------------- |
| learning\_rate     | 1e-4 à 5e-6               | Plus élevé = plus rapide, plus faible = plus stable |
| max\_train\_steps  | 400-1000                  | Plus = meilleur ajustement                          |
| train\_batch\_size | 1-2                       | Plus élevé nécessite plus de VRAM                   |
| resolution         | 512 (SD1.5) / 1024 (SDXL) | Taille d’entraînement                               |

## Prompt de l’instance

Choisissez un identifiant unique :

```bash

# Bons prompts
"une photo de personne sks"      # sks = jeton unique
"une photo de chien xyz"
"une photo de voiture abc"

# Le jeton (sks, xyz, abc) doit être rare
```

## Avec préservation de classe

Empêcher le surapprentissage :

```bash
accelerate launch train_dreambooth_lora.py \
    --pretrained_model_name_or_path="runwayml/stable-diffusion-v1-5" \
    --instance_data_dir="./my_dog_photos" \
    --instance_prompt="une photo de chien sks" \
    --class_data_dir="./regular_dog_photos" \
    --class_prompt="une photo de chien" \
    --with_prior_preservation \
    --prior_loss_weight=1.0 \
    --num_class_images=200 \
    --output_dir="./dreambooth_dog" \
    --max_train_steps=800
```

## DreamBooth SDXL

```bash
accelerate launch train_dreambooth_lora_sdxl.py \
    --pretrained_model_name_or_path="stabilityai/stable-diffusion-xl-base-1.0" \
    --instance_data_dir="./training_data" \
    --instance_prompt="une photo de sks person" \
    --output_dir="./dreambooth_sdxl" \
    --resolution=1024 \
    --train_batch_size=1 \
    --gradient_accumulation_steps=4 \
    --learning_rate=1e-4 \
    --max_train_steps=500 \
    --mixed_precision="fp16"
```

## Utilisation du modèle entraîné

### Charger la LoRA

```python
from diffusers import StableDiffusionPipeline
import torch

pipe = StableDiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    torch_dtype=torch.float16
).to("cuda")

# Chargez votre LoRA entraînée
pipe.load_lora_weights("./dreambooth_model")

# Générer
image = pipe(
    "une photo de personne sks en astronaute sur Mars",
    num_inference_steps=30,
    guidance_scale=7.5
).images[0]

image.save("astronaut.png")
```

### Ajustement complet

```python
pipe = StableDiffusionPipeline.from_pretrained(
    "./dreambooth_model",
    torch_dtype=torch.float16
).to("cuda")

image = pipe("une photo de personne sks en costume").images[0]
```

## Interface Gradio

```python
import gradio as gr
from diffusers import StableDiffusionPipeline
import torch

pipe = StableDiffusionPipeline.from_pretrained(
    "runwayml/stable-diffusion-v1-5",
    torch_dtype=torch.float16
).to("cuda")

pipe.load_lora_weights("./dreambooth_model")

def generate(prompt, negative_prompt, steps, guidance, seed):
    generator = torch.Generator("cuda").manual_seed(seed) if seed > 0 else None

    image = pipe(
        prompt=prompt,
        negative_prompt=negative_prompt,
        num_inference_steps=steps,
        guidance_scale=guidance,
        generator=generator
    ).images[0]

    return image

demo = gr.Interface(
    fn=generate,
    inputs=[
        gr.Textbox(label="Prompt (utilisez 'sks' pour votre sujet)"),
        gr.Textbox(label="Prompt négatif", value="flou, laid"),
        gr.Slider(20, 50, value=30, step=1, label="Étapes"),
        gr.Slider(5, 15, value=7.5, step=0.5, label="Guidance"),
        gr.Number(value=-1, label="Graine")
    ],
    outputs=gr.Image(label="Image générée"),
    Générateur de portraits DreamBooth
)

demo.launch(server_name="0.0.0.0", server_port=7860)
```

## Conseils d'entraînement

### Pour les personnes

* Utilisez des angles variés (face, profil, 3/4)
* Différentes conditions d’éclairage
* Expressions variées
* Photos nettes en haute résolution

### Pour les objets

* Plusieurs angles
* Différents arrière-plans
* Éclairage cohérent
* Pas d’occlusion

### Pour les styles

* 10 à 20 images d’exemple
* Style artistique cohérent
* Sujets variés dans ce style

## Dépannage

### Surapprentissage

* Réduire max\_train\_steps
* Baisser learning\_rate
* Utiliser la préservation a priori
* Plus d’images d’entraînement

### Sous-apprentissage

* Augmenter max\_train\_steps
* Learning\_rate plus élevé
* Plus d’images d’entraînement
* Vérifier la qualité des images

### Le style n’est pas appris

* Augmenter le rang LoRA (r=16 ou 32)
* Entraîner plus longtemps
* Utiliser plus d’exemples

## Estimation des coûts

Tarifs typiques du marché CLORE.AI (en 2024) :

| GPU        | Tarif horaire | Tarif journalier | Session de 4 heures |
| ---------- | ------------- | ---------------- | ------------------- |
| RTX 3060   | \~$0.03       | \~$0.70          | \~$0.12             |
| RTX 3090   | \~$0.06       | \~$1.50          | \~$0.25             |
| RTX 4090   | \~$0.10       | \~$2.30          | \~$0.40             |
| A100 40 Go | \~$0.17       | \~$4.00          | \~$0.70             |
| A100 80 Go | \~$0.25       | \~$6.00          | \~$1.00             |

*Les prix varient selon le fournisseur et la demande. Vérifiez* [*la place de marché CLORE.AI*](https://clore.ai/marketplace) *les tarifs actuels.*

**Économisez de l'argent :**

* Utilisez le **Spot** marché pour les travaux interrompables — environ un tiers des serveurs ont un prix spot inférieur au tarif à la demande (médiane \~13 % de remise), les autres s'alignent dessus
* Payez avec **CLORE** jetons
* Comparez les prix entre différents fournisseurs

## Étapes suivantes

* [Entraînement Kohya](/guides/guides_v2-fr/entrainement/kohya-training.md) - Entraînement avancé
* Stable Diffusion WebUI - Utiliser des modèles
* [Ajustement fin LoRA](/guides/guides_v2-fr/entrainement/kohya-training.md) - Entraînement LLM


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://docs.clore.ai/guides/guides_v2-fr/entrainement/dreambooth.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.