← Terug naar bloglijst · 2026.07.31
Zo stel je tagcaptions samen voor je LoRA-trainingsdataset
Bij het trainen van een LoRA is de caption (taglijst) net zo bepalend voor de kwaliteit van het resultaat als de afbeelding zelf. Hoe je de tags ordent, bepaalt welke kenmerken het model als "te leren eigenschap" beschouwt en welke als "vaste waarde" wordt genegeerd. Hieronder staan richtlijnen om de ruwe tags uit het image-tagger-model om te vormen tot bruikbare trainingscaptions.
1. Character LoRA versus Style LoRA: verschillende captionstrategieën
Voor een Character LoRA, die een specifiek personage traint, is het gebruikelijk om vaste kenmerken die het personage altijd heeft (haarkleur, oogkleur, een bepaald kapsel, enz.) juist uit de caption te laten. Als je ze erin laat staan, kan het model te sterk leren dat "dit personage = alleen dit kapsel", waardoor het later moeilijker wordt om andere kapsels te genereren. Tags die per afbeelding verschillen, zoals pose, outfit en gezichtsuitdrukking, laat je juist staan, zodat het model leert dat dit variabele elementen zijn en geen deel van de identiteit van het personage.
Een Style LoRA werkt juist andersom. Personage, compositie en outfit laat je gedetailleerd in de caption staan, terwijl tags die de tekenstijl zelf beschrijven (bijvoorbeeld kleurgebruik, lijnstijl) je juist verwijdert, zodat het model het sterke signaal krijgt dat "deze stijl altijd zo wordt getekend".
2. Indelen per categorie maakt het beoordelen makkelijker
De tags die het image-tagger-model produceert, staan allemaal door elkaar op één regel, waardoor het best lastig is om te bepalen welke tags je moet houden of verwijderen. Met de "Weergave per categorie" van AnimeTag-AI wordt dezelfde taglijst automatisch onderverdeeld in Basic, Uiterlijk, Outfit, Pose, Props, Achtergrond en Overig, waardoor je beslissingen zoals "dit is een Character LoRA, dus verwijder de hele categorie Uiterlijk en houd alleen Outfit, Pose en Achtergrond" veel sneller op categorieniveau kunt nemen.
3. 3 criteria om overbodige tags te filteren
- Tags gerelateerd aan beeldkwaliteit/watermerk — tags zoals
watermark,signatureenlowresdragen niet bij aan de training en worden verwijderd. - Tags met een lage betrouwbaarheid — door de Threshold iets te verhogen, kun je twijfelachtige tags (0,3 of lager) al bij voorbaat uit de lijst laten, wat opruimtijd bespaart.
- Tags die niets met het doel te maken hebben — als je verschillende achtergronden wilt kunnen genereren, houd dan de achtergrondtags aan; als je altijd dezelfde compositie gebruikt, verwijder dan de compositietags, afhankelijk van je doel.
4. Voorbeeld van een praktische workflow
1) Upload een afbeelding naar AnimeTag-AI om tags te extraheren → 2) Stel de Threshold in op ongeveer 0,3-0,4 om ruistags in een eerste ronde te filteren → 3) Schakel over naar "Weergave per categorie" om categorieën die niet passen bij het LoRA-doel in hun geheel te beoordelen → 4) Klik op chips om individuele tags te verwijderen en gebruik "Prompt kopiëren" om de definitieve caption over te nemen. Wil je alleen een bestaande taglijst opruimen zonder afbeelding? Plak deze dan in de tag-analysetool — deze wordt op dezelfde manier per categorie geordend.