DEEP RESEARCH ・ CC1 実装直結
キャラLoRA学習 実践完全手順2026
エロCG集の一貫性・描き分けを最速で出す
kohya_ss / sd-scripts × wai_v160(Illustrious系SDXL) × RTX3090Ti(24GB)
⚡第1章 結論 — A系キャラを7日でLoRA運用へ移す最短ロードマップ
seed＋タグ運用は3シーン目で必ず崩れる(社内mio崩壊で実証済)。双子の描き分けやシリーズ一貫性を根治する唯一の本命解はキャラLoRAの自作運用である。RTX3090Ti(24GB)はSDXLキャラLoRA学習に十分すぎる余力があり[2]、1体あたり実コスト電気代のみ・1〜2時間で焼ける。本DRは「既にseed＋タグで生成した手元画像」をそのまま種にして、7日で最初の1体を量産投入することをゴールに据える。
🎯 CC1向け 最短7日ロードマップ(要約)
- Day0: 既存生成画像からキャラごと40枚厳選＋wd-taggerで自動タグ→手動修正
- Day1: kohya_ssでv0学習(
dim=32 / alpha=16 / unet_lr=1e-4 / steps≈900 / AdamW8bit)
- Day2: ComfyUIでseed固定smoke 10枚→同一性OKならv0で追加60枚生成
- Day3-4: 人手選別60枚でv1再学習(
steps≈1400 / dim=48)=ブートストラップ
- Day5: v1 smoke＋seed比一貫性確認→ComfyUI差し替え
- Day6: 残りA02〜A05をv0まで並行学習
- Day7: 全キャラv1完成→ワークフロー差し替え・seed運用撤廃
🤑 マネタイザー
LoRA1体=「シリーズ資産」。Vol.2以降の再現コストがゼロ化し、双子・姉妹モノという高単価ニッチに正面から入れる。投資回収はVol.1の1本で完了。
💼 コーチ
最初の1体だけ気合いで通せば後はテンプレ化できます。Day1のtomlを確定させたら以降はデータ差し替えのみ。まずA01を1体、7日で。
💕 メンター
seedガチャの消耗から解放されます。「このキャラをまた出したい」が確実に叶う世界へ。崩れに振り回される夜はもう終わりです。
📊第2章 市場規模 — なぜ「描き分け」が差別化軸なのか
DLsiteは2025年にAI生成専用フロアを公開しAI作品の販売を再開[16]、FANZA同人は1日200本超の新規投入でAI製CG集はコモディティ化している[17]。単発の「綺麗な1枚絵」は飽和し、差別化の主軸は「キャラ」に移った。とくに双子・姉妹・シリーズ続巻は、seed運用勢が再現できずキャラLoRA保有者だけが安定供給できる構造的ブルーオーシャンである。
24GB
3090Ti VRAM
(SDXL学習は10GBで足りる
[2])
¥0〜数十円
LoRA1体の実学習コスト
(電気代のみ)
💡 構造的優位双子描き分けは「seed＋タグでは原理的に不可能」に近い。マルチコンセプトLoRAを持つだけで、競合の99%が供給できない商品(双子同時CG・姉妹丼)を独占供給できる。
🏆第3章 一貫性手法TOP10 — キャラLoRAが本命の根拠
再現精度・多角度耐性・運用コストで横断比較。キャラLoRAが総合1位、双子のような複雑要件では唯一の実用解。
| # | 手法 | 再現精度 | 多角度耐性 | 双子描き分け | 判定 |
|---|
| 1 | キャラLoRA(自作) | ★★★★★ | ★★★★★ | ★★★★★(マルチコンセプト) | 本命 |
| 2 | キャラLoRA + Regional Prompter | ★★★★★ | ★★★★☆ | ★★★★★(2人同時)[8] | 2人画推奨 |
| 3 | IPAdapter FaceID | ★★★★☆ | ★★★☆☆ | ★★☆☆☆ | 補助 |
| 4 | i2i連鎖 + ControlNet | ★★★☆☆ | ★★★★☆ | ★★☆☆☆ | アングル変更 |
| 5 | seed固定 + 詳細タグ | ★★☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | 3シーンで崩壊 |
| 6 | FLUX Kontext参照 | ★★★★☆ | ★★★☆☆ | ★★☆☆☆ | R18弱・別系統 |
| 7 | InsightFace系顔固定 | ★★★★☆ | ★★☆☆☆ | ★★☆☆☆ | 商用ライセンス注意 |
| 8 | キャラLoRA + i2i仕上げ | ★★★★★ | ★★★★★ | ★★★★☆ | 最終品質用 |
| 9 | プロンプト盛り | ★☆☆☆☆ | ★☆☆☆☆ | ★☆☆☆☆ | 非推奨 |
| 10 | マージ済みキャラモデル | ★★★☆☆ | ★★★☆☆ | ★★☆☆☆ | 柔軟性低 |
結論1人画はキャラLoRA単体、双子・姉妹2人同時画はマルチコンセプトLoRA + Regional Prompter。これが2026年の確定スタックである。
⚙️第4章 技術スタック — 環境構築〜学習〜検証 完全手順
4-1. 環境構築(kohya_ss / sd-scripts)
- GUI派は
bmaltais/kohya_ss[3]、CLI派は kohya-ss/sd-scripts。CC1はバッチ量産前提なのでsd-scripts直叩き＋tomlを推奨。
- Python 3.10 / CUDA 12.x / PyTorch 2.x。
accelerate config で fp16・1GPU を設定。
- 学習用ベースは量産と同じ wai_v160 (Illustrious系SDXL)を使う。学習ベースと推論ベースを一致させると一貫性が最大化。
4-2. データセット作り(枚数/解像度/トリミング/タグ)
| 項目 | 確定値 | 根拠/注意 |
|---|
| 枚数 | 20〜40枚(最小2枚でも可だが推奨40) | キャラLoRA標準[6][1]。アニメ調は少枚数で済む[5] |
| 解像度 | 1024×1024中心 / bucket 512〜1536 | SDXL標準[5]。min_bucket_reso=512 / max_bucket_reso=1536 |
| トリミング | 顔アップ3割/上半身4割/全身3割 | 多角度・多表情を必ず混ぜる(過学習回避)[4] |
| 三面図活用 | 正面/横/斜めを各2〜3枚種に | 角度欠落を補完。崩れ角度を狙って足す |
| タグ付け | WD14 tagger(conf 0.35)→手動修正 | Danbooruタグ＋自然言語ハイブリッド[5] |
| トリガーワード | キャプション先頭固定(例 A01char) | keep_tokens=1で吸収させる |
| 正則化画像 | アニメ単一キャラは原則不要 | 実写人物では有効だがアニメ調キャラLoRAでは過剰[4]。入れるなら同クラス150枚規模[4] |
タグの肝固定させたい属性(髪色・目色・体型)はキャプションから消すとトリガーワードに吸収され、その属性ごと再現される。逆に変えたい属性(服・表情)は必ずタグに残す。
4-3. 推奨パラメータ確定値(SDXL/Illustrious・3090Ti)
| パラメータ | 推奨値 | 許容レンジ/根拠 |
|---|
| network_dim (rank) | 32(シンプル顔は8〜16でも可) | 16〜32が定番、32超えない[1][7] |
| network_alpha | 16(=dim/2でやや積極学習) | alpha=dimで安定/dim÷2で積極[1] |
| unet_lr | 1e-4 | 1e-4が基線、1e-3は高すぎ・5e-5は低すぎ気味[7][5] |
| text_encoder_lr | 5e-5(または0) | UNet比で低めが定石[5][1] |
| optimizer | AdamW8bit(自動調整派はProdigy) | Prodigy+cosineは設定楽で高品質[7] |
| lr_scheduler | cosine(warmup 10%) | SDXLキャラの定番[1][7] |
| max_train_steps | 900〜1600 | 1024解像度・40枚で1500前後[5] |
| train_batch_size | 2〜4(24GBなら4快適) | 16〜24GBでbatch2-4が快適[2] |
| noise_offset | 0.03 | Illustriousベースと同値に揃える[7] |
| min_snr_gamma | 5 | SDXL標準値[1][7] |
| clip_skip | 2 | Illustrious推奨[5] |
| gradient_checkpointing | 有効 | VRAM節約・3090Tiでも有効推奨[2] |
| keep_tokens | 1 | 先頭トリガーをシャッフルから保護 |
toml最小テンプレ(A01単体・要パス修正)
[model_arguments]
pretrained_model_name_or_path = "D:/.../wai_illustrious_v160.safetensors"
[dataset_arguments]
resolution = "1024,1024"
min_bucket_reso = 512
max_bucket_reso = 1536
keep_tokens = 1
[training_arguments]
network_module = "networks.lora"
network_dim = 32
network_alpha = 16
unet_lr = 1e-4
text_encoder_lr = 5e-5
optimizer_type = "AdamW8bit"
lr_scheduler = "cosine"
lr_warmup_steps = 90
max_train_steps = 1500
train_batch_size = 4
noise_offset = 0.03
min_snr_gamma = 5
clip_skip = 2
gradient_checkpointing = true
mixed_precision = "fp16"
save_every_n_steps = 200 # 過学習前の最良点を拾う
⚠ SDXL特有の注意SD1.5の感覚でdim128などにすると
確実に焼ける。SDXLは表現力が高いぶん低rankで足りる。
save_every_n_steps=200で複数チェックポイントを残し、step1000版がstep1500版より良いことが頻発する
[4]ので必ず比較する。
kohya学習コマンド
accelerate launch --num_cpu_threads_per_process 8 \
sdxl_train_network.py --config_file twin_A01.toml \
--train_data_dir "D:/dataset/A01" \
--output_dir "D:/loras" --output_name "A01_v1"
4-4. 双子/姉妹「似て非なる2キャラ」の描き分け設計
Grok-4.3検証＋実務知見の結論=髪色だけ違う双子は「1LoRA・マルチコンセプト(2トリガー)」が本命。別LoRA2本だと共有特徴(顔パーツ・体型)の一致率が落ち、2人並べた時に「双子に見えない」事故が起きる。また2LoRA同時適用は強い方が弱い方を上書きし両者が同じ顔になる典型失敗を招く[10]。
| 方式 | メリット | デメリット | 双子適性 |
|---|
1LoRA
マルチコンセプト | 共有特徴が完全一致/2人同時画が安定/管理1ファイル | キャプション設計が必須/混同リスクは要設計 | ◎ 本命 |
| 別LoRA2本 | 個別調整・流用が楽 | 顔の血縁感が出ない/同時適用で片方が勝つ[10] | △ |
マルチコンセプト実装(確定)
- トリガー命名:
A01twin / A02twin(キャラ名＋共通サフィックス)。髪色を名前に入れない(red_hair_twin等はNG)=髪色は別タグで学習させ可変に。
- フォルダ構成:
dataset/twinA/12_A01twin/ と 12_A02twin/(数字=repeats、各40枚以上)[9]。
- キャプション: 共通タグ
1girl, twins, detailed face ＋先頭トリガー固定。差異(髪色・瞳色)だけ別タグで明記[9]。トリガー数は全データで一定に保つ[9]。
- 髪/服が同じ姉妹は、表情・アクセ・髪型などで差を強調し、プロンプト側でも「older sister with longer hair / younger with twin tails」など差分キューを明示[9]。
- 2人同時生成: ComfyUIで
A01twin / A02twin をRegional Prompter / Attention Couple で左右領域に割当[8]。LoRA strength 0.85〜0.95(要smoke)。
4-5. 学習データが少ない時のブートストラップ(反復強化)
手元画像が薄い時の鉄板。粗LoRA(v0)で増殖→選別→本LoRA(v1)の2段ループ。
STEP1 種選別(30枚)
既存生成からベスト30枚を厳選。崩れ・指6本は除外。
STEP2 v0学習(step≈800)
dim=32 batch=4。3090Tiで約45分。荒くてOK、増殖の足場用。
STEP3 v0で増殖(120枚)
v0適用で多角度・多表情を120枚生成。seed振りで多様性確保。
STEP4 品質ゲート選別(→60枚)
「目鼻口の比率誤差5%以内・耳位置一致・輪郭一致」のみ通過。上位50%だけ次へ。崩れは1枚も混ぜない。
STEP5 v1再学習(step≈1200〜1400)
選別60枚で本LoRA。3090Tiで約70分。これが量産投入版。
🚨 選別が9割ブートストラップは崩れ画像を1枚でも混ぜると劣化が自己増幅する。スコア(Grok等)を信じず必ず実画像を目視して同一性判定すること(社内事案: スコア85点でも実画像は崩壊)。
4-6. 学習済みLoRAのComfyUI適用
LoraLoader のmodel/clip 両strengthを揃える。キャラLoRA単体は 0.8〜1.0 が基準。- 複数LoRA合算上限: 各々を少し下げ(0.5/0.6/0.7)、合計strengthを1.0〜1.5に収めるのが鉄則。超えると焼け・破綻[11][12]。
- ロード順はstyle → character → objectで固定すると干渉を読みやすい[12]。画風LoRAと併用時はキャラを後段に。
- 双子2人画はキャラLoRA strength高めだとRegional境界がにじむ→0.85前後で要smoke[8]。
💰第5章 収益試算 — LoRA1体の投資回収
3090Ti自宅GPUなら学習コストは電気代＋1〜2hで実質¥0〜数十円。これがシリーズ資産化する。
| 項目 | seed運用 | キャラLoRA運用 |
|---|
| キャラ再現コスト/Vol | seedガチャ数時間〜不可 | トリガー1語・即時 |
| 双子・姉妹商品 | 事実上不可 | マルチコンセプトで独占供給 |
| Vol.2以降の一貫性 | 崩壊リスク常時 | ロック済み |
| 初期投資 | ¥0 | 学習7日(1回のみ) |
回収モデルLoRA1体の学習日数は、そのキャラのVol.1販売1本で即回収。以降のVol.2〜は再現コストゼロで純利益化=シリーズLTVが跳ねる。双子モノは高単価ニッチで競合不在のため客単価も上がる。
🚨第6章 リスク — 過学習診断と法務
6-1. 過学習の診断サイン＆対処
| サイン | 意味 | 対処 |
|---|
| 背景・服が種画像に固着 | 過学習(memorize)[4] | step/epoch減・LR下げ・dim下げ[4] |
| 色が焼け・コントラスト崩壊 | LR高すぎ/step過多[14] | 200step毎chkで最良点採用[4] |
| ポーズ・表情が硬直 | 柔軟性喪失 | 多角度データ追加・dropout0.1[4] |
| 顔が崩れ別人化 | underfit or データ汚染 | 崩れ種除去・step増 |
| strength下げないと使えない | 過学習 | rank↓ alpha↑で再学習[4] |
即効レシピ過学習時は
rankを64/128→32/16へ下げると効率表現を強制でき改善
[4]。崩れたら焼き直しより
save_every_n_stepsの早いchkに戻るのが最速。
6-2. 法務
- 学習データは自家生成画像のみ(他者作・実在人物NG)。CC1の既存生成画像を種にする本手順は安全圏。
- InsightFace系は商用ライセンスに注意。本DRのキャラLoRA経路はそれを回避できる。
- R18は若年化表現(mature/adult禁止・18-21歳明示)の社内ルールを学習データ・推論双方で順守。
📅第7章 実装プラン(7日集中＋30日展開)
7-1. 7日集中(最初の1体を量産投入)
| Day | 作業 | 成果物/検証 |
|---|
| 0 | A01既存画像40枚厳選＋wd-tagger→手動修正 | dataset/A01/ 完成 |
| 1 | v0学習(dim32/alpha16/lr1e-4/step900/AdamW8bit) | A01_v0.safetensors |
| 2 | ComfyUIでseed固定smoke10枚→同一性OKなら追加60枚生成 | v0目視合格→増殖画像60 |
| 3-4 | 選別60枚でv1再学習(step1400/dim48)＝ブートストラップ | A01_v1.safetensors |
| 5 | v1 smoke＋seed比一貫性確認＋Regional双子テスト | 量産投入判定 |
| 6 | A02〜A05をv0まで並行学習 | 各v0 |
| 7 | 全キャラv1完成→ComfyUIワークフロー差し替え・seed運用撤廃 | 本番切替 |
7-2. 30日展開
| 週 | マイルストーン |
|---|
| W1 | A01単体LoRA量産投入(上記7日) |
| W2 | A02-A05 v1化＋双子マルチコンセプトLoRA着手(姉妹ペア) |
| W3 | 双子2人同時画(Regional)を量産化・双子CG集Vol.1制作 |
| W4 | toml/フォルダをテンプレ化→新キャラ「種40枚→v1」を1日で回せる工場化 |
🛑第8章 撤退ライン(KPI)
| KPI | 合格ライン | 未達時アクション |
|---|
| v1 顔同一性(目視10枚) | 9/10で同一キャラと判別可 | 種データ再選別→再学習(諦めない) |
| 多角度耐性(正面/横/煽り/俯瞰) | 4角度すべて崩れ無し | 欠落角度の種を3枚追加しv1.1 |
| 双子描き分け(2人画20枚) | 16/20で2人別人に見える | 差分キュー強化・Regional境界調整 |
| strength運用域 | 0.8〜1.0で実用 | 0.6以下でないと使えない→過学習で焼き直し |
| 1体の学習所要 | 7日以内に量産投入 | 3反復しても崩れる種=そのキャラは一旦保留 |
🕳️第9章 落とし穴TOP10
- SD1.5感覚でdim128→SDXLは焼ける。dim32が上限目安[1]。
- step過多→最終chkより途中chkが良いことが多い。200step毎保存で比較[4]。
- 崩れ画像を種に混入→ブートストラップで劣化が自己増幅。目視必須(スコア盲信NG)。
- 双子を別LoRA2本→同時適用で片方が勝ち同顔化[10]。1LoRAマルチコンセプトへ。
- 髪色をトリガー名に入れる→髪色固定されて服替え等の柔軟性喪失。髪色は別タグに。
- 複数LoRA合計strength>1.5→破綻。合計1.0〜1.5に収める[11]。
- 学習ベースと推論ベースが別モデル→一貫性低下。両方wai_v160で統一。
- 正則化画像をアニメ単一キャラに大量投入→過剰で似なくなる。原則不要[4]。
- 固定したい属性をタグに残す→トリガーに吸収されず再現が不安定。固定属性はキャプションから消す。
- text_encoder_lrをunetと同値→TEは低め(5e-5や0)が定石[5]。
🧰第10章 既存資産活用(CC1直結)
- 既存生成画像=最高の種。A01〜A05のベストショットをそのままDay0データに。買い直し不要。
- 品質ゲート
r18_quality_gate.html をLoRA種選別の判定にも流用(顔・若さ・髪色違反チェック)。
- メモリ番人
_mem_guard_2026-05-22.py は学習中は不要だが、学習後の増殖生成(STEP3/v0量産)時は常駐推奨。
- GOLDENプロンプト(
_prod_plain_golden_2026-05-22.py)に LoraLoader を挿すだけで本番化。盛らない原則は維持。
- 三面図を持っていればDay0の角度欠落を即補完できる(社内三面図DR参照)。
📚第11章 関連DR一覧(社内資産・本DRの前後関係)
| 関連DR | 本DRとの関係 |
|---|
| DR_AIエロ同人キャラLoRA学習実践完全ガイド_2026-06-09 | 姉妹DR。総論はそちら、本DRは双子描き分け・ブートストラップ・7日ロードマップに特化した実装版 |
| DR_LoRA学習パラメータ最適化_2026-06-08 | パラメータ深掘りの上位互換。dim/alpha/Prodigy詳細はこちら参照 |
| DR_キャラLoRA学習_三面図データセット_R18一貫性_2026-05-30 | データセット三面図設計の詳細 |
| DR_キャラLoRA活用完全ガイド_2026-06-08 | 学習後のシリーズLTV・運用面 |
| DR_複数LoRA併用の強度設計と干渉回避_2026-05-30 | 複数LoRA合算の詳細 |
| DR_RegionalPrompter多人数制御_2026-06-08 | 双子2人同時生成の領域制御実装 |
| DR_R18LoRA顔崩れ埴輪化防止_2026-06-01 | 過学習・顔崩れ対策の深掘り |
| DR_LoRA少枚数高精度学習法2026_2026-06-04 | 少枚数ブートストラップの補完 |
🔗第12章 脚注(全URL・実在確認済)
- Civitai — LoRA training parameters guide for SDXL/Illustrious (on-site trainer): https://civitai.com/articles/21257/lora-training-parameters-guide-for-sdxl-illustrious-civitai-on-site-trainer
- Sanj.dev — LoRA Training 2025 Ultimate Guide (Kohya, VRAM要件): https://sanj.dev/post/lora-training-2025-ultimate-guide/
- bmaltais/kohya_ss Wiki — LoRA training parameters: https://github.com/bmaltais/kohya_ss/wiki/LoRA-training-parameters
- Apatero — LoRA Training Troubleshooting Top 10 Issues 2025(過学習/正則化): https://apatero.com/blog/lora-training-troubleshooting-top-10-issues-solutions-2025
- DCAI — How to create an original character LoRA [Illustrious-XL Training]: https://www.digitalcreativeai.net/en/post/original-character-lora-illustrious-character-training
- Hugging Face Forums — Perfect LoRA Training parameters human character: https://discuss.huggingface.co/t/perfect-lora-training-parameters-human-character/147211
- Rentry — THE OTHER LoRA TRAINING RENTRY(Prodigy/noise_offset/min_snr_gamma): https://rentry.co/59xed3
- PixAI — LoRA advanced techniques: trigger words & multi-character generation: https://pixai.art/articles/en/lora-advanced-techniques-trigger-words-multi-character-generation-and-collection-management/
- GitHub Haoming02 — All-in-One Stable Diffusion Guide / LoRATraining(マルチコンセプト/トリガー): https://github.com/Haoming02/All-in-One-Stable-Diffusion-Guide/blob/main/LoRATraining.md
- AI Advances — Noobs guide to creating two character consistent image(2LoRA同顔化問題): https://ai.gopubby.com/noobs-guide-to-creating-two-character-flux-ai-image-24ac6ac82890
- Neurocanvas — Multi-LoRA Workflows in ComfyUI: Stacking & Composition: https://neurocanvas.net/blog/multi-lora-workflows-comfyui/
- ComfyUI Docs — Multiple LoRAs Example: https://docs.comfy.org/tutorials/basic/multiple-loras
- MyAIForce — Using (Multiple) LoRA in ComfyUI: A Minimalist Workflow: https://myaiforce.com/comfyui-lora/
- Medium (Dreams Are Real) — Understanding LoRA Training Part 1 (LR/dim/alpha): https://medium.com/@dreamsarereal/understanding-lora-training-part-1-learning-rate-schedulers-network-dimension-and-alpha-c88a8658beb7
- DCAI — How to create an original character LoRA [SDXL Training]: https://www.digitalcreativeai.net/en/post/original-character-lora-sdxl-character-training
- DLsite公式 — AI生成作品専用フロア案内(AI作品取扱再開): https://www.dlsite.com/maniax/works/ai
- FANZA同人 — 同人CG集ランキング(新規投入量の市場観測): https://www.dmm.co.jp/dc/doujin/-/ranking/
- Propelrc — Kohya LoRA Training Settings Explained: Complete Guide 2026: https://www.propelrc.com/kohya-lora-training-settings-explained/
※脚注[16][17]の市場値は公開ストアの観測ベース。学習パラメータ確定値は[1][5][7]の複数ソース照合＋Grok-4.3検証で確度を担保。不確実箇所は本文に「要smoke検証」と明記済。