This repository contains training, generation and utility scripts for Stable Diffusion.

Change History is moved to the bottom of the page. 更新履歴はページ末尾に移しました。

日本語版README

For easier use (GUI and PowerShell scripts etc...), please visit the repository maintained by bmaltais. Thanks to @bmaltais!

This repository contains the scripts for:

• DreamBooth training, including U-Net and Text Encoder
• Fine-tuning (native training), including U-Net and Text Encoder
• LoRA training
• Textual Inversion training
• Image generation
• Model conversion (supports 1.x and 2.x, Stable Diffision ckpt/safetensors and Diffusers)

Stable Diffusion web UI now seems to support LoRA trained by sd-scripts. Thank you for great work!!!

These files do not contain requirements for PyTorch. Because the versions of them depend on your environment. Please install PyTorch at first (see installation guide below.)

The scripts are tested with PyTorch 1.12.1 and 1.13.0, Diffusers 0.10.2.

Most of the documents are written in Japanese.

English translation by darkstorm2150 is here. Thanks to darkstorm2150!

• Training guide - common : data preparation, options etc...
  • Chinese version
• Dataset config
• DreamBooth training guide
• Step by Step fine-tuning guide:
• training LoRA
• training Textual Inversion
• Image generation
• note.com Model conversion

Python 3.10.6 and Git:

• Python 3.10.6: https://www.python.org/ftp/python/3.10.6/python-3.10.6-amd64.exe
• git: https://git-scm.com/download/win

Give unrestricted script access to powershell so venv can work:

• Open an administrator powershell window
• Type Set-ExecutionPolicy Unrestricted and answer A
• Close admin powershell window

Open a regular Powershell terminal and type the following inside:

git clone https://github.com/kohya-ss/sd-scripts.git
cd sd-scripts

python -m venv venv
.\venv\Scripts\activate

pip install torch==1.12.1+cu116 torchvision==0.13.1+cu116 --extra-index-url https://download.pytorch.org/whl/cu116
pip install --upgrade -r requirements.txt
pip install -U -I --no-deps https://github.com/C43H66N12O12S2/stable-diffusion-webui/releases/download/f/xformers-0.0.14.dev0-cp310-cp310-win_amd64.whl

cp .\bitsandbytes_windows\*.dll .\venv\Lib\site-packages\bitsandbytes\
cp .\bitsandbytes_windows\cextension.py .\venv\Lib\site-packages\bitsandbytes\cextension.py
cp .\bitsandbytes_windows\main.py .\venv\Lib\site-packages\bitsandbytes\cuda_setup\main.py

accelerate config

update: python -m venv venv is seemed to be safer than python -m venv --system-site-packages venv (some user have packages in global python).

Answers to accelerate config:

- This machine
- No distributed training
- NO
- NO
- NO
- all
- fp16

note: Some user reports ValueError: fp16 mixed precision requires a GPU is occurred in training. In this case, answer 0 for the 6th question: What GPU(s) (by id) should be used for training on this machine as a comma-separated list? [all]:

(Single GPU with id 0 will be used.)

Other versions of PyTorch and xformers seem to have problems with training. If there is no other reason, please install the specified version.

For Lion8bit, you need to upgrade bitsandbytes to 0.38.0 or later. Uninstall bitsandbytes, and for Windows, install the Windows version whl file from here or other sources, like:

pip install https://github.com/jllllll/bitsandbytes-windows-webui/raw/main/bitsandbytes-0.38.1-py3-none-any.whl

For upgrading, upgrade this repo with pip install ., and upgrade necessary packages manually.

For PagedAdamW8bit and PagedLion8bit, you need to upgrade bitsandbytes to 0.39.0 or later. Uninstall bitsandbytes, and for Windows, install the Windows version whl file from here or other sources, like:

pip install https://github.com/jllllll/bitsandbytes-windows-webui/releases/download/wheels/bitsandbytes-0.39.1-py3-none-win_amd64.whl

For upgrading, upgrade this repo with pip install ., and upgrade necessary packages manually.

When a new release comes out you can upgrade your repo with the following command:

cd sd-scripts
git pull
.\venv\Scripts\activate
pip install --use-pep517 --upgrade -r requirements.txt

Once the commands have completed successfully you should be ready to use the new version.

The implementation for LoRA is based on cloneofsimo's repo. Thank you for great work!

The LoRA expansion to Conv2d 3x3 was initially released by cloneofsimo and its effectiveness was demonstrated at LoCon by KohakuBlueleaf. Thank you so much KohakuBlueleaf!

The majority of scripts is licensed under ASL 2.0 (including codes from Diffusers, cloneofsimo's and LoCon), however portions of the project are available under separate license terms:

Memory Efficient Attention Pytorch: MIT

bitsandbytes: MIT

BLIP: BSD-3-Clause

• Prodigy optimizer is supported in each training script. It is a member of D-Adaptation and is effective for DyLoRA training. PR #585 Please see the PR for details. Thanks to sdbds!

  • Install the package with pip install prodigyopt. Then specify the option like --optimizer_type="prodigy".

• Arbitrary Dataset is supported in each training script (except XTI). You can use it by defining a Dataset class that returns images and captions.

  • Prepare a Python script and define a class that inherits train_util.MinimalDataset. Then specify the option like --dataset_class package.module.DatasetClass in each training script.
  • Please refer to MinimalDataset for implementation. I will prepare a sample later.

• The following features have been added to the generation script.

  • Added an option --highres_fix_disable_control_net to disable ControlNet in the 2nd stage of Highres. Fix. Please try it if the image is disturbed by some ControlNet such as Canny.
  • Added Variants similar to sd-dynamic-propmpts in the prompt.
    • If you specify {spring|summer|autumn|winter}, one of them will be randomly selected.
    • If you specify {2$$chocolate|vanilla|strawberry}, two of them will be randomly selected.
    • If you specify {1-2$$ and $$chocolate|vanilla|strawberry}, one or two of them will be randomly selected and connected by and.
    • You can specify the number of candidates in the range 0-2. You cannot omit one side like -2 or 1-.
    • It can also be specified for the prompt option.
    • If you specify e or E, all candidates will be selected and the prompt will be repeated multiple times (--images_per_prompt is ignored). It may be useful for creating X/Y plots.
    • You can also specify --am {e$$0.2|0.4|0.6|0.8|1.0},{e$$0.4|0.7|1.0} --d 1234. In this case, 15 prompts will be generated with 5*3.
    • There is no weighting function.

• 各学習スクリプトでProdigyオプティマイザがサポートされました。D-Adaptationの仲間でDyLoRAの学習に有効とのことです。 PR #585 詳細はPRをご覧ください。sdbds氏に感謝します。

  • pip install prodigyopt としてパッケージをインストールしてください。また --optimizer_type="prodigy" のようにオプションを指定します。

• 各学習スクリプトで任意のDatasetをサポートしました（XTIを除く）。画像とキャプションを返すDatasetクラスを定義することで、学習スクリプトから利用できます。

  • Pythonスクリプトを用意し、train_util.MinimalDatasetを継承するクラスを定義してください。そして各学習スクリプトのオプションで --dataset_class package.module.DatasetClass のように指定してください。
  • 実装方法は MinimalDataset を参考にしてください。のちほどサンプルを用意します。

• 生成スクリプトに以下の機能追加を行いました。

  • Highres. Fixの2nd stageでControlNetを無効化するオプション --highres_fix_disable_control_net を追加しました。Canny等一部のControlNetで画像が乱れる場合にお試しください。
  • プロンプトでsd-dynamic-propmptsに似たVariantをサポートしました。
    • {spring|summer|autumn|winter} のように指定すると、いずれかがランダムに選択されます。
    • {2$$chocolate|vanilla|strawberry} のように指定すると、いずれか2個がランダムに選択されます。
    • {1-2$$ and $$chocolate|vanilla|strawberry} のように指定すると、1個か2個がランダムに選択され and で接続されます。
    • 個数のレンジ指定では0-2のように0個も指定可能です。-2や1-のような片側の省略はできません。
    • プロンプトオプションに対しても指定可能です。
    • {e$$chocolate|vanilla|strawberry} のようにeまたはEを指定すると、すべての候補が選択されプロンプトが複数回繰り返されます（--images_per_promptは無視されます）。X/Y plotの作成に便利かもしれません。
    • --am {e$$0.2|0.4|0.6|0.8|1.0},{e$$0.4|0.7|1.0} --d 1234のような指定も可能です。この場合、5*3で15回のプロンプトが生成されます。
    • Weightingの機能はありません。

• Fixed a bug where clip skip did not work when training with weighted captions (--weighted_captions specified) and when generating sample images during training.
• 重みづけキャプションでの学習時（--weighted_captions指定時）および学習中のサンプル画像生成時にclip skipが機能しない不具合を修正しました。

• Fix train_network.py to probably work with older versions of LyCORIS.
• gen_img_diffusers.py now supports BREAK syntax.
• train_network.pyがLyCORISの以前のバージョンでも恐らく動作するよう修正しました。
• gen_img_diffusers.py で BREAK 構文をサポートしました。

• Max Norm Regularization is now available in train_network.py. PR #545 Thanks to AI-Casanova!

  • Max Norm Regularization is a technique to stabilize network training by limiting the norm of network weights. It may be effective in suppressing overfitting of LoRA and improving stability when used with other LoRAs. See PR for details.
  • Specify as --scale_weight_norms=1.0. It seems good to try from 1.0.
  • The networks other than LoRA in this repository (such as LyCORIS) do not support this option.

• Three types of dropout have been added to train_network.py and LoRA network.

  • Dropout is a technique to suppress overfitting and improve network performance by randomly setting some of the network outputs to 0.
  • --network_dropout is a normal dropout at the neuron level. In the case of LoRA, it is applied to the output of down. Proposed in PR #545 Thanks to AI-Casanova!
    • --network_dropout=0.1 specifies the dropout probability to 0.1.
    • Note that the specification method is different from LyCORIS.
  • For LoRA network, --network_args can specify rank_dropout to dropout each rank with specified probability. Also module_dropout can be specified to dropout each module with specified probability.
    • Specify as --network_args "rank_dropout=0.2" "module_dropout=0.1".
  • --network_dropout, rank_dropout, and module_dropout can be specified at the same time.
  • Values of 0.1 to 0.3 may be good to try. Values greater than 0.5 should not be specified.
  • rank_dropout and module_dropout are original techniques of this repository. Their effectiveness has not been verified yet.
  • The networks other than LoRA in this repository (such as LyCORIS) do not support these options.

• Added an option --scale_v_pred_loss_like_noise_pred to scale v-prediction loss like noise prediction in each training script.

  • By scaling the loss according to the time step, the weights of global noise prediction and local noise prediction become the same, and the improvement of details may be expected.
  • See this article by xrg for details (written in Japanese). Thanks to xrg for the great suggestion!

• Max Norm Regularizationがtrain_network.pyで使えるようになりました。PR #545 AI-Casanova氏に感謝します。

  • Max Norm Regularizationは、ネットワークの重みのノルムを制限することで、ネットワークの学習を安定させる手法です。LoRAの過学習の抑制、他のLoRAと併用した時の安定性の向上が期待できるかもしれません。詳細はPRを参照してください。
  • --scale_weight_norms=1.0のように --scale_weight_norms で指定してください。1.0から試すと良いようです。
  • LyCORIS等、当リポジトリ以外のネットワークは現時点では未対応です。

• train_network.py およびLoRAに計三種類のdropoutを追加しました。

  • dropoutはネットワークの一部の出力をランダムに0にすることで、過学習の抑制、ネットワークの性能向上等を図る手法です。
  • --network_dropout はニューロン単位の通常のdropoutです。LoRAの場合、downの出力に対して適用されます。PR #545 で提案されました。AI-Casanova氏に感謝します。
    • --network_dropout=0.1 などとすることで、dropoutの確率を指定できます。
    • LyCORISとは指定方法が異なりますのでご注意ください。
  • LoRAの場合、--network_argsにrank_dropoutを指定することで各rankを指定確率でdropoutします。また同じくLoRAの場合、--network_argsにmodule_dropoutを指定することで各モジュールを指定確率でdropoutします。
    • --network_args "rank_dropout=0.2" "module_dropout=0.1" のように指定します。
  • --network_dropout、rank_dropout 、 module_dropout は同時に指定できます。
  • それぞれの値は0.1~0.3程度から試してみると良いかもしれません。0.5を超える値は指定しない方が良いでしょう。
  • rank_dropoutおよびmodule_dropoutは当リポジトリ独自の手法です。有効性の検証はまだ行っていません。
  • これらのdropoutはLyCORIS等、当リポジトリ以外のネットワークは現時点では未対応です。

• 各学習スクリプトにv-prediction lossをnoise predictionと同様の値にスケールするオプション--scale_v_pred_loss_like_noise_predを追加しました。

  • タイムステップに応じてlossをスケールすることで、 大域的なノイズの予測と局所的なノイズの予測の重みが同じになり、ディテールの改善が期待できるかもしれません。
  • 詳細はxrg氏のこちらの記事をご参照ください：noise_predictionモデルとv_predictionモデルの損失 - 勾配降下党青年局 xrg氏の素晴らしい記事に感謝します。

• Show warning when image caption file does not exist during training. PR #533 Thanks to TingTingin!

  • Warning is also displayed when using class+identifier dataset. Please ignore if it is intended.

• train_network.py now supports merging network weights before training. PR #542 Thanks to u-haru!

  • --base_weights option specifies LoRA or other model files (multiple files are allowed) to merge.
  • --base_weights_multiplier option specifies multiplier of the weights to merge (multiple values are allowed). If omitted or less than base_weights, 1.0 is used.
  • This is useful for incremental learning. See PR for details.

• Show warning and continue training when uploading to HuggingFace fails.

• 学習時に画像のキャプションファイルが存在しない場合、警告が表示されるようになりました。 PR #533 TingTingin氏に感謝します。

  • class+identifier方式のデータセットを利用している場合も警告が表示されます。意図している通りの場合は無視してください。

• train_network.py に学習前にモデルにnetworkの重みをマージする機能が追加されました。 PR #542 u-haru氏に感謝します。

  • --base_weights オプションでLoRA等のモデルファイル（複数可）を指定すると、それらの重みをマージします。
  • --base_weights_multiplier オプションでマージする重みの倍率（複数可）を指定できます。省略時またはbase_weightsよりも数が少ない場合は1.0になります。
  • 差分追加学習などにご利用ください。詳細はPRをご覧ください。

• HuggingFaceへのアップロードに失敗した場合、警告を表示しそのまま学習を続行するよう変更しました。

• D-Adaptation v3.0 is now supported. PR #530 Thanks to sdbds!
  • --optimizer_type now accepts DAdaptAdamPreprint, DAdaptAdanIP, and DAdaptLion.
  • DAdaptAdam is now new. The old DAdaptAdam is available with DAdaptAdamPreprint.
  • Simply specifying DAdaptation will use DAdaptAdamPreprint (same behavior as before).
  • You need to install D-Adaptation v3.0. After activating venv, please do pip install -U dadaptation.
  • See PR and D-Adaptation documentation for details.
• D-Adaptation v3.0がサポートされました。 PR #530 sdbds氏に感謝します。
  • --optimizer_typeにDAdaptAdamPreprint、DAdaptAdanIP、DAdaptLion が追加されました。
  • DAdaptAdamが新しくなりました。今までのDAdaptAdamはDAdaptAdamPreprintで使用できます。
  • 単に DAdaptation を指定するとDAdaptAdamPreprintが使用されます（今までと同じ動き）。
  • D-Adaptation v3.0のインストールが必要です。venvを有効にした後 pip install -U dadaptation としてください。
  • 詳細はPRおよびD-Adaptationのドキュメントを参照してください。

• Fixed several bugs.
  • The state is saved even when the --save_state option is not specified in fine_tune.py and train_db.py. PR #521 Thanks to akshaal!
  • Cannot load LoRA without alpha. PR #527 Thanks to Manjiz!
  • Minor changes to console output during sample generation. PR #515 Thanks to yanhuifair!
• The generation script now uses xformers for VAE as well.
• いくつかのバグ修正を行いました。
  • fine_tune.pyとtrain_db.pyで--save_stateオプション未指定時にもstateが保存される。 PR #521 akshaal氏に感謝します。
  • alphaを持たないLoRAを読み込めない。PR #527 Manjiz氏に感謝します。
  • サンプル生成時のコンソール出力の軽微な変更。PR #515 yanhuifair氏に感謝します。
• 生成スクリプトでVAEについてもxformersを使うようにしました。

• Fixed an issue where an error would occur if the encoding of the prompt file was different from the default. PR #510 Thanks to sdbds!
  • Please save the prompt file in UTF-8.
• プロンプトファイルのエンコーディングがデフォルトと異なる場合にエラーが発生する問題を修正しました。 PR #510 sdbds氏に感謝します。
  • プロンプトファイルはUTF-8で保存してください。

• Added English translation of documents by darkstorm2150. Thank you very much!

• The prompt for sample generation during training can now be specified in .toml or .json. PR #504 Thanks to Linaqruf!

  • For details on prompt description, please see the PR.

• darkstorm2150氏にドキュメント類を英訳していただきました。ありがとうございます！

• 学習中のサンプル生成のプロンプトを.tomlまたは.jsonで指定可能になりました。 PR #504 Linaqruf氏に感謝します。

  • プロンプト記述の詳細は当該PRをご覧ください。

• Added an option --dim_from_weights to train_network.py to automatically determine the dim(rank) from the weight file. PR #491 Thanks to AI-Casanova!

  • It is useful in combination with resize_lora.py. Please see the PR for details.

• Fixed a bug where the noise resolution was incorrect with Multires noise. PR #489 Thanks to sdbds!

  • Please see the PR for details.

• The image generation scripts can now use img2img and highres fix at the same time.

• Fixed a bug where the hint image of ControlNet was incorrectly BGR instead of RGB in the image generation scripts.

• Added a feature to the image generation scripts to use the memory-efficient VAE.

  • If you specify a number with the --vae_slices option, the memory-efficient VAE will be used. The maximum output size will be larger, but it will be slower. Please specify a value of about 16 or 32.
  • The implementation of the VAE is in library/slicing_vae.py.

• train_network.pyにdim(rank)を重みファイルから自動決定するオプション--dim_from_weightsが追加されました。 PR #491 AI-Casanova氏に感謝します。

  • resize_lora.pyと組み合わせると有用です。詳細はPRもご参照ください。

• Multires noiseでノイズ解像度が正しくない不具合が修正されました。 PR #489 sdbds氏に感謝します。

  • 詳細は当該PRをご参照ください。

• 生成スクリプトでimg2imgとhighres fixを同時に使用できるようにしました。

• 生成スクリプトでControlNetのhint画像が誤ってBGRだったのをRGBに修正しました。

• 生成スクリプトで省メモリ化VAEを使えるよう機能追加しました。

  • --vae_slicesオプションに数値を指定すると、省メモリ化VAEを用います。出力可能な最大サイズが大きくなりますが、遅くなります。16または32程度の値を指定してください。
  • VAEの実装はlibrary/slicing_vae.pyにあります。

• The documentation has been moved to the docs folder. If you have links, please change them.

• Removed gradio from requirements.txt.

• DAdaptAdaGrad, DAdaptAdan, and DAdaptSGD are now supported by DAdaptation. PR#455 Thanks to sdbds!

  • DAdaptation needs to be installed. Also, depending on the optimizer, DAdaptation may need to be updated. Please update with pip install --upgrade dadaptation.

• Added support for pre-calculation of LoRA weights in image generation scripts. Specify --network_pre_calc.

  • The prompt option --am is available. Also, it is disabled when Regional LoRA is used.

• Added Adaptive noise scale to each training script. Specify a number with --adaptive_noise_scale to enable it.

  • Experimental option. It may be removed or changed in the future.
  • This is an original implementation that automatically adjusts the value of the noise offset according to the absolute value of the mean of each channel of the latents. It is expected that appropriate noise offsets will be set for bright and dark images, respectively.
  • Specify it together with --noise_offset.
  • The actual value of the noise offset is calculated as noise_offset + abs(mean(latents, dim=(2,3))) * adaptive_noise_scale. Since the latent is close to a normal distribution, it may be a good idea to specify a value of about 1/10 to the same as the noise offset.
  • Negative values can also be specified, in which case the noise offset will be clipped to 0 or more.

• Other minor fixes.

• ドキュメントをdocsフォルダに移動しました。リンク等を張られている場合は変更をお願いいたします。

• requirements.txtからgradioを削除しました。

• DAdaptationで新しくDAdaptAdaGrad、DAdaptAdan、DAdaptSGDがサポートされました。PR#455 sdbds氏に感謝します。

  • dadaptationのインストールが必要です。またオプティマイザによってはdadaptationの更新が必要です。pip install --upgrade dadaptationで更新してください。

• 画像生成スクリプトでLoRAの重みの事前計算をサポートしました。--network_pre_calcを指定してください。

  • プロンプトオプションの--amが利用できます。またRegional LoRA使用時には無効になります。

• 各学習スクリプトにAdaptive noise scaleを追加しました。--adaptive_noise_scaleで数値を指定すると有効になります。

  • 実験的オプションです。将来的に削除、仕様変更される可能性があります。
  • Noise offsetの値を、latentsの各チャネルの平均値の絶対値に応じて自動調整するオプションです。独自の実装で、明るい画像、暗い画像に対してそれぞれ適切なnoise offsetが設定されることが期待されます。
  • --noise_offset と同時に指定してください。
  • 実際のNoise offsetの値は noise_offset + abs(mean(latents, dim=(2,3))) * adaptive_noise_scale で計算されます。 latentは正規分布に近いためnoise_offsetの1/10～同程度の値を指定するとよいかもしれません。
  • 負の値も指定でき、その場合はnoise offsetは0以上にclipされます。

• その他の細かい修正を行いました。

Please read Releases for recent updates. 最近の更新情報は Release をご覧ください。

The LoRA supported by train_network.py has been named to avoid confusion. The documentation has been updated. The following are the names of LoRA types in this repository.

1. LoRA-LierLa : (LoRA for Li n e a r La yers)

   LoRA for Linear layers and Conv2d layers with 1x1 kernel

2. LoRA-C3Lier : (LoRA for C olutional layers with 3 x3 Kernel and Li n e a r layers)

   In addition to 1., LoRA for Conv2d layers with 3x3 kernel

LoRA-LierLa is the default LoRA type for train_network.py (without conv_dim network arg). LoRA-LierLa can be used with our extension for AUTOMATIC1111's Web UI, or with the built-in LoRA feature of the Web UI.

To use LoRA-C3Lier with Web UI, please use our extension.

train_network.py がサポートするLoRAについて、混乱を避けるため名前を付けました。ドキュメントは更新済みです。以下は当リポジトリ内の独自の名称です。

1. LoRA-LierLa : (LoRA for Li n e a r La yers、リエラと読みます)

   Linear 層およびカーネルサイズ 1x1 の Conv2d 層に適用されるLoRA

2. LoRA-C3Lier : (LoRA for C olutional layers with 3 x3 Kernel and Li n e a r layers、セリアと読みます)

   1.に加え、カーネルサイズ 3x3 の Conv2d 層に適用されるLoRA

LoRA-LierLa はWeb UI向け拡張、またはAUTOMATIC1111氏のWeb UIのLoRA機能で使用することができます。

LoRA-C3Lierを使いWeb UIで生成するには拡張を使用してください。

A prompt file might look like this, for example

# prompt 1
masterpiece, best quality, (1girl), in white shirts, upper body, looking at viewer, simple background --n low quality, worst quality, bad anatomy,bad composition, poor, low effort --w 768 --h 768 --d 1 --l 7.5 --s 28

# prompt 2
masterpiece, best quality, 1boy, in business suit, standing at street, looking back --n (low quality, worst quality), bad anatomy,bad composition, poor, low effort --w 576 --h 832 --d 2 --l 5.5 --s 40

Lines beginning with # are comments. You can specify options for the generated image with options like --n after the prompt. The following can be used.

• --n Negative prompt up to the next option.
• --w Specifies the width of the generated image.
• --h Specifies the height of the generated image.
• --d Specifies the seed of the generated image.
• --l Specifies the CFG scale of the generated image.
• --s Specifies the number of steps in the generation.

The prompt weighting such as ( ) and [ ] are working.

プロンプトファイルは例えば以下のようになります。

# prompt 1
masterpiece, best quality, (1girl), in white shirts, upper body, looking at viewer, simple background --n low quality, worst quality, bad anatomy,bad composition, poor, low effort --w 768 --h 768 --d 1 --l 7.5 --s 28

# prompt 2
masterpiece, best quality, 1boy, in business suit, standing at street, looking back --n (low quality, worst quality), bad anatomy,bad composition, poor, low effort --w 576 --h 832 --d 2 --l 5.5 --s 40

# で始まる行はコメントになります。--n のように「ハイフン二個＋英小文字」の形でオプションを指定できます。以下が使用可能できます。

• --n Negative prompt up to the next option.
• --w Specifies the width of the generated image.
• --h Specifies the height of the generated image.
• --d Specifies the seed of the generated image.
• --l Specifies the CFG scale of the generated image.
• --s Specifies the number of steps in the generation.

( ) や [ ] などの重みづけも動作します。