Krea 2身份保留功能实战：基于LoRA的人物特征稳定生成指南

1. 先搞清楚 Krea 2 身份保留功能到底解决什么问题

如果你用过文生图工具，肯定遇到过这种情况：想生成一张特定人物的多角度、多场景图片，但每次生成的人物长相都不一致。Krea 2 的身份保留功能就是专门解决这个痛点的——它能让你在生成新图片时保持人物面部特征的稳定性。

这个功能最实用的场景包括：

• 为同一个角色生成不同服装、不同背景的系列图片
• 制作角色在不同年龄阶段的形象变化
• 为电商产品生成同一模特的多种展示图片
• 创作漫画或故事中的角色连续性画面

Krea 2 采用了 RAW + Turbo 的双模型架构。RAW 模型负责高质量基础生成，Turbo 模型负责快速推理。身份保留功能就是在 RAW 模型上训练 LoRA（低秩适应），然后直接应用到 Turbo 模型上运行，这样既保证了生成质量，又提升了速度。

2. 环境准备：ComfyUI 配置和模型下载

要在本地运行 Krea 2 的身份保留功能，你需要先搭建 ComfyUI 环境。我建议从秋叶的整合包开始，这对新手最友好。

2.1 ComfyUI 环境搭建

如果你还没有安装 ComfyUI，可以按以下步骤操作：

# 下载秋叶 ComfyUI 整合包 # 访问秋叶官网获取最新版本下载链接 # 解压后直接运行启动脚本即可

对于不同硬件配置的用户，启动时需要注意：

• 8G 显存用户：使用 FP8 量化版本的模型，分辨率设置为 1024x1024 或更低
• 16G 显存用户：可以尝试 BF16 版本，分辨率可以开到 1536x1536
• 低显存显卡（如 1060）：需要启用模型量化，并降低批量处理数量

2.2 Krea 2 模型文件下载和放置

模型文件的正确放置很重要，很多问题都出在这里：

ComfyUI/ ├── models/ │ ├── diffusion_models/ │ │ └── krea2_turbo_fp8_scaled.safetensors # 主要生成模型 │ ├── text_encoders/ │ │ └── qwen3vl_4b_fp8_scaled.safetensors # 文本编码器 │ ├── vae/ │ │ └── qwen_image_vae.safetensors # 图像解码器 │ └── loras/ │ ├── krea2_coolblue.safetensors # 风格 LoRA │ ├── krea2_darkbrush.safetensors │ └── 你的自定义身份LoRA文件.safetensors # 身份保留LoRA

关键点：身份保留功能需要你自己训练 LoRA，或者使用预训练的身份 LoRA。Krea 官方提供的是风格 LoRA，身份 LoRA需要基于特定人物图片训练。

3. 身份保留功能的具体操作流程

3.1 准备工作流模板

首先在 ComfyUI 中加载 Krea 2 的基础工作流：

1. 打开 ComfyUI 界面
2. 在模板库中搜索 "Krea-2" 工作流
3. 加载 Text to Image (Krea-2 Turbo) 子图

如果找不到官方模板，可以手动构建基本管线：

• 加载 Krea 2 Turbo 模型节点
• 连接 Qwen3VL 文本编码器
• 设置 KSampler 采样器（推荐 DPM++ 2M Karras）
• 添加 VAE 解码器
• 连接图像保存节点

3.2 配置身份保留参数

身份保留的核心是 LoRA 配置：

# 在 LoRA 堆栈器中的配置示例 lora_config = { "model": "krea2_turbo", "lora_name": "your_identity_lora", # 你的身份LoRA文件名 "strength_model": 0.8, # 模型权重强度，建议0.7-1.0 "strength_clip": 1.0, # 文本编码器强度，通常保持1.0 }

关键参数说明：

• LoRA Strength：控制身份特征的强度。值太低身份特征不明显，值太高可能影响图像质量
• 触发词：训练 LoRA 时设置的触发词，用于激活身份特征
• 采样步数：Turbo 模型建议 8-12 步，RAW 模型需要 20-52 步

3.3 第一次测试流程

我建议按这个顺序进行首次测试：

1. 基础生成测试：不使用任何 LoRA，先用简单提示词生成图片，确认环境正常
2. 风格 LoRA 测试：加载官方提供的风格 LoRA（如 krea2_warmpastel），测试 LoRA 功能是否正常
3. 身份 LoRA 测试：加载你的身份 LoRA，使用触发词进行生成

测试时使用的提示词结构：

[触发词], [人物描述], [场景描述], [风格描述] 示例：samantha_portrait, 一个年轻女性, 在咖啡馆看书, 写实风格

4. 身份 LoRA 的训练和优化

4.1 训练数据准备

要训练一个有效的身份 LoRA，你需要准备：

• 5-10 张同一人物的高质量图片
• 图片角度、表情、光照尽量多样
• 分辨率建议 512x512 以上
• 人脸清晰，无明显遮挡

图片预处理步骤：

1. 统一裁剪为正方形
2. 调整亮度对比度到正常范围
3. 如果背景复杂，建议先进行抠图处理

4.2 训练参数设置

使用 Kohya's GUI 或类似工具训练 LoRA：

# 推荐训练参数 network_dim: 128 network_alpha: 64 train_batch_size: 2 gradient_accumulation_steps: 1 learning_rate: 1e-4 lr_scheduler: cosine max_train_steps: 800-1200

训练时的注意事项：

• 学习率不宜过高，否则容易过拟合
• 训练步数根据图片数量调整，图片少则步数少
• 定期查看训练损失曲线，避免欠拟合或过拟合

4.3 质量验证方法

训练完成后，用以下方法验证 LoRA 质量：

1. 一致性测试：用相同的提示词多次生成，检查人物特征是否稳定
2. 多样性测试：生成不同角度、表情、服装的图片，检查身份保持能力
3. 混合测试：结合风格 LoRA 使用，检查兼容性

成功的身份 LoRA 应该能够：

• 在多种场景下保持人物核心特征
• 不影响图像的整体质量和自然度
• 与其他风格 LoRA 良好兼容

5. 批量处理和工作流优化

5.1 批量生成配置

当身份保留功能测试成功后，可以开始批量处理：

# 批量处理配置示例 batch_config = { "input_directory": "./source_images", "output_directory": "./generated_images", "batch_size": 4, # 根据显存调整 "keep_original_names": True, # 保留原文件名 "override_existing": False # 不覆盖已存在文件 }

在 ComfyUI 中实现批量处理：

1. 使用 Image Loader 节点加载多张图片（如果需要基于图片生成）
2. 设置批处理大小，注意显存限制
3. 配置输出文件名模板，如{original_name}_variation_{index}.png

5.2 性能优化技巧

针对不同硬件环境的优化建议：

低显存配置（8G 及以下）：

• 使用 FP8 量化模型
• 批量大小设置为 1-2
• 分辨率不超过 1024x1024
• 启用模型分块加载

高显存配置（16G 及以上）：

• 可以使用 BF16 模型获得更好质量
• 批量大小可以设置到 4-8
• 分辨率可以尝试 1536x1536
• 可以同时加载多个 LoRA 进行混合

5.3 工作流模块化设计

为了提高效率，建议将工作流模块化：

1. 身份保留模块：专门处理人物特征保持
2. 风格应用模块：负责场景和风格控制
3. 后处理模块：处理放大、锐化等后期效果

在 ComfyUI 中可以使用子图功能实现模块化：

• 将身份保留相关的节点打包成子图
• 暴露关键参数（如 LoRA 强度、触发词）
• 便于重复使用和参数调整

6. 常见问题排查和解决方案

6.1 启动和运行问题

问题：ComfyUI 启动报错或无法运行

• 检查 Python 版本（需要 3.8-3.11）
• 确认依赖包完整，特别是 torch 版本兼容性
• 查看日志文件中的具体错误信息

问题：模型加载失败

• 检查模型文件路径是否正确
• 确认模型文件完整（下载可能中断）
• 查看控制台输出的错误信息

6.2 身份保留效果不佳

问题：生成的人物不像目标人物

• 检查训练数据质量，图片是否清晰、角度是否多样
• 调整 LoRA 强度参数，通常需要 0.7-1.0
• 确认触发词使用正确，需要在提示词中包含触发词

问题：身份特征过于强烈导致图像不自然

• 降低 LoRA 强度到 0.5-0.7
• 在提示词中增加场景描述，平衡注意力
• 尝试不同的采样器和步数配置

6.3 性能相关问题

问题：生成速度慢

• 使用 Turbo 模型而不是 RAW 模型
• 采样步数设置为 8-12 步
• 启用 xFormers 或注意力优化

问题：显存不足

• 降低分辨率（1024x1024 或更低）
• 减少批量大小
• 使用模型量化版本
• 启用 CPU 卸载功能

6.4 批量处理问题

问题：批量处理时文件命名混乱

• 在 Save Image 节点中配置正确的文件名模板
• 使用{counter}或{timestamp}确保唯一性
• 如果需要保留原文件名，使用{original_name}变量

问题：批量处理中途失败

• 检查输入文件格式是否统一
• 设置适当的错误处理机制
• 分批处理大量文件，避免单次处理过多

7. 进阶技巧和最佳实践

7.1 多身份混合生成

如果需要在一个场景中生成多个不同身份的人物：

1. 顺序生成法：先生成背景，再分别生成不同人物后合成
2. 区域控制法：使用 ControlNet 或区域提示词控制不同人物的位置
3. 多次生成法：分别生成各人物后通过后期合成

7.2 身份特征微调

当基础身份 LoRA 效果不够理想时：

1. 增量训练：基于现有 LoRA 继续训练，加入新的训练图片
2. 参数调整：微调 LoRA 的 dim 和 alpha 参数
3. 混合 LoRA：将身份 LoRA 与风格 LoRA 按不同权重混合使用

7.3 生产环境部署

如果需要在生产环境中使用：

1. API 封装：将 ComfyUI 工作流封装成 REST API
2. 队列管理：实现任务队列，避免并发冲突
3. 资源监控：监控 GPU 使用情况，自动调度任务
4. 日志记录：详细记录生成参数和结果，便于问题排查

7.4 质量评估标准

建立身份保留效果的质量评估体系：

1. 特征一致性：核心面部特征是否稳定保持
2. 生成多样性：能否生成不同角度、表情的图片
3. 场景适应性：在不同背景和光照下的表现
4. 艺术性表现：生成图片的审美质量和自然度

身份保留功能真正落地时，最关键的是找到效果和效率的平衡点。不要追求完美的身份匹配而牺牲生成速度和质量，实用的解决方案往往是在可接受的身份相似度范围内，保证生成的稳定性和效率。