Entrainement d'un Lora SDXL sur pc Intel Ultra 7 série 2 et carte Arc
Spoiler : à l’heure de mes tests (janvier 2026), il n’existe aucune solution fiable pour entraîner un LoRA SDXL sur un PC équipé uniquement de matériel Intel. La génération d’images fonctionne, mais l’entraînement reste hors de portée. La seule alternative pratique consiste à utiliser une machine distante. Civitai propose une solution accessible sans compétences techniques. Pour un contrôle total, il est possible de déployer un pod GPU dédié : la différence de performance est considérable. Sur mon PC Intel (32 Go RAM, 16 Go VRAM, Arc 140T), pour un entraînement avec 100 images, si ca avait été techniquement possible, aurait pris une nuit ; sur un A100SXM, il se termine en une 40aine de minutes. Un pod se configure comme un petit serveur : connexion, installation des outils, lancement de l’entraînement. La plupart des fournisseurs offrent quelques dollars de crédit pour tester. Face aux limites de l’écosystème Intel et à la dégradation de la qualité des images générées après les mises à jour des drivers Intel Ultra et NPU du mois d'aout 2026, j’ai décidé de braver l'interdit et mettre à disposition de tous, un guide clair et accessible pour accompagner ceux qui souhaitent entraîner un LoRA SDXL dans de bonnes conditions (puisque même Intel n'en a plus rien à faire, moi aussi mais pas de la même manière). Entrainement d'un Lora en 10 étapes sur un pod type A100SXM 80Go avec kohya-ss:sd-scripts - version pour les nuls Ce tuto nécessite les outils suivants (instalation détaillée un peu plus bas) : Outil de transfert sftp comme WinSCP Outil de génération de clé privée/publique comme PuttyGen Compte runpod.io Notepad++ pour lire et éditer plus facilement le fichier conf //optionnel 1. Préparation du dataset (images + fichiers captions) Pour chaque image, prévoir un fichier *.txt du même nom qui contient les mots clés importants qui la caractérise. Idéalement, le premier mot clé doit être votre triggerWord (le mot que vous utiliserez dans comfy, dans votre prompt pour faire appel à votre Lora). Cela représente pas mal de boulot, il existe des solutions qui peuvent détecter ce qu'il y a sur l'image et générer des listes de mots clés mais avec une conf full Intel, personnellement, je n'ai pas encore trouvé de solution viable. Il existe aussi des sites internet où l'on peut télécharger ses photos (une à la fois) pour générer la liste des mots clés, peut s'avérer pratique mais moins personnalisé. Pour SDXL, préférez des mots clés en anglais mais rien n'empeche d'utiliser des mots en Français, c'est juste moins bien interprété lorrsque vous générerez vos images plus tard. Par exemple imagedescriber.online J'ai donc créé une petite page web rapide, téléchargeable ici , il suffit de double cliquer dessus et de l'ouvrir dans votre naviguateur, cela permet de sélectionner le dossier avec les images à traiter, et de rajouter des mots clés pour chaque image plus facilement et rapidement, une fois qu'on a fini d'ajouter les mots clés, on sauvegarde et ca génère le fichier *.txt du même nom dans le dossier de l'image. Si un mot clé a déjà été saisi, il n'y a pas besoin de le resaisir sur la prochaine image, juste de cliquer dessus pour l'ajouter, ca permet de gagner un petit peu de temps (fonctionne tant que l'on ne ferme pas la page web ou qu'on ne fait pas de F5). C'est un fichier un peu basique mais ca peut dépanner, après chacun ses petites techniques. Pour du SDXL, je recommande un format carré en 1024x1024px (SDXL génére des images de 1024px max de large, créer un lora à partir d'une définition supérieur ne servirai pas, et en dessous ca ne serait pas suffisant). Lorsque vous aurez créez vos premiers Lora et commencerez à approfondir, vous verrez que l'on peut générer des Lora plutôt orientés personnages (pour générer des images avec la tête de votre mari par exemple) et d'autres plutôt orienté style (pour générer des images avec un ciel rouge si vous entrainez votre Lora avec des images aux cieux rouges), et qu'ainsi, les fichiers de conf varient toujours d'un projet à l'autre. Vous comprendrez aussi qu'on n'entraine pas de la même manière un Lora avec des images personnelles (des photos de vacances par exemple) qu'avec des images générées avec un modele SDXL. Dans mon exemple, je pars sur l'entrainement d'un modèle à partir d'images générées avec SDXL. On le verra plus loin, il faudra sélectionner le modele SDXL utilisé pour générer ces images. Donc, il faut prévoir de travailler votre Lora avec un dossier d'images générées à partir du même modèle SDXL . 2. Préparation du fichier de configuration accelerate (conf.toml) Le fichier de configuration contient beaucoup de paramètres. Très variables en fonction du nombre d'images que vous allez traiter et de ce que vous visez (personnage ou style). Il faut bidouiller un peu pour se familiariser avec tous ces paramètres et tester pour se faire une idée. Pour commencer, ca peut être intéressant de demander un coup de main à Copilot ou ChatGPT pour vous aider à paramétrer le fichier en fonction du nombre d'images que vous avez à traiter et vous expliquer un peu à quoi sert chaque paramètres (il existe aussi quelques sites internet avec des infos à ce sujet, pas beaucoup en français). Je vous laisse un fichier en exemple, dans son jus (avec mes petits commentaires perso pour m'y retrouver), il fonctionne avec un set de 100 images 1024x1024 générées avec le modele SDXL albedo, l'ancienne version, la 2.0. -> Fichier conf.toml téléchargeable ici. -> Remplacer dans le fichier myTriggerWord par le premier mot clé spécifié dans vos fichiers *.txt : class_tokens = "myTriggerWord" -> Et remplacer le nom du modele "albedobasexl_v20.safetensors" avec le votre : pretrained_model_name_or_path = "/workspace/models/albedobasexl_v20.safetensors" 3. Installation de WinSCP & de PuttyGen -> download & install : https://winscp.net/eng/downloads.php -> download & install : https://winscp.net/eng/downloads.php#putty -> création de la clé publique avec puttyGen : Dans PowerShell (remplacer "user" par votre nom d'utilisateur windows : ssh-keygen -t ed25519 -f C:\Users\"user"\.ssh\runpod_new Appuyez sur Entrée, quand il demande un passphrase (ne rien mettre) Cela crée : runpod_new (clé privée) runpod_new.pub (clé publique) Vérifiez dans C:\Users\"user"\.ssh\ que les deux fichiers existent 4. Création d'un compte Runpod, paramétrage de la clé publique -> Accédez à runpod en utilisant ce lien et créer un compte, éventuellement mettre un peu de crédit, ca dépend de la puissance du pod utilisé, de son prix, du nombre d'images à traiter, de la vitesse qu'il vous faut pour paramétrer votre pod, bien entrainée, pour 60 images 1024px à traiter, cela me coute moins de 3 euros si je ne suis pas d'humeur à être patiente. Utilisez ce lien pour accéder au site, cela vous rapportera 5$ de crédit pour entrainer votre premier lora et me rapportera également 5$ pour pouvoir faire plus de tests et vous proposer plus de contenu : runpod.io *Je ne suis pas rémunérée pour faire ce type de tutoriel -> après création d'un compte, il faut paramétrer la clé publique pour pouvoir vous connecter en ftp au pod et télécharger des fichiers entre votre pod et votre pc. Dans Runpod → User → Credentials → SSH Keys → Add SSH Key Ouvrir runpod_new.pub avec le bloc note Copier TOUT le contenu (commence par ssh-ed25519) Et le coller dans le champ Key (mettre n'importe quel title) dans Runpod → Add SSH Key -> préparation de la clé privé pour pouvoir l'importer dans winscp lorsque le pod sera démarré : Ouvrir PuTTYgen (probablement dans C:\Users\"user"\AppData\Local\Programs\WinSCP\PuTTY) → File → Load → sélectionne runpod_new (Mets “All files (.)” pour voir le fichier) Charger runpod_new (clé privée) Ne pas mettre de passphrase Cliquer sur Save private key → et nommer runpod_new.ppk Placez ensuite le .ppk dans C:\Users\"user"\.ssh\ 5. Initialisation du pod -> Sélectionnez le pod A100SXM (80GB VRAM - 117GB RAM - 16vCPU ) avec la conf : runpod/pytorch:2.4.0-py3.11-cuda12.4.1-devel-ubuntu22.04 C'est, à l'heure d'aujourd'hui, le meilleur rapport prix/ super puissance. A noter que d'une conf à l'autre, en fonction des drivers de la machine, les commandes pour installer tous les outils nécessaires varient pas mal, donc ce qui suit s'applique à cette machine mais peut être pas à une autre. Peut être d'autres conf à venir si j'ai du temps et du crédit pour m'entrainer (ca m'a pris deux jours à trouver la bonne conf pour ce pod, ce n'est pas mon domaine d'expertise à la base). Pour la configuration faites simple, 1 GPU, On demand, pas besoin de Jupyter notebook, Storage configuration en "Volume disk", 20GB. *Le pod n'a pas vocation à vivre très longtemps, pour que ca reste financièrement accessible pour un usage amateur non commercial, je crée mes pods à la volée quand j'ai un set d'images pret à être entrainé et je le supprime dès que le lora est généré (ca évite de payer pour rien l'hébergement d'un pod inutilisé). Vous pouvez ensuite lancer le pod, après quelques secondes, le temps qu'il se charge, vous pourrez activer le Web terminal : "Enable web terminal" et cliquez juste en dessous sur "Open web terminal", cela ouvrira une seconde page avec un terminal où vous pourrez passer les commandes ci-dessous pour parametrer votre pod. A noter juste au dessus de Web terminal, la section "SSH over exposed TCP", c'est ici que vous trouverez ici l'adresse de votre pod pour vous connecter en sftp avec winSCP et y télécharger vos images, cela vous sera utile un peu plus tard. 6. Création des dossiers sur le pod Donc, cliquez sur Open web terminal, puis pour chaque ligne de commandes, faites un ctr+C puis, sur la page du terminal, clic droit et >Coller, pressez ensuite la touche Entrée : mkdir -p /workspace/models mkdir -p /workspace/dataset mkdir -p /workspace/cache_latents mkdir -p /workspace/output mkdir -p /workspace/logs 7. Chargement des fichiers dans le pod avec Winscp -> connexion au pod avec winscp en sftp (à partir des infos située dans le champ SSH over exposed TCP, ca doit ressembler à << ssh root@157.157.221.29 -p 18629 -i "C:\Users\"user"\.ssh\runpod_key" >>: Host name : xxx.xx.xxx.xx Port number : xxxx User name : root Advanced → SSH → Authentication → Private key file : C:\Users\"user"\.ssh\runpod_new.ppk Connect Si la clé est correcte → connexion immédiate (ouvre une petite fenetre, il faut valider, ensuite ca se connecte) *Si WinSCP demande un mot de passe → la clé n’est pas celle de Runpod -> placez vos images & captions (mots clés) dans le dossier models : /workspace/models/1_myDataset -> placez votre fichier conf directement dans workspace : /workspace/conf.toml 8. Configuration du pod Executez ensuite les commandes suivantes dans le terminal : -> bascule sur un environnement virtuel apt update && apt install -y git wget unzip cd /root python3.11 -m venv venv source venv/bin/activate -> installation des fichiers torch pip install --upgrade pip setuptools wheel pip install torch==2.4.0 torchvision torchaudio --index-url https://download.pytorch.org/whl/cu124 //Tester que c'est bien installé (copier/coller tout le bloc d'un coup de python à EOF) : python - << 'EOF' import torch print("Torch:", torch.__version__) print("CUDA:", torch.version.cuda) print("GPU:", torch.cuda.get_device_name(0)) EOF //Doit afficher : Torch: 2.4.0+cu124 CUDA: 12.4 GPU: NVIDIA A100-SXM4-80GB -> installation de kohya-ss:sd-scripts Kohya‑ss, c’est l’outil de référence pour entraîner ou affiner des modèles de génération d’images type Stable Diffusion, surtout pour contrôler finement les paramètres et produire des LoRA. Compatible avec Stable Diffusion 1.5 / 2.x, SDXL, SD3 / SD3.5, Flux.1 (mais la façon de l'utiliser est différente, SDXL est a priori le plus compliqué et nécessite un setup machine plus complexe). Pour plus d'infos sur projet, cliquez ici. cd /root git clone https://github.com/kohya-ss/sd-scripts.git cd sd-scripts pip install -r requirements.txt -> installation d'accelerate Accelerate, c'est le moteur qui gère comment ton entraînement tourne sur ton GPU, ta VRAM, et tes optimisations . Kohya‑ss s’appuie dessus pour exécuter les scripts sd‑scripts. Pour en savoir plus, cliquez ici . Pour configurer Accelerate, répondre aux questions comme sur la capture d'écran suivante (no à tout, all à what GPU(s) et fp16 pour la mixed precision), cela générera un fichier de conf : default_config.yaml auquel nous ne toucherons pas. pip install accelerate accelerate config -> modification des droits d'accès aux dossiers chmod -R 777 /workspace/cache_latents chmod -R 777 /workspace/output chmod -R 777 /workspace/logs ls -ld /workspace/cache_latents //Doit afficher drwxrwxrwx … -> téléchargement du modèle SDXL (celui utilisé pour générer les images qui vont être utilisées pour entrainer le Lora) : cd /workspace/models wget "https://civitai.com/api/download/models/ 281176 ?type=Model&format=SafeTensor&size=pruned&fp=fp16" -O albedobasexl_v20.safetensors *remplacer l'id par celui du model utilisé pour générer les images de votre dataset (voir la page de téléchargement du modèle sur civitai. com, clic droit sur le bouton télécharger, copier le lien et récupérer l'id (mais attention, certains fichiers civitai nécessitent de passer un token à l'api, token à parametrer dans la section user de civitai et à ajouter à la fin de l'url "?token=4534543534". De plus dans l'url, on peut lire size=pruned, il peut y avoir une variante size=full en fonction de la compression du modele, sur civitai, sur la droite, dans l'encadré download, sous fp16 safetensor, il doit être écrit best balance (pruned) ou best balance, si c'est pruned, vous mettez pruned, si c'est pas pruned, bah vous mettez full : https://civitai.com/api/download/models/<ID>?type=Model&format=SafeTensor&size=pruned&fp=fp16 et remplacer le nom du fichier *.safetensor après -O -> fix quelques problèmes de versions de dépendances (pas ce qu'il y a de plus propre, mais ca fonctionne) : pip uninstall -y numpy opencv-python opencv-python-headless pip install "numpy<2" pip install opencv-python-headless==4.8.1.78 -> vérifier qu'accelerate fonctionne cd /root/sd-scripts accelerate launch sdxl_train_network.py --help // Doit afficher la liste des arguments à passer lorsque l'on fait appel à la fonction help d'accelerate 9. Entraînement du Lora (en passant les paramètres d'entrainements avec accelerate) accelerate launch sdxl_train_network.py --config_file /workspace/conf.toml --pretrained_model_name_or_path "/workspace/models/albedobasexl_v20.safetensors" --train_data_dir "/workspace/dataset" --caption_extension ".txt" --resolution 1024 --output_dir "/workspace/output" *remplacer conf.toml par le nom de votre fichier de conf placé dans le dossier workspace et albedobasexl_v20.safetensors par le nomDeVotreModeleSdxl.safetensors téléchargé un peu plus tôt. L'entrainement peut durer selon le nombre d'image à traiter, de leur définition et du nombre de passe de 20 minutes à 1h ou 2 sur ce type de conf. 10. Récupération du fichier LoRA généré ->dans winscp, télécharger le fichier : /workspace/output/last.safetensors Puis le placer dans le dossier Lora de votre logiciel de génération d'images et générez votre première image, dans mon cas : C:\Users\"user"\AppData\Local\Programs\AI Playground\resources\ComfyUI\models\loras\ Si vous avez le moindre problème, la moindre question, si des fichiers ne sont plus accessibles ou juste pour dire bonjour, utilisez le formulaire sur la page contact. À propos des contenus illégaux Juste pour être clair : les pods surveillent automatiquement les contenus illégaux . Ils disposent de scripts qui détectent et bloquent l’entraînement de LoRAs à partir d’images interdites (pédophilie, violence, exploitation, etc.). Donc n’essayez pas : c’est illégal, dangereux, vous risquez de perdre votre compte et vous retrouver fiché. Et franchement, arrêtez de pourrir les outils pour les autres : c’est à cause de ces dérives que les plateformes finissent par brider les modèles, même pour des usages parfaitement légaux. Résultat : des modèles de plus en plus limités et inintéressants. Bref : tenez-vous loin de ces pratiques. À propos du droit d’auteur Pour les artistes, illustrateurs, photographes ou créateurs en herbe : le droit à l’image et le droit d’auteur s’appliquent aussi à l’entraînement de LoRAs. Vous devez obtenir l’autorisation du photographe, de l’artiste ou du designer avant d’utiliser leurs images, que ce soit pour un usage commercial ou non commercial . 👉 Utilisez uniquement des images dont vous êtes sûr d’avoir les droits : - vos propres photos, dessins, peintures, créations ; - des images que vous avez générées vous-même et dont vous possédez les droits de réutilisation ; - des images très anciennes (70 ans après la mort du photographe → domaine public) ; - des images sous licence libre : CC0 (libre de droits) CC BY (réutilisation autorisée avec attribution) CC BY-SA Wikimedia Commons (selon licence) Unsplash (licence permissive) Pexels Pixabay
