Дизайн и маркетинг

Как агентство перешло с Midjourney на свою LoRA и сократило расходы на графику в 4 раза

Как софтверное агентство обучило Stable Diffusion LoRA на брендовых иллюстрациях клиента, задеплоило API и сократило расходы на графику в 4× по сравнению с Midjourney.

Дисклеймер. Кейс выполнен агентством Nomadic Soft — разработчиком CloudCompute.ru. Конечный клиент агентства анонимизирован по условиям NDA. Все цифры — из реального проекта.

Контекст

Исполнитель: Nomadic Soft — софтверное агентство, специализирующееся на продуктовой разработке для SMB.

Клиент агентства: SaaS-продукт в сегменте B2B-маркетинга.

Задача клиента: 200+ иллюстраций в месяц в едином визуальном стиле для блога, email-рассылок и маркетинговых материалов.

Что использовали до этого: Midjourney Team Plan, ~$100/мес. Проблемы:

Стиль нестабилен — каждое изображение требовало ручной проверки и нередко реджекта
Ручная селекция занимала ~5 часов в неделю
Нет API — невозможно интегрировать в CMS для автоматической генерации
Проприетарная лицензия — ограничения на коммерческое использование неоднозначны

Требования

Клиент сформулировал четыре критерия:

Консистентный стиль. Конкретные бренд-цвета, манера линий, характерная палитра — каждое изображение должно выглядеть частью одного набора.
Коммерческая лицензия. Базовая модель с MIT/Apache лицензией — без юридических рисков при коммерческом использовании.
API. REST-эндпоинт для интеграции в CMS клиента — автоматическая генерация обложек по заголовку статьи.
Стоимость < $100/мес. Включая compute, storage и обслуживание — не дороже текущего Midjourney.

Решение: стек

После оценки требований агентство выбрало следующий стек:

Компонент	Выбор	Почему
Базовая модель	SDXL	MIT-лицензия, зрелая экосистема, отличное качество при 1024×1024
Тренировка	Kohya's GUI + LoRA rank 32	Визуальный интерфейс, стабильные результаты, быстрый цикл итераций
Inference	ComfyUI API + FastAPI wrapper	Гибкие воркфлоу, поддержка LoRA hotswap, batch-обработка
Хостинг	CloudCompute.ru, RTX 4090	24 ГБ VRAM достаточно для SDXL + LoRA, оптимальная цена/производительность

Процесс: по дням

День 1 — Подготовка датасета

80 референсных изображений от клиента: иллюстрации из текущих материалов, отобранные как эталон стиля
Ручной caption через BLIP-2 + дочистка — каждое изображение получило текстовое описание с trigger-словом [brandstyle]
Подготовка regularization images — 200 изображений из общего датасета SDXL в похожих тематиках, но без целевого стиля (предотвращает concept bleeding)
Финальная структура:

dataset/
  instance/
    img_001.png
    img_001.txt  # "Иллюстрация [brandstyle], минималистичный офис, голубые тона, мягкие тени"
    img_002.png
    img_002.txt
    ...
  regularization/
    reg_001.png
    reg_001.txt  # "Иллюстрация, офисное пространство, нейтральные тона"
    ...

Время: 6 часов работы дизайнера

День 2 — Тренировка

Запустили шаблон Kohya на CloudCompute.ru с RTX 4090.

Ключевые параметры:

[model]
pretrained_model = "stabilityai/stable-diffusion-xl-base-1.0"
vae = "madebyollin/sdxl-vae-fp16-fix"

[network]
network_module = "networks.lora"
network_dim = 32        # rank
network_alpha = 16      # alpha = rank/2

[training]
resolution = "1024,1024"
train_batch_size = 1
max_train_epochs = 10
learning_rate = 1e-4
lr_scheduler = "cosine"
optimizer_type = "AdamW8bit"
mixed_precision = "bf16"

[save]
save_every_n_epochs = 2
save_model_as = "safetensors"

[dataset]
train_data_dir = "/workspace/dataset/instance"
reg_data_dir = "/workspace/dataset/regularization"

Одна итерация: ~3 часа GPU × ₽/час = ₽
4 итерации (эксперименты с learning rate и rank): ~12 часов GPU
Общая стоимость тренировки: ₽

День 3 — Inference API

Задеплоили ComfyUI на CloudCompute.ru с загруженной LoRA:

ComfyUI с workflow для batch-генерации: текстовый промпт → SDXL + LoRA → upscale → сохранение
FastAPI wrapper — REST API поверх ComfyUI:
- POST /generate — генерация изображения по промпту
- GET /status/{job_id} — статус задачи
- GET /result/{job_id} — скачивание результата
Очередь через Redis — буферизация запросов, batch-обработка по 4 изображения
Деплой на interruptible RTX 4090 — скидка ~50% по сравнению с on-demand
Scale-to-zero — инстанс останавливается при отсутствии запросов, запускается автоматически при новых задачах

Результат в цифрах

Метрика	До (Midjourney)	После (LoRA + CloudCompute)
Стоимость в месяц	$100	~$25 (compute)
Время ручной селекции	5 ч/неделю	< 1 ч/неделю
Стилистическая консистентность	Нестабильная	Высокая (trigger word)
API-доступ	Нет	REST API
Лицензия	Проприетарная Midjourney	MIT (SDXL)
Скорость генерации	~30 сек/изображение	~8 сек/изображение (RTX 4090)

Разовая инвестиция на обучение: ₽ (~12 часов GPU + 6 часов работы дизайнера + 4 часа работы ML-инженера).

Окупаемость: ~1.5 месяца. После этого — чистая экономия $75/мес по сравнению с Midjourney, плюс API и полный контроль над стилем.

Технические подробности

Inference API: ключевые эндпоинты

from fastapi import FastAPI, BackgroundTasks
from comfy_api import ComfyUIClient

app = FastAPI()
comfy = ComfyUIClient("http://localhost:8188")

@app.post("/generate")
async def generate(prompt: str, background_tasks: BackgroundTasks):
    job_id = await comfy.queue_prompt(
        workflow="brand_style_v1",
        inputs={
            "prompt": f"[brandstyle] {prompt}",
            "negative_prompt": "blurry, low quality, watermark",
            "steps": 30,
            "cfg_scale": 7.0,
            "width": 1024,
            "height": 1024,
        }
    )
    return {"job_id": job_id, "status": "queued"}

@app.get("/result/{job_id}")
async def result(job_id: str):
    return await comfy.get_result(job_id)

Мониторинг

nvidia-smi в фоне для отслеживания GPU utilization
Метрики через Prometheus: GPU utilization, queue depth, generation latency
Алерты при GPU utilization < 10% более 30 минут (сигнал к scale-down)

Обработка cold-start на interruptible

Interruptible-инстансы могут быть остановлены провайдером. Решение:

Веса LoRA хранятся в persistent storage (~150 МБ)
При запуске инстанса: автоматическая загрузка весов + прогрев одним тестовым запросом
Время cold-start: ~90 секунд (загрузка SDXL + LoRA + один прогон)

Что не сработало с первого раза

Не все итерации были удачными. Вот что пришлось исправлять:

Overfitting на epoch 15+. Первый запуск шёл 20 epochs — модель запомнила тренировочные данные и перестала генерализовать. Откат на 10 epochs решил проблему. Визуально: изображения начинали повторять точные композиции из датасета.

Слишком низкий learning rate. LR 1e-5 дал блеклые, «размытые» цвета — модель недоучилась. LR 1e-4 дал яркую, консистентную палитру. Для SDXL LoRA оптимальный диапазон — 5e-5 ... 2e-4.

Rank 64 не дал прироста. Попробовали увеличить rank с 32 до 64 — качество не выросло, а размер весов удвоился (150 МБ → 300 МБ) и inference замедлился. Rank 32 — оптимум для задач стилизации.

Concept bleeding из-за regularization images. Первая итерация использовала regularization-изображения слишком похожие на целевой стиль. Модель не могла отличить «что учить» от «что игнорировать». Решение: regularization-изображения должны быть из той же тематики, но визуально непохожие на целевой стиль.

Когда этот подход не подходит

Не для каждого проекта LoRA — правильный ответ:

Менее 50 референсных изображений. Результат нестабильный — модели не хватает данных для обобщения стиля. Минимум — 50, оптимум — 80–150.
Более 500 разных стилей. Если у каждого клиента свой стиль, нужно обучать отдельную LoRA для каждого — или рассматривать full fine-tune.
Фотореалистичные лица. Генерация лиц реальных людей несёт IP-риски и требует отдельного согласия. LoRA на иллюстрациях — безопасный сценарий.
Гарантированный SLA. Interruptible-инстансы не подходят для mission-critical API. Используйте on-demand — но стоимость вырастет в ~2×.

Что использовано

Полный стек ссылок на материалы CloudCompute.ru:

Повторить у себя

Этот кейс воспроизводим. Вот что нужно:

80+ изображений в целевом стиле
RTX 4090 на CloudCompute.ru (12 часов на эксперименты)
Шаблон Kohya — запускается в один клик

Запустить шаблон Kohya →

Посмотреть цены на GPU →

Есть вопросы по вашему проекту? Напишите нам — поможем оценить стоимость и подобрать конфигурацию.