lora-analyzer/README.md

🔍 LoRA Analyzer

Herramienta completa para analizar archivos LoRA (Low-Rank Adaptation) y descubrir cómo fueron entrenados.

🌟 Características

• ✅ Análisis completo de arquitectura LoRA (rank, alpha, capas)
• ✅ Extracción de metadatos de entrenamiento
• ✅ Estadísticas de pesos y distribuciones
• ✅ Comparación de múltiples LoRAs
• ✅ Recomendaciones para optimización
• ✅ 3 interfaces diferentes: CLI, Web App y API REST

📁 Formatos Soportados

• .safetensors (recomendado)
• .pt / .pth (PyTorch)
• .ckpt (Checkpoints)

🚀 Instalación Rápida

# Clonar o descargar los archivos
cd lora-analyzer

# Instalar dependencias
pip install -r requirements.txt

# ¡Listo para usar!

Instalación opcional de PyTorch

Si no tienes PyTorch instalado, usa:

# CPU only
pip install torch --index-url https://download.pytorch.org/whl/cpu

# CUDA (GPU)
pip install torch --index-url https://download.pytorch.org/whl/cu118

💻 Uso

1️⃣ CLI (Línea de Comandos)

La forma más rápida para análisis desde terminal:

# Analizar un archivo
python lora_cli.py mi_lora.safetensors

# Analizar múltiples archivos
python lora_cli.py lora1.safetensors lora2.pt lora3.ckpt

# Guardar resultado en JSON
python lora_cli.py mi_lora.safetensors --output resultado.json

# Comparar múltiples LoRAs
python lora_cli.py lora1.safetensors lora2.safetensors --compare

# Modo verbose
python lora_cli.py mi_lora.safetensors --verbose

# Ver ayuda
python lora_cli.py --help

Ejemplo de salida:

🔍 Analizando: my_style_lora.safetensors
======================================================================
REPORTE DE ANÁLISIS LORA
======================================================================

📁 INFORMACIÓN DEL ARCHIVO:
  Nombre: my_style_lora.safetensors
  Tamaño: 144.2 MB
  Formato: .safetensors

🏗️  ARQUITECTURA:
  Total de capas: 192
  Rank más común: 32
  Rango de ranks: 32 - 32

⚙️  METADATOS DE ENTRENAMIENTO:
  Modelo base: sd_xl_base_1.0.safetensors
  Network dim (rank): 32
  Alpha: 32
  Learning rate: 0.0001
  Épocas: 10
  Imágenes de entrenamiento: 45
  Batch size: 1
  Resolución: 1024

💡 RECOMENDACIONES:
  1. Rank óptimo (32): Buen balance entre detalle y eficiencia.
  2. Dataset mediano (45 imágenes): Bueno para conceptos específicos.

2️⃣ Web App (Interfaz Gráfica)

Interfaz visual con Gradio - ideal para uso interactivo:

# Iniciar la aplicación web
python lora_webapp.py

Luego abre tu navegador en: http://localhost:7860

Funcionalidades:

• 📤 Arrastrar y soltar archivos
• 📊 Vista de análisis con resumen visual
• 📈 Datos JSON completos
• ⚖️ Comparación lado a lado
• 💾 Exportar resultados

3️⃣ API REST

Servidor FastAPI para integración programática:

# Iniciar el servidor API
python lora_api.py

El servidor estará disponible en: http://localhost:8000

Documentación interactiva: http://localhost:8000/docs

Endpoints disponibles:

POST /analyze - Analizar un archivo

curl -X POST "http://localhost:8000/analyze" \
  -H "Content-Type: multipart/form-data" \
  -F "file=@mi_lora.safetensors"

import requests

with open('mi_lora.safetensors', 'rb') as f:
    response = requests.post(
        'http://localhost:8000/analyze',
        files={'file': f}
    )
    result = response.json()
    print(result)

POST /analyze/batch - Analizar múltiples archivos

import requests

files = [
    ('files', open('lora1.safetensors', 'rb')),
    ('files', open('lora2.safetensors', 'rb'))
]
response = requests.post(
    'http://localhost:8000/analyze/batch',
    files=files
)
print(response.json())

POST /compare - Comparar archivos

curl -X POST "http://localhost:8000/compare" \
  -F "files=@lora1.safetensors" \
  -F "files=@lora2.safetensors"

GET /health - Estado del servicio

curl http://localhost:8000/health

GET /examples - Ver más ejemplos

curl http://localhost:8000/examples

📊 Información que Puedes Extraer

✅ Lo que SÍ puedes obtener:

• Arquitectura completa

  • Dimensión de rank (8, 16, 32, 64, 128, etc.)
  • Factor alpha de escalado
  • Capas modificadas (attention blocks, MLP, etc.)
  • Total de parámetros

• Metadatos de entrenamiento (si están incluidos)

  • Modelo base utilizado (SD 1.5, SDXL, etc.)
  • Learning rate
  • Número de epochs
  • Batch size
  • Resolución de entrenamiento
  • Número de imágenes de entrenamiento
  • Herramienta usada (Kohya, EveryDream, etc.)

• Estadísticas de pesos

  • Distribución de valores
  • Media y desviación estándar
  • Intensidad por capa

❌ Lo que NO puedes recuperar:

• Los datos de entrenamiento originales - Técnicamente imposible
• Imágenes específicas del dataset - No están almacenadas en el LoRA
• Prompts exactos usados - Solo si están en metadatos

🎯 Casos de Uso

1. Ingeniería Inversa

# Analiza un LoRA público para aprender de él
python lora_cli.py awesome_public_lora.safetensors

# Compara con tu propio LoRA
python lora_cli.py awesome_public_lora.safetensors my_lora.safetensors --compare

2. Optimización de tus LoRAs

# Analiza diferentes versiones para encontrar la mejor configuración
python lora_cli.py lora_v1_rank16.safetensors lora_v2_rank32.safetensors \
                   lora_v3_rank64.safetensors --compare

3. Debugging

# Verifica que tu LoRA se entrenó correctamente
python lora_cli.py my_new_lora.safetensors --verbose

4. Investigación

# Analiza múltiples LoRAs programáticamente
import requests
import os

for filename in os.listdir('loras/'):
    if filename.endswith('.safetensors'):
        with open(f'loras/{filename}', 'rb') as f:
            response = requests.post(
                'http://localhost:8000/analyze',
                files={'file': f}
            )
            result = response.json()
            # Procesar resultados...

🔧 Uso Programático

Como módulo Python

from lora_analyzer import LoRAAnalyzer, format_analysis_report

# Analizar un archivo
analyzer = LoRAAnalyzer('mi_lora.safetensors')
analysis = analyzer.analyze()

# Ver reporte formateado
print(format_analysis_report(analysis))

# Acceder a datos específicos
rank = analysis['architecture']['rank_info']['most_common_rank']
print(f"Rank detectado: {rank}")

# Extraer metadatos
metadata = analysis['metadata']
learning_rate = metadata.get('ss_learning_rate', 'N/A')
print(f"Learning rate: {learning_rate}")

📦 Estructura del Proyecto

lora-analyzer/
├── lora_analyzer.py      # Módulo core de análisis
├── lora_cli.py          # Aplicación CLI
├── lora_webapp.py       # Aplicación Web (Gradio)
├── lora_api.py          # API REST (FastAPI)
├── requirements.txt     # Dependencias
└── README.md           # Esta documentación

🛠️ Requisitos del Sistema

• Python 3.8 o superior
• 4GB RAM mínimo (8GB recomendado)
• Espacio en disco: ~2GB para dependencias

⚙️ Configuración Avanzada

Cambiar puertos

Web App:

# En lora_webapp.py, línea 249
app.launch(server_port=8080)  # Cambiar de 7860 a 8080

API:

# En lora_api.py, línea 360
uvicorn.run(app, host="0.0.0.0", port=9000)  # Cambiar de 8000 a 9000

Análisis de archivos grandes

Para LoRAs muy grandes (>1GB):

# Aumentar límite de análisis de capas
analyzer = LoRAAnalyzer('huge_lora.safetensors')
# Modifica _analyze_weights para analizar más capas

🤝 Contribuciones

Las contribuciones son bienvenidas! Para reportar bugs o sugerir features, abre un issue.

📝 Notas Importantes

1. Privacidad: Todo el análisis se hace localmente. No se envía información a servidores externos.

2. Rendimiento: El análisis de archivos grandes puede tomar tiempo. La CLI es más rápida que la Web App.

3. Compatibilidad: Diseñado principalmente para LoRAs de Stable Diffusion, pero puede funcionar con otros tipos.

4. Metadatos: La cantidad de información disponible depende de cómo fue guardado el LoRA. LoRAs entrenados con Kohya suelen tener más metadatos.

🔮 Roadmap

• Soporte para análisis de LoRAs de LLMs
• Visualización de distribución de pesos
• Detección automática de estilo/concepto
• Base de datos para indexar LoRAs analizados
• Exportar reportes en PDF
• Integración con Hugging Face Hub

📄 Licencia

Este proyecto es de código abierto y está disponible bajo la licencia MIT.

❓ FAQ

P: ¿Puedo recuperar las imágenes con las que se entrenó el LoRA? R: No, es técnicamente imposible. Los pesos del modelo son el resultado de la optimización, pero no contienen los datos originales.

P: ¿Funciona con cualquier tipo de LoRA? R: Está optimizado para LoRAs de Stable Diffusion, pero puede analizar cualquier LoRA en formato safetensors o PyTorch.

P: ¿Por qué algunos metadatos no aparecen? R: Depende de cómo fue guardado el archivo. Usa herramientas como Kohya que incluyen metadatos extensos.

P: ¿Puedo usar esto para crear LoRAs mejores? R: Sí! Analiza LoRAs exitosos para aprender qué configuraciones funcionan mejor para diferentes casos de uso.

P: ¿Es seguro analizar LoRAs de fuentes desconocidas? R: El análisis es seguro, pero ten cuidado al cargar pesos en un modelo. Los archivos .pt y .ckpt pueden contener código malicioso.

🙏 Agradecimientos

Desarrollado para la comunidad de ML y entusiastas de LoRA.

---

¿Preguntas o problemas? Abre un issue en el repositorio.

¿Te resultó útil? ¡Dale una estrella ⭐!