2026年最新版！Stable Diffusion LoRAの作り方と手順を徹底解説【FLUX/SD3.5対応】

2026年6月現在、Stable DiffusionのLoRA作成は、次世代基盤モデルであるFLUXやStable Diffusion 3.5への対応が中心となっています。これらの新しい基盤モデルは、従来のSD1.5やSDXLと比較して、より高度な概念理解と画像生成能力を持つため、LoRAのトレーニングにおいてもデータセットの質とトレーニング設定の最適化がこれまで以上に重要になります。本記事では、最新の環境に合わせたLoRA作成の具体的な手順を解説します。

1. LoRA作成環境の準備

まず、LoRAトレーニングを実行するための環境を整えます。特に、FLUXやStable Diffusion 3.5のような大規模モデルのトレーニングには、高性能なハードウェアが不可欠です。

ハードウェア要件

⚠️ 注意: VRAMが不足すると、トレーニングが実行できなかったり、バッチサイズを極端に小さくする必要があり、学習効率が著しく低下します。特にFLUXやSD3.5では、より多くのVRAMを消費する傾向があります。

ソフトウェア環境

LoRAトレーニングツールとしては、引き続きkohya_ssのsd-scriptsが主流です。FLUXやStable Diffusion 3.5への対応も積極的に進められています。

1. Python環境の構築: Python 3.10.xまたは3.11.xの環境を推奨します。venv（仮想環境）での構築が望ましいです。

2. sd-scriptsのインストール: 最新版をGitHubからクローンし、必要なライブラリをインストールします。

   git clone https://github.com/kohya-ss/sd-scripts.git
   cd sd-scripts
   pip install --upgrade pip
   pip install -r requirements.txt
   # FLUX/SD3.5対応の追加ライブラリが必要な場合は、公式ドキュメントを参照しインストール
   

2. データセットの準備とキャプション付け

高品質なLoRAを作成するためには、質の高いデータセットが最も重要です。

画像の収集と前処理

1. 画像枚数: 対象とする概念によって異なりますが、一般的には50枚〜100枚の画像が推奨されます。少ない枚数でも可能ですが、多様性が損なわれる可能性があります。
2. 画像品質:
   • 被写体がはっきりと写っている、高解像度（例: 768x768ピクセル以上）の画像を選びましょう。
   • 様々な角度、背景、照明条件の画像を含めることで、LoRAの汎用性が高まります。
   • 不要な要素が写り込んでいる画像や、低品質な画像は除外してください。
3. アスペクト比の調整: トレーニングで使用するベースモデル（FLUX/SD3.5）のネイティブ解像度（例: 1024x1024、1280x768など）に近いアスペクト比に画像を調整します。トリミングではなく、余白を追加する（パディング）方法が、画像の情報を損なわずに済みます。

キャプション付け (Tagging)

キャプションは、画像の内容をテキストで表現するもので、LoRAが何を学習すべきかをAIに伝える重要な役割を果たします。

1. 自動キャプションツール: BLIPやLLaVAなどの画像認識AIを利用して初期のキャプションを生成できます。
2. 手動での調整: 自動生成されたキャプションをベースに、以下の点に注意して手動で調整します。
   • 具体性: 「a girl」ではなく「a young woman with long brown hair wearing a blue dress」のように具体的に記述します。
   • キーワードの選定: LoRAで強調したい特徴（例: my-style, my-character）を前方に配置します。
   • 不要な情報の削除: 画像生成時に妨げとなる可能性のある、過剰な情報や誤った情報は削除します。
   • 繰り返しトークンの回避: 同じ意味の単語を繰り返さないようにします。

💡 ポイント: キャプションの質はLoRAの汎用性と表現力を大きく左右します。時間をかけて丁寧に行うことで、生成される画像の精度が格段に向上します。

3. トレーニング設定と実行

kohya_ssのGUIまたはCLIを使用して、トレーニングパラメータを設定します。

ベースモデルの選択

FLUXまたはStable Diffusion 3.5の対応モデル（例: sd3_medium.safetensorsなど、2026年6月時点での最新版）を選択します。これらのモデルはファイルサイズが大きいため、十分なストレージとVRAMが必要です。

主要なトレーニングパラメータ

⚠️ 注意: 学習率が高すぎると過学習を招き、低すぎると学習が進みません。上記はあくまで一般的な推奨値であり、データセットや目的によって微調整が必要です。特にtext_encoder_lrはSD3.5でプロンプト理解の精度に大きく影響するため、適切な値を見つけることが重要です。

トレーニングの実行

設定が完了したら、train_lora.pyスクリプトを実行します。トレーニング中は、コンソールに表示されるloss値や生成されるプレビュー画像（設定した場合）を監視し、過学習や学習不足の兆候がないか確認しましょう。トレーニングはGPUの性能にもよりますが、1時間〜数時間かかることが一般的です。

4. LoRAの評価と調整

トレーニングが完了したら、作成したLoRAを実際に使用して評価し、必要に応じて調整を行います。

1. テスト生成: トレーニング中に保存された各エポックのLoRA（例: my_lora_ep005.safetensors）を使って、複数のプロンプトで画像を生成します。
   • 目的のスタイルやキャラクターが再現されているか。
   • 過学習（特定のポーズや背景に固定される）が発生していないか。
   • 汎用性があるか（様々なプロンプトで破綻なく生成できるか）。 これらを確認し、最もバランスの取れたエポックのLoRAを選択します。
2. マージと調整:
   • 複数のLoRAを組み合わせることで、さらに複雑な表現を試すことができます。supermergerなどのツールを利用して、LoRA同士をマージすることも可能です。
   • LoRAの適用強度（Weight）を調整することで、生成される画像への影響度を微調整できます。一般的に0.6〜0.9程度の値がよく使用されます。

この手順を通じて、2026年6月現在の最新技術とベストプラクティスに基づいた、高品質なLoRAの作成を目指してください。