「LoRA学習って難しそう」「プログラミングができないと無理なのでは」と感じている方は多いのではないでしょうか。
結論から言うと、LoRA学習は手順を踏めば初心者でも取り組めるものです。LoRA（Low-Rank Adaptation）はStable Diffusionの追加学習手法のひとつで、特定のキャラクターや画風、コンセプトをAIに覚えさせて「自分だけのAI画像モデル」を作ることができます。
フルファインチューニングと異なり、VRAM 8GB程度のGPUでも学習可能で、ファイルサイズも数十MB〜数百MB程度とコンパクトなものが多く、個人でも取り組みやすいのが特徴です。この記事では、LoRA学習の準備から実行、生成テストまでを初心者向けにステップバイステップで解説します。公式情報はStability AI公式サイトでご確認いただけます。
🤖 ナビ助のおすすめ！
LoRA学習に必要な環境
まずは環境を整えましょう。必要なものは以下の4つです。
GPU搭載のPC
LoRA学習にはNVIDIA製のGPUが一般的です。スペックの目安は以下のとおりです（学習するモデルや設定によって変わります）。
| 項目 | 最低スペックの目安 | 推奨スペックの目安 |
|---|---|---|
| GPU | RTX 3060（VRAM 12GB） | RTX 4070以上 |
| RAM | 16GB | 32GB以上 |
| ストレージ | SSD 50GB以上の空き | SSD 100GB以上 |
| OS | Windows 10/11 | Windows 11 |
VRAM 8GBでも動作する場合がありますが、画像サイズやバッチサイズに制約が出ます。VRAM 12GB以上あると余裕を持って学習を進められます。
Python環境
Python 3.10系が多くのツールで案内されています（kohya_ssの最新版が求めるバージョンはREADMEで確認してください）。Anacondaやvenvで仮想環境を作っておくと、他のプロジェクトとの干渉を防ぎやすくなります。
学習ツール（kohya_ss）
LoRA学習ツールとして広く使われているのがkohya_ss（kohya’s GUI）です。GUIで操作できるため、コマンドラインに不慣れな方でも使い始めやすいのが特徴です。ほかにもAI-ToolkitなどFlux向けの学習ツールもあり、対応モデルによって選び方が変わります。
学習用の画像データ
学習させたい画像を10〜50枚程度用意します。画像の品質がLoRA学習の仕上がりを左右する大きな要素ですので、次のセクションで詳しく解説します。
LoRA学習の手順｜5ステップで解説
ステップ1：学習画像を準備する
LoRA学習の仕上がりは画像データの質に大きく左右されます。ここを丁寧に行いましょう。
- 枚数：15〜30枚が一例（目的により異なります。枚数が多すぎると過学習しやすくなる場合があります）
- 解像度：512×512または768×768にリサイズ
- バリエーション：角度・表情・ポーズなど、なるべく多様に
- 品質：ぼやけた画像やノイズの多い画像は避ける
画像をフォルダにまとめて、「繰り返し回数_コンセプト名」というフォルダ名に設定します。例えば「10_my_character」のような形式です。この命名規則によって、学習ツールが画像の繰り返し回数を認識します。
学習データやチェックポイントは、試行錯誤しているうちに数十GB単位で膨らんでいきます。表の「SSD 100GB以上」がじわじわ効いてくるので、内蔵ドライブが手狭なら外付けSSDに学習用フォルダを切り出しておく方法もあります。
ステップ2：タグ（キャプション）を付ける
各画像にテキストファイル（.txt）でタグを付けます。このタグが、AIに「この画像が何なのか」を教える情報として機能します。
手動でタグ付けするのは手間がかかるため、自動タグ付けツールを活用する方法があります。
- WD Tagger：アニメ・イラスト系の画像に強い
- BLIP：実写・写真系の画像に強い
kohya_ssにはタグ付け機能が内蔵されているため、そこから実行する方法もあります。
タグ付けが終わったら、トリガーワード（学習対象を呼び出すためのキーワード）を各タグファイルの先頭に追加します。「my_character」など、他の一般的な単語と被らないユニークな文字列を設定してください。
トリガーワードには一般的な英単語（例：girl、catなど）を使わないでください。既存の概念と混ざってしまい、意図した結果が出にくくなります。「xyz_character」のようなユニークな文字列を使うと混ざりにくくなります。
ステップ3：kohya_ssをインストールする
kohya_ssの導入手順は以下のとおりです。
- GitHubからkohya_ssをクローン（git clone）
- setup.batを実行して環境をセットアップ
- gui.batを実行してGUIを起動
初回セットアップには時間がかかります（環境により異なります）。途中でエラーが出た場合は、PythonのバージョンやCUDAのバージョンが合っていない可能性があるため、そこを確認してみてください。
ステップ4：学習パラメータを設定する
ここは迷いやすいポイントです。初心者向けの設定例を以下にまとめました（SD1.5系の一例で、モデルや目的によって適切な値は変わります）。
| パラメータ | 設定例 | 説明 |
|---|---|---|
| Network Rank (Dim) | 32 | LoRAの表現力。大きいほど細かく表現できる傾向があるがファイルサイズが増加 |
| Network Alpha | 16 | Dimの半分程度に設定することが多い |
| Learning Rate | 1e-4 | 学習率。大きすぎると過学習、小さすぎると学習不足 |
| Epoch | 10〜20 | 画像全体を何周学習するか |
| Batch Size | 1〜2 | VRAMに合わせて調整 |
| Optimizer | AdamW8bit | VRAM節約に使われる |
| Resolution | 512 or 768 | 学習画像の解像度に合わせる |
まずはこの設定で試してみて、生成結果を見ながら微調整していく方法があります。最初から最適なパラメータを探す必要はありません。
Network Rank（Dim）は「LoRAの表現力」を決める重要なパラメータです。キャラクターの特徴を細かく再現したい場合は64〜128に上げる方法がありますが、ファイルサイズも大きくなります。まずは32から始めましょう。
パラメータの意味を都度ネットで調べていると時間が溶けます。手元に1冊、画像生成AIの入門書を置いて用語を引ける状態にしておくと、設定の当たりを付けやすくなります。
ステップ5：学習を実行して生成テスト
設定が終わったら「Start Training」をクリックします。あとは完了を待つだけです。
学習時間は、画像の枚数・エポック数・GPUの性能・解像度によって大きく変わります。数十分から数時間かかることもあるため、まずは少ない枚数とエポック数で試してみてください。
完了すると.safetensors形式のLoRAファイルが出力されます。これをStable Diffusion（AUTOMATIC1111やForge）のmodelsフォルダ内のLoRAフォルダにコピーすれば使用準備は完了です。LoRAの適用UIとしてはComfyUIも人気があります。
生成時は、プロンプトに先ほど設定したトリガーワードを入れて、LoRAの適用強度（weight）を0.6〜0.8くらいから試してみてください。
LoRA学習でよくある失敗と対策
失敗1：過学習（オーバーフィッティング）
学習画像そのものは再現できるけど、それ以外のポーズや構図に対応できない状態です。エポック数を減らすか、学習率を下げることで改善する場合があります。画像のバリエーションを増やすのも方法のひとつです。
失敗2：学習不足（アンダーフィッティング）
特徴がほとんど反映されない場合は、こちらの可能性があります。エポック数を増やすか、画像の質・タグの精度を見直しましょう。トリガーワードが正しく設定されているかも確認してください。人物の顔の特徴をそろえたい場合のプロンプトと設定は、以下の記事で解説しています。
失敗3：色味がおかしくなる
学習画像の色調が偏っていると起きがちな問題です。様々なライティング条件の画像を混ぜることで軽減できる場合があります。屋外・屋内・順光・逆光など、バリエーションを意識してデータを用意しましょう。
よくある質問（FAQ）
Q1. GPUがないPCでもLoRA学習はできますか？
ローカルでの学習は厳しいですが、Google ColabなどのクラウドGPUサービスを使えば可能です。ただしGoogle Colabの無料枠は制限があり、利用できる内容も変わることがあるため、最新の利用条件を確認してください（2026年10月時点）。
これから継続して学習を回していくつもりなら、RTX搭載のデスクトップPCを用意する方法もあります。クラウド課金と本体価格を並べて比べてみてください。
Q2. LoRAとDreamBoothの違いは何ですか？
DreamBoothはモデル全体を微調整する手法で高品質ですが、VRAM消費が大きいのが難点です。LoRAはモデルの一部だけを追加学習するため、軽量かつ手軽に取り組めます。初心者はLoRAから始める方が多いです。
Q3. 学習に使う画像は何枚が目安ですか？
15〜30枚が一例です。枚数が少なすぎると特徴の学習が不十分になりやすく、多すぎるとタグ付けの手間が増えます。目的やモデルによって適切な枚数は異なります。
Q4. 実在の人物の画像でLoRAを作っても大丈夫ですか？
法的・倫理的なリスクがあります。肖像権やパブリシティ権の問題が生じるため、本人の許可なく作成・公開するのは避けてください。個人利用であっても慎重な判断が必要です。
Q5. 作ったLoRAは配布・販売できますか？
LoRA自体の配布は技術的には可能ですが、学習に使った画像の著作権やベースモデルのライセンスを確認する必要があります。商用利用する場合は特に注意が求められます。
Q6. SDXL用のLoRAも同じ手順ですか？
基本的な流れは同じですが、SDXLは解像度が1024×1024になるためVRAM消費が増えます。VRAM 12GB以上が目安です（設定によってはより少ないVRAMで動く場合もあります）。kohya_ssはSDXLにも対応しています。生成時の速度や軽量化が気になる方は、以下の記事も参考になります。
Q7. 画像生成をもっと手軽にしたい場合は？
ローカル環境の構築が面倒な場合は、Midjourney（www.midjourney.com）のようなクラウドベースの画像生成サービスも選択肢の一つです。LoRAのような追加学習はできませんが、プロンプトを入力するだけで手軽に画像を生成できます。
ローカルの環境づくりに手間をかけず試したい場合は、ブラウザから使えるクラウドの画像生成サービスという方法もあります。ConoHa AI Canvasは、AUTOMATIC1111とComfyUIから選んでStable Diffusionを使えるサービスで、オリジナルLoRAモデルの作成にも対応しています（スタンダード／アドバンスプラン限定）。月額1,100円からと案内されているため、プランの詳細は公式サイトで確認できます。
🤖 ナビ助のおすすめ！
まとめ：LoRA学習で「自分だけのAI」づくりに挑戦しよう
- LoRAはStable Diffusionの軽量な追加学習手法
- VRAM 12GB以上のGPUがあれば個人PCでも学習しやすい
- 学習ツールはkohya_ss（GUI版）が広く使われている
- 画像の質とタグ付けが仕上がりを大きく左右する
- まずは設定例で試して、徐々にチューニングしていく方法がある
LoRA学習は、Stable Diffusionの活用の幅を広げるスキルのひとつです。最初は設定の多さに戸惑うかもしれませんが、慣れると表現の選択肢が増えます。ぜひこの記事を参考に、自分だけのLoRAモデル作成にチャレンジしてみてください。
🤖 ナビ助のおすすめ！
