# Vagas na Hugging Face [Hugging Face Jobs](https://huggingface.co/docs/hub/jobs) roda em GPUs da Hugging Face, então você não precisa configurar uma máquina, e a execução continua mesmo se você fechar o terminal. Os scripts de treinamento do Diffusers rodam nos Jobs diretamente da URL do GitHub, sem a necessidade de clonar o repositório ou instalar algo localmente. Antes de começar, siga o [Jobs quickstart](https://huggingface.co/docs/hub/jobs-quickstart) para instalar o CLI `hf`, fazer login e adicionar créditos à sua conta. ## Treinar um LoRA em Jobs O comando abaixo treina um LoRA para [FLUX.2-klein-4B](https://huggingface.co/black-forest-labs/FLUX.2-klein-4B) com as cinco fotos de cachorro em [diffusers/dog-example](https://huggingface.co/datasets/diffusers/dog-example). Ele roda em um único A10G e envia o LoRA para o seu namespace no Hub. ```bash # 20 steps is a test run. For a real run, raise --max_train_steps # (the FLUX.2 README uses 500) and --timeout to match. hf jobs uv run --flavor a10g-small --timeout 30m -s HF_TOKEN -- \ https://raw.githubusercontent.com/huggingface/diffusers/main/examples/dreambooth/train_dreambooth_lora_flux2_klein.py \ --pretrained_model_name_or_path black-forest-labs/FLUX.2-klein-4B \ --dataset_name diffusers/dog-example \ --instance_prompt "a photo of sks dog" \ --resolution 512 --mixed_precision bf16 --guidance_scale 1 \ --gradient_checkpointing --cache_latents \ --optimizer adamW --use_8bit_adam --learning_rate 1e-4 \ --max_train_steps 20 --seed 0 \ --output_dir /tmp/out \ --push_to_hub --hub_model_id your-username/klein-dog-lora ``` `uv` instala as dependências listadas no cabeçalho `# /// script` do script, incluindo o Diffusers a partir do `main`. Os Jobs não recebem um token do Hugging Face por padrão, portanto `-s HF_TOKEN` encaminha o seu para permitir que o script faça o push do LoRA. O disco do Job é descartado quando o Job termina, e qualquer coisa que você não fizer push será perdida. Os guias de [DreamBooth](./dreambooth) e [LoRA](./lora) explicam os argumentos de treinamento. ## Gerenciando um Job Os logs de treinamento são exibidos no seu terminal enquanto o Job está em execução. Fechar o terminal ou pressionar `Ctrl+C` não interrompe o treinamento, pois o Job é executado nos servidores da Hugging Face. Para iniciar uma execução longa sem ocupar seu terminal, adicione `-d` antes de `--`. O comando exibe o ID do Job e retorna. Use o ID do Job para se reconectar aos logs, verificar a memória e a utilização da GPU durante o treinamento do modelo, ou interromper uma execução. ```bash hf jobs logs -f hf jobs stats hf jobs cancel ``` Se a execução falhar, `hf jobs inspect ` exibe a mensagem de erro. Consulte [Gerenciar Jobs](https://huggingface.co/docs/hub/jobs-manage) para os outros comandos. ## Treine com suas próprias imagens Para treinar com suas imagens, monte a pasta delas no Job com `-v` e passe o caminho de montagem para `--instance_data_dir` em vez de `--dataset_name`. O Jobs faz o upload da pasta para um bucket privado antes de o Job iniciar e a monta somente para leitura. Fazer o upload da mesma pasta novamente envia apenas arquivos novos ou alterados. ```bash hf jobs uv run --flavor a10g-small --timeout 30m -s HF_TOKEN \ -v ./my-dog:/data -- \ https://raw.githubusercontent.com/huggingface/diffusers/main/examples/dreambooth/train_dreambooth_lora_flux2_klein.py \ --pretrained_model_name_or_path black-forest-labs/FLUX.2-klein-4B \ --instance_data_dir /data \ --instance_prompt "a photo of sks dog" \ --resolution 512 --mixed_precision bf16 --guidance_scale 1 \ --gradient_checkpointing --cache_latents \ --optimizer adamW --use_8bit_adam --learning_rate 1e-4 \ --max_train_steps 20 --seed 0 \ --output_dir /tmp/out \ --push_to_hub --hub_model_id your-username/klein-dog-lora ``` O script abre todos os arquivos em `--instance_data_dir` como imagens, portanto, mantenha apenas imagens na pasta. Um arquivo oculto, como `.DS_Store`, faz a execução falhar. Consulte [Local directories](https://huggingface.co/docs/hub/jobs-configuration#local-directories) para mais informações sobre o montamento de uma pasta. Com `--with_prior_preservation`, o script gera as imagens de classe em `--class_data_dir` antes do início do treinamento. Aponte-o para um caminho em que o Job possa gravar. Para reutilizar as imagens de classe em execuções posteriores, coloque-as em um bucket montado com leitura e gravação, como o de [Salvar checkpoints para execuções longas](#save-checkpoints-for-long-runs). ## Treinar em FP8 Os scripts de DreamBooth LoRA para FLUX.2, Z-Image, Ideogram 4 e Krea 2 aceitam `--do_fp8_training` para treinar em FP8 com [torchao](https://github.com/pytorch/ao), o que reduz o uso de memória. Nenhum cabeçalho de script inclui o torchao, portanto, adicione `--with torchao` antes de `--`. O FP8 também requer uma GPU com capacidade de computação 8.9 ou superior, como uma L4 (`l4x1`) ou L40S (`l40sx1`). As A10G (8.6) e A100 (8.0) não têm suporte a isso. ## Execute um script sem um cabeçalho de dependência Apenas os scripts em [examples/dreambooth](https://github.com/huggingface/diffusers/tree/main/examples/dreambooth) e [examples/advanced_diffusion_training](https://github.com/huggingface/diffusers/tree/main/examples/advanced_diffusion_training) declaram suas dependências em um bloco `# /// script` no topo do arquivo. Alguns scripts nessas pastas, como `train_dreambooth_lora_sdxl.py`, não possuem um. Para um script sem cabeçalho, passe cada dependência com `--with`. Instale o Diffusers a partir do código-fonte, pois os scripts de treinamento exigem a versão de desenvolvimento. As outras dependências vêm do arquivo `requirements.txt` do script e de seus imports. ```bash hf jobs uv run --flavor a10g-small --timeout 30m -s HF_TOKEN \ --with "diffusers @ git+https://github.com/huggingface/diffusers.git" \ --with torch --with torchvision --with accelerate --with transformers \ --with peft --with datasets --with bitsandbytes \ --with ftfy --with tensorboard --with Jinja2 -- \ https://raw.githubusercontent.com/huggingface/diffusers/main/examples/dreambooth/train_dreambooth_lora_sdxl.py \ --pretrained_model_name_or_path stabilityai/stable-diffusion-xl-base-1.0 \ --pretrained_vae_model_name_or_path madebyollin/sdxl-vae-fp16-fix \ --dataset_name diffusers/dog-example \ --instance_prompt "a photo of sks dog" \ --resolution 1024 --mixed_precision fp16 \ --gradient_checkpointing --use_8bit_adam --learning_rate 1e-4 \ --max_train_steps 20 --seed 0 \ --output_dir /tmp/out \ --push_to_hub --hub_model_id your-username/sdxl-dog-lora ``` ## Salvar checkpoints para execuções longas Uma execução que leva horas pode expirar ou falhar antes de terminar. Para preservar o progresso, monte um [Storage Bucket](https://huggingface.co/docs/hub/storage-buckets) no Job com `-v` e aponte `--output_dir` para ele. Crie o bucket primeiro com `hf buckets create`. O script salva uma pasta `checkpoint-` em `--output_dir` a cada `--checkpointing_steps` passos (500 por padrão), de modo que os checkpoints são enviados para o bucket conforme o treinamento avança. `--checkpoints_total_limit` limita a quantidade mantida. `--resume_from_checkpoint latest` retoma a partir do checkpoint mais recente em `--output_dir` e inicia do zero se não houver nenhum, de modo que o mesmo comando funciona para a primeira execução e para cada reinício. ```bash hf jobs uv run --flavor a10g-small --timeout 8h -s HF_TOKEN \ -v hf://buckets/your-username/checkpoints:/ckpt -- \ https://raw.githubusercontent.com/huggingface/diffusers/main/examples/dreambooth/train_dreambooth_lora_flux2_klein.py \ --pretrained_model_name_or_path black-forest-labs/FLUX.2-klein-4B \ --dataset_name diffusers/dog-example \ --instance_prompt "a photo of sks dog" \ --resolution 1024 --mixed_precision bf16 --guidance_scale 1 \ --gradient_checkpointing --cache_latents \ --optimizer adamW --use_8bit_adam --learning_rate 1e-4 \ --max_train_steps 5000 --seed 0 \ --checkpointing_steps 500 --checkpoints_total_limit 3 \ --resume_from_checkpoint latest \ --output_dir /ckpt/klein-dog ``` Quando o treinamento termina, o LoRA é salvo no bucket como `pytorch_lora_weights.safetensors`. Consulte [Volumes](https://huggingface.co/docs/hub/jobs-configuration#volumes) para as opções de montagem. > [!NOTE] > Não adicione `--push_to_hub` quando `--output_dir` contiver checkpoints. O upload ignora apenas as pastas `step_*` e `epoch_*`, de modo que as pastas `checkpoint-` são enviadas para o repositório do modelo junto com o LoRA. Envie o `pytorch_lora_weights.safetensors` para um repositório de modelo por sua conta. ## Próximas etapas - Leia [Train Models on Jobs](https://huggingface.co/docs/hub/jobs-training) na documentação do Hub para saber quais verificações executar antes de um trabalho longo e como ler um trabalho que falhou. - Carregue seu LoRA treinado para inferência com o guia [LoRA](../tutorials/using_peft_for_inference). - Consulte os [arquivos README do DreamBooth](https://github.com/huggingface/diffusers/tree/main/examples/dreambooth) para obter comandos e opções de memória específicos do modelo.