目前业界主流的sd训练基本都是基于diffusers和ldm的，这是huggingface的训练库，后者是stability ai在compvis等机构的基础上完善的，我目前工作上推理一般采用webui架构，训练采用diffusers，因此需要把webui的ckpt或者safetensors转成huggingface形式，在基于diffusers的lora训练，很多都是基于kohya_ss的，一般就是添加一些新的lora方法，另一种就是基于kohya_ss封装套个壳，方便训练。目前主流看来，还是关注diffusers官方的训练脚本，整个流程比较简洁，对比其他三方的脚本。
safetensors版本->convert->huggingface版本
huggingface版本->diffusers训练->huggingface版本lora权重bin文件->convert->safetensors
1.diffusers版本
这个版本是我训练的主要版本，基本上很多的sd训练都是在这个版本上改的，我也是以这个版本为基础，基本的fine-tune和lora finetune都有，训练的版本也比较丰富，包括unet和text encoder的训练等等，但是这里面有个文生图和图生图的区分，即inpaint的训练是否需要抽出来单独写，我看dreambooth是单独抽出来的版本，其他text_to_image目前没有提供inpaint的lora训练。
1.1 txt2img+lora
1.1 img2img_inpaint+lora ?
2.kohya-ss版本，也是很流行的lora训练脚本
基于diffusers做了二次封装，提供了不少工具和不同类别的lora，不过也没有提供inpaint模型的训练，issues中有人提了，作者说后续会考虑跟进，这个版本的模型可以直接是webui形式，不需要先转成huggingface格式。
https://github.com/kohya-ss/sd-scripts/issues/502
3.lora
GitHub - cloneofsimo/lora: Using Low-rank adaptation to quickly fine-tune diffusion models.
这个版本支持inpaint版本，也是基于diffusers做二次封装
4.lora-scripts
https://github.com/Akegarasu/lora-scripts
秋叶，继承自sd-scripts，做了封装，有了webui。
5.LyCORIS
https://github.com/KohakuBlueleaf/LyCORIS
支持各种各样的lora，而且有专门的lora加载器，可以添加到kohya版本中，训练方法可以嵌入在