Calculateur de Buckets pour l'Entraînement d'IA ｜ Optimisation des Ratios pour Stable Diffusion

Ce calculateur en ligne est un outil d'analyse destiné aux développeurs et créateurs de modèles d'IA (LoRA, Dreambooth, Fine-tuning). Il permet de répartir automatiquement et instantanément une liste de résolutions d'images dans les "buckets" (catégories de ratios d'aspect) standards de Stable Diffusion 1.5 et SDXL.

💡 Présentation de l'outil

Lors de la préparation d'un dataset (jeu de données) pour l'entraînement d'un modèle de génération d'images, il est crucial d'organiser les images selon leurs ratios d'aspect pour éviter les recadrages destructifs. Cet outil simplifie cette étape d'ingénierie des données.

• Classification algorithmique précise : Le script calcule le ratio d'aspect de chaque image et utilise la différence logarithmique pour l'attribuer au bucket le plus proche mathématiquement.
• Double standard pris en charge : Passez facilement du système de buckets de SD 1.5 (optimisé pour 512px) à celui de SDXL (optimisé pour 1024px).
• Flexibilité des formats d'entrée : L'outil reconnaît automatiquement divers séparateurs courants (512,512, 800x600, ou 1920 1080).
• Visualisation par histogramme : Identifiez d'un simple coup d'œil les déséquilibres dans votre dataset grâce aux barres de progression dynamiques calculées par rapport à la valeur maximale.
• Sécurité et confidentialité : Vos données de résolutions sont traitées uniquement en local dans votre navigateur. Aucune information n'est envoyée vers un serveur externe, garantissant une conformité totale avec le RGPD.

🧐 Foire aux questions (FAQ)

Q. Pourquoi est-il indispensable de vérifier la distribution des buckets avant l'entraînement ?

A. Un dataset performant nécessite une distribution stratégique des ratios d'aspect. Si la quasi-totalité de vos images d'entraînement se concentre dans un seul bucket (par exemple 1:1), le modèle risque de perdre sa capacité latente à générer des compositions variées (comme des portraits verticaux ou des paysages panoramiques) et souffrira d'overfitting (surajustement) sur le format carré.

Q. Comment le calculateur gère-t-il les résolutions qui ne correspondent pas exactement aux dimensions affichées ?

A. L'outil ne se limite pas à comparer des dimensions strictes. Il évalue le ratio d'aspect réel (largeur divisée par hauteur) de votre saisie, puis calcule la variance par rapport aux ratios idéaux des buckets prédéfinis. L'image est assignée au bucket présentant la plus faible différence logarithmique, ce qui reproduit fidèlement le comportement des scripts de préparation de données (comme Kohya_ss).

📚 Les fondamentaux du "Bucketing" dans l'IA générative

La technique du "bucketing" (mise en seaux) a été initialement introduite et popularisée par l'équipe de NovelAI pour pallier les limitations des premières architectures de Stable Diffusion, qui forçaient le redimensionnement de toutes les images en carrés stricts (512x512). En regroupant les images par ratios similaires et en ajustant dynamiquement la résolution d'entraînement (par exemple 768x320 pour un format panoramique), on préserve l'intégrité de la composition originale sans avoir recours à un recadrage arbitraire ou à l'ajout de bandes noires (padding).

Comment évaluer vos résultats avec cet outil : Lors de l'analyse de votre dataset, visez une couverture cohérente avec l'objectif final de votre modèle. Par exemple, si vous entraînez un modèle spécialisé dans la photographie de mode, assurez-vous qu'une proportion significative de vos données tombe dans les buckets verticaux, tels que 7:9 ou 13:19 (pour SDXL : 896x1152 ou 832x1216). Si votre histogramme montre plus de 80% des images dans un seul bucket, il est fortement recommandé d'enrichir votre dataset avec des formats alternatifs pour garantir la flexibilité de génération de votre LoRA ou Checkpoint.