Come installare Kohya_ss su Mac Apple Silicon: La guida completa e i consigli sul hardware

Hardware & Mac: Quale configurazione serve davvero?

Prima di passare ai comandi da terminale, vale la pena fare una riflessione discorsiva sul ferro che abbiamo sotto il cofano. L'addestramento di reti neurali è una delle attività più impegnative che si possano affidare a un computer, perché spinge al limite contemporaneamente il calcolo della GPU, la larghezza di banda della memoria e il sistema di dissipazione termica.

Per questa guida e per i test sul campo abbiamo utilizzato un MacBook Air M5 con 24 GB di RAM unificata e 1 TB di SSD. Una macchina estremamente compatta che ha dimostrato come l'efficienza dei SoC Apple consenta di completare sessioni di training senza battere ciglio, ma che offre spunti interessanti su cosa guardare se si intende acquistare o configurare un Mac per questo scopo.

1. La Memoria Unificata (RAM): Il vero collo di bottiglia

Nel mondo PC tradizionale, la VRAM della scheda video e la RAM di sistema sono due mondi separati. Su Apple Silicon, CPU e GPU condividono il medesimo pool di memoria ad alta velocità. Questo è un vantaggio enorme: una GPU Nvidia consumer media offre tra gli 8 e i 16 GB di VRAM, mentre su un Mac la GPU può accedere direttamente a gran parte dei 24 GB, 36 GB o 64 GB della memoria di sistema.

• 16 GB: Il minimo sindacale. Permette di fare training di piccoli embedding o LoRA leggermente ottimizzate per SD1.5, ma si rischia di saturare la RAM se ci sono altre applicazioni aperte.

• 24 GB (La scelta equilibrata): Il quantitativo presente nella nostra configurazione di prova. Offre il giusto respiro per gestire dataset, caricare i modelli base in memoria e lasciare margine al sistema operativo senza rallentamenti.

• 36 GB o più: La fascia ideale se si intende lavorare su architetture più pesanti e complesse come SDXL, Pony o modelli di generazione video/audio locali.

2. Dissipazione: MacBook Air vs MacBook Pro / Mac Studio

Durante una fase di addestramento, la GPU del Mac lavora al 100% per un tempo continuativo che può variare da decine di minuti a diverse ore.

Un MacBook Air (anche di ultima generazione M5) è privo di ventole (fanless). La macchina gestisce lo sforzo in modo completamente silenzioso, ma dopo 15-20 minuti di calcolo continuo interviene il thermal throttling: il sistema riduce leggermente la frequenza di clock per mantenere basse le temperature. Il training si completa comunque in modo stabilissimo, ma con tempi di calcolo leggermente più lunghi rispetto a una macchina dotata di raffreddamento attivo.

Se l'addestramento IA è un'attività quotidiana o professionale, un MacBook Pro o un Mac Studio (con ventole attive e chip M Pro / Max / Ultra) mantengono frequenze di picco indefinite nel tempo, garantendo tempi di resa inferiori.

3. Archiviazione: Perché 1 TB è la misura giusta

I modelli base, le cache di Kohya, i dataset ad alta risoluzione e i file di output accumulano gigabyte a una velocità sorprendente. Un singolo modello base SDXL o una pipeline complessa occupa tra i 6 e i 12 GB; se a questo si sommano le varie epoche salvate durante le prove, lo spazio su disco sparisce in fretta. Un SSD da 1 TB rappresenta il punto di partenza perfetto per non dover continuamente spostare file su dischi esterni durante le sessioni di lavoro.