Hoe ik het maken van sociale-mediastickers automatiseerde: lokaal een stijl-LoRA trainen voor SD 1.5 op 30 afbeeldingen

De auteur stond voor het probleem dat het genereren van consistente illustraties voor stickerpakketten met behulp van prompt engineering moeilijk is, dus besloot hij een stijl-LoRA te trainen op Stable Diffusion 1.5. SD 1.5 werd gekozen vanwege de lage hardwarevereisten en het uitgebreide ecosysteem, ondanks de beperkingen in het begrijpen van complexe beschrijvingen. De dataset bestond uit 30 stickers die handmatig waren geselecteerd van stickersvk.com, met één sticker per pakket om te voorkomen dat het model specifieke personages of auteurs zou memoriseren; afbeeldingen met tekst, complexe poses of afwijkende stijlen werden uitgesloten. Ze gebruikten een trigger-token 'vkstckrs' om de geleerde kenmerken tijdens de generatie te activeren. Gemini 3.1 Pro schreef een Python-script om transparante achtergronden te vervangen door wit en op te slaan als JPG, terwijl ChatGPT 5.6 bijschriften genereerde met behulp van BLIP, een voorgetraind model voor het beschrijven van afbeeldingen. De auteur benadrukte dat het model alleen voor educatieve doeleinden was getraind, dat de afbeeldingen na de training werden verwijderd en dat er geen commercieel gebruik wordt beoogd.