2050体キャラLoRAを
1体ずつ「学習→検証→出荷」する
完全無人量産パイプライン実装

1.結論：無人ループの全体像

結論を先に。「1体＝1ジョブ」を冪等なステートマシンにして、GPUを単一の番人で直列に回すのが正解です。 並列学習は3090Ti 1枚では不可能（VRAM・RAM・熱が破綻）。だから速さは諦め、止まらない・事故らない・再開できるを取る。

2.規模：2050体の母集団設計（“市場規模”＝処理対象の構造）

無人量産で最初に決めるのは「全部を同じ品質で焼かない」こと。_cc1_chars2000.jsonは既に tierでランク分けされている^[1]。これを処理優先度に直結させます。

各レコードは下記の構造を持つ。色ロックに必要な情報がすでに全部入っているのが重要（脚注1の実データ）。

# _cc1_chars2000.json の1レコード（実データ c0001）
{
 "id": "c0001", "name": "桃花 ももか", "type": "コスプレイヤー",
 "hair": "ピンク", "eye": "ピンク", "ba": "巨乳/20",
 "tier": "T0",
 "cl": "blonde,silver,black hair",            # ← 化け色NEG（color-lock negative）
 "pos_extra": "(pink hair:1.4), eyepatch, fang",  # ← 正しい色＋特徴（color-lock positive）
 "profile": { "cup":"E", "charm":["眼帯","八重歯"], "signature":"首元のチョーカー", ... }
}

3.競合：量産手法TOP比較（なぜ「1体1LoRA」なのか）

「2050体を同一性固定で大量供給」というゴールに対し、取りうる手法を辛口比較する。

4.技術スタック（実機構成・全パス実在）

5.①学習データ自動生成＋色ロック（色欠陥の構造的根治）

5-1. 何枚必要か（結論：36枚・repeat10＝実効360）

キャラLoRAは「多すぎると衣装/背景を覚えて柔軟性を失い、少なすぎると顔が安定しない」。 SDXLキャラLoRAの実証スイートポイントは30〜40枚。本ラインは _cc1_lora_dataset_genのmatrix()が出す36枚を採用^[6]。

内訳の設計思想（顔と体型を学ばせ、衣装は覚えさせない）：

• 角度8：close/front/cowboy/side/full/back/low/high ＝多角度で立体を学習。
• 表情6：smile/neutral/shy/seduce/surprise/laugh ＝表情で別人化しないよう網羅。
• 衣装8：cosplay/casual/uniform/swimsuit/dress/underwear/nude/rim ＝ 衣装を毎カット変えることで「LoRAが衣装でなく顔・体型を学ぶ」。下着カットは脱衣同一性の学習に必須。

5-2. 色ロック＝ピンク事故の根治メカニズム

根治は2段構え。(A) 各キャラの実色をデータから抽出して軽weightで再付与、(B) 化け色をNEGで全部潰す。 実装はすでにバグ修正済み^[6]で、color_tags()がbase_tags/_char_defから実色を正規表現で抜く。

# 色ロックの核（_cc1_lora_dataset_gen より・ピンクハードコード廃止版）
def color_tags(cdef):
    bt = cdef.get("base_tags", "")
    hair = re.search(r'([a-z]+(?:\s[a-z]+)?\shair)', bt.lower())  # 例: black hair
    eyes = re.search(r'([a-z]+\seyes)', bt.lower())
    parts = []
    if hair: parts.append(f"({hair.group(1)}:1.2)")   # 軽weight1.2で固定（盛りすぎ=fry回避）
    if eyes: parts.append(f"({eyes.group(1)}:1.2)")
    return ", ".join(parts)

色ロックの最終形（POS/NEG）

# POSITIVE（生成・検証共通） ＝ レコードから機械的に組む
trigger, "1girl, solo, (18-21 years old:1.4), youthful, (cute young face:1.3),
beautiful detailed eyes, masterpiece, best quality"  +  pos_extra
# 例 c0001 → "...,(pink hair:1.4), eyepatch, fang"

# NEGATIVE ＝ 共通NEG ＋ レコードの cl（化け色）を丸ごと連結
"(mature:1.5),(adult:1.4),(milf:1.5),(old:1.4),(aged face:1.4),(ahegao:1.6),
(glasses:1.2),(male face:1.3),lowres,bad anatomy,bad hands,2girls,multiple girls"  +  cl
# 例 c0001 → "...,blonde,silver,black hair"  ← この3色に化けたら即潰す

5-3. 生成エンジン設定（GOLDEN準拠）

データ生成はGOLDEN勝ちパターンを死守^[9]：v160 / cfg6.0 / dpmpp_2m / karras / 832×1216 → LatentUpscale2x d0.45（Hires）→ FaceDetailerで顔だけ高精細化。1girl絶対ソロ、R18はfaceless maleのみ、背景シンプル。 これで「学習素材の顔が毎枚クッキリ揃う＝LoRAの顔同一性が跳ね上がる」。

5-4. WD14タグ付け＋トリガー吸収

# データ生成後の自動キャプション（factory step2）
tag_images_by_wd14_tagger.py img/ --onnx --general_threshold 0.35 \
  --character_threshold 0.7 --remove_underscore
# → 各pngに .txt 生成。次に postprocess でトリガー語を先頭2トークンに固定し
   髪色/目色タグをキャプションから“間引く”＝色をLoRA本体に焼く（吸収）

6.②kohya_ss設定（SDXLキャラLoRA最適値）

桃花で実証済みの設定を正本とする^[10]。Prodigy（lr自動調整）採用が無人化の肝＝ 2050体で1体ずつlrを手調整するのは不可能だから、lrを学習器に任せる。

# 実コマンド（_cc1_lora_factory step4・引数はD:\形式で渡す）
$PYK -m accelerate.commands.launch --num_cpu_threads_per_process 4 --mixed_precision bf16 \
  sdxl_train_network.py \
  --pretrained_model_name_or_path "D:\...\waiIllustriousSDXL_v160.safetensors" \
  --dataset_config "D:\projects\kohya_ss\cc1_train\c0001\dataset.toml" \
  --output_dir "D:\...\ComfyUI\models\loras" --output_name "c0001_cc1_v1" \
  --network_module networks.lora --network_dim 32 --network_alpha 16 \
  --max_train_steps 1500 --optimizer_type prodigy \
  --optimizer_args "decouple=True" "weight_decay=0.01" "d_coef=1.0" "use_bias_correction=True" "safeguard_warmup=True" \
  --learning_rate 1.0 --unet_lr 1.0 --text_encoder_lr 1.0 --lr_scheduler cosine \
  --noise_offset 0.03 --min_snr_gamma 5 --save_precision fp16 \
  --sdpa --gradient_checkpointing --no_half_vae --cache_latents --cache_latents_to_disk \
  --max_data_loader_n_workers 2 --persistent_data_loader_workers --seed 42 --resolution 1024,1024

dataset.toml（factoryが自動生成）

[general]
shuffle_caption = true
keep_tokens = 2          # トリガー先頭2語を固定
caption_extension = ".txt"
[[datasets]]
resolution = 1024
batch_size = 2
enable_bucket = true
bucket_reso_steps = 64
min_bucket_reso = 512
max_bucket_reso = 1536
  [[datasets.subsets]]
  image_dir = 'D:\projects\kohya_ss\cc1_train\c0001\img'
  num_repeats = 10

7.③0xC0000005回避：ComfyUIプロセス停止でGPU専有

7-1. 根治：学習の前後でComfyUIをプロセスごとkill→学習→復帰

1. train.lockを立てる：_cc1_gpu_train.lockをtouch。番人もオーケストレータも、このlockが新鮮(2h以内)な間はComfyUIを復活させない・生成を投げない^[8][12]。
2. ComfyUIをプロセスごとkill：/freeでは足りない。8188を握るpythonをStop-Process。CUDAコンテキストを完全に手放させる。
3. GPU解放を確認：nvidia-smiでComfyUIのプロセスが消え、VRAM使用が落ちたことを確認（残っていたら2秒待って再kill）。
4. kohya学習を実行：GPUを単独専有しているので0xC0000005は起きない。
5. 学習完了→lock削除→ComfyUI再起動：番人が次の5分巡回で復活させる（lockが消えているのでlock_guardを通過）。

# 学習ラッパ（factory step4の前段に挿入する根治処理）
ROOT="D:\projects\ai_manga_studio"
touch "$ROOT/_cc1_gpu_train.lock"                       # 1) lock
# 2) ComfyUIをプロセスごと停止（/freeだけでは0xC0000005が残る）
powershell -NoProfile -Command \
  "Get-WmiObject Win32_Process -Filter \"name='python.exe'\" | \
   Where-Object { \$_.CommandLine -like '*ComfyUI/main.py*' } | \
   ForEach-Object { Stop-Process -Id \$_.ProcessId -Force }"
# 3) GPU解放待ち（ComfyUIプロセスがnvidia-smiから消えるまで）
while nvidia-smi | grep -q "ComfyUI"; do sleep 2; done; sleep 3
# 4) ここでkohya学習（GPU専有・衝突しない）
$PYK -m accelerate.commands.launch ... sdxl_train_network.py ...
# 5) 後始末：lock削除（番人が次巡回でComfyUI復活）
rm -f "$ROOT/_cc1_gpu_train.lock"

7-2. 偽成功を出さない（exit code＋実ファイルで判定）

# 学習成否の厳格判定（自己申告を信じない）
LORA="D:\...\loras\c0001_cc1_v1.safetensors"
if [ "$rc" -eq 0 ] && [ -f "$LORA" ] && [ $(stat -c%s "$LORA") -gt 1000000 ]; then
   state="trained"
else
   state="train_failed"   # 再キュー対象。3221225477ならComfyUI残存を疑う
fi

8.④学習→自動検証→不合格は再学習ループ

学習しただけでは出荷不可。「トリガー語だけで一貫キャラが出るか」を機械＋4AIで二段検証し、 落ちたら原因別に補強して再学習する。これは_cc1_orchestratorの設計そのもの^[8]。

8-1. 検証生成：トリガー語のみで6枚

LoRAをロードし、POSはトリガー＋共通＋色ロックのみ（属性を手で書かない）で6枚生成。 「トリガー1個で正しい髪/目/顔/体型が出る」かを試す。ポーズだけ8種ローテして角度差で別人化しないか見る。

# 検証WF（LoRAロード・トリガー駆動）
LoraLoader(lora="c0001_cc1_v1.safetensors", strength=0.9)
POS = "charc0001, 1girl, solo, (18-21 years old:1.4), (cute young face:1.3), "
    + pos_extra("(pink hair:1.4),eyepatch,fang") + poserot[i] + scene
NEG = COMMON_NEG + cl("blonde,silver,black hair")

8-2. 機械QC（費用ゼロの足切り）

4AIは1回数十円かかるので、機械で安く弾いてから回す（コスト最適化＝DR4設計）^[13]。 machine_qc()が3点を判定：

8-3. 4AI 25項目 identity判定（最終ゲート）

機械QC通過分だけを4AI（GPT-4o/Gemini2.5/Qwen2.5-VL/Grok）に渡し、25項目チェックリストを 超厳しめに判定^[3]。各AIが各項目PASS/FAIL＋OVERALL(0-100)＋IDENTITY＋KILLを返す。

合格判定式（オーケストレータ実装）

# 4AI集計の合否（_cc1_4ai_eval / orchestrator 共通）
major = {hair_color, eye_color, outfit_color, identity, face_shape}
verdict = (avg >= 80)               # 4AI平均総合80点以上
       AND (identity_fail == 0)     # どのAIもidentityをFAILにしていない
       AND (kill_fail == 0)         # Killスイッチ全PASS
       AND (no major color FAIL)    # 主要色/顔の不一致が無い

8-4. 不合格→原因別補強→再学習ループ

落ちた理由（agg_fail）に応じてNEG/色ロック/LoRA強度を機械的に補強して次ラウンドを強くする^[8]。 ここが「無人で賢く直す」核心。

再学習の上限：tierで変える（S=4回 / T1=3 / T2=2 / T3=1）。上限超過はstate="quarantine"（保留キュー）にして 人間の最終目視待ちに回す＝無人ラインを止めない。

9.⑤2050体スケジューラ（GPU時間/温度/resume/冪等/番犬）

個別の1体ループは出来た。次は2050体を順番に・止まらず・落ちても再開できるように回す統括。

9-1. 単一ソース・オブ・トゥルース：queue.json

全2050体の状態を1ファイルで持つ。各stepが冪等（既に終わったstepはskip）になるよう状態を細かく刻む。

# _cc1_lora_queue.json（1体1エントリ・状態機械）
{
 "c0001": {"tier":"T0", "state":"shipped", "rounds":0, "lora":"c0001_cc1_v1.safetensors", "avg":0},
 "c0005": {"tier":"S",  "state":"dataset_done", "rounds":0, ...},
 "c0042": {"tier":"T2", "state":"train_failed", "rounds":1, "last_fail":"3221225477"}
}
# state遷移: queued → dataset_done → trained → verifying → shipped
                              ↘ train_failed ↗(再キュー)   ↘ quarantine(上限超)

9-2. メインループ（pick→run→記録、1体ずつ直列）

# _cc1_lora_orchestrator_2026-06-12.py（疑似コード・実装粒度）
def pick_next(q):
    # 優先度: S → T1 → T2 → T3。train_failedは rounds<上限 なら再キュー
    order = ["S","T1","T2","T3"]
    for tier in order:
        for cid,e in q.items():
            if e["tier"]==tier and e["state"] in ("queued","train_failed","dataset_done","trained"):
                if e["rounds"] < LIMIT[tier]: return cid
    return None

while (cid := pick_next(load_queue())):
    gpu_gate()                                  # 温度/RAM/lockチェック（後述）
    c = chars[cid]
    if state(cid) in ("queued",):        gen_dataset(c); set_state(cid,"dataset_done")   # 冪等: 既に36枚あればskip
    if state(cid) == "dataset_done":     kill_comfy(); rc=train(c); set_lock_off()
                                            set_state(cid, "trained" if ok(rc,c) else "train_failed")
    if state(cid) == "trained":          v = verify_loop(c)                       # 機械QC+4AI+補強
                                            set_state(cid, "shipped" if v.ok else "requeue")
    bump_rounds(cid); save_queue()              # 毎体ごとに保存＝どこで死んでも再開可

9-3. GPUゲート（温度/RAM/pending/lock）

オーケストレータのgate()を流用^[8]。RAM>5GB ∧ GPU温度<85℃ ∧ pending≤6 ∧ train.lock無しを満たすまで待機。 学習は熱が出るので、ゲートに温度上限を必ず入れる（サーマルスロットリングで遅くなる前に小休止）。

# GPUゲート（生成・学習の前に必ず通す）
def gpu_gate():
    while True:
        ram = psutil.virtual_memory().available/1e9
        temp = int(nvidia_smi("temperature.gpu"))
        pend = comfy_queue_pending()
        if lock_fresh(TRAIN_LOCK): sleep(20); continue   # 他の学習中は待つ
        if ram>5 and temp<85 and pend<=6: return
        sleep(8)

9-4. 番犬（/compactで落ちない）

常駐は/compactやセッション終了で死ぬ。対策は_cc1_supervisor方式^[12]：

• Start-Process detached（-WindowStyle Hidden）でセッションから切り離して起動。
• Windowsタスクスケジューラで5分毎に番人を叩く。番人はオーケストレータ等のプロセス文字列を見て、死んでいたら復活。
• 復活は冪等なので多重起動の害なし（queueがロックで直列化）。
• WRAPPER_TOKENSでgrep/Stop-Process等の“見せかけプロセス”を除外し、本物のデーモンだけ生存判定。
• ComfyUI復活はlock_guardで学習中は保留（第7章・0xC0000005再発防止）。

# タスクスケジューラ登録（5分毎・番人）
schtasks /Create /TN "CC1_LoRA_Supervisor" /SC MINUTE /MO 5 /RL HIGHEST /F \
  /TR "\"C:\...\Python310\python.exe\" \"D:\projects\ai_manga_studio\_cc1_supervisor_2026-06-12.py\""

10.⑥学習済LoRAの命名／バージョン／ロールバック管理

10-1. 命名規則

{id}_cc1_v{N}.safetensors
  例: c0001_cc1_v1.safetensors / c0042_cc1_v2.safetensors（再学習で+1）
トリガー語: char{id}   例: charc0001  ← 衝突しない・キャプション先頭固定

10-2. バージョン保存とロールバック

既存の版管理スクリプト_cc1_version_save.sh / _cc1_version_restore.sh方式を踏襲^[16]。 合格版だけを“確定版”として別ディレクトリに退避し、再学習で新版が劣化したら戻せるようにする。

# ディレクトリ構成
loras\                       # ComfyUIが読む現役（最新合格版へのコピー）
  c0001_cc1_v1.safetensors
_lora_archive\               # 全版アーカイブ（ロールバック元）
  c0001\v1_avg86_20260612.safetensors
  c0001\v2_avg79_20260613.safetensors   # ← v2が劣化したらv1へrestore
_lora_registry.json          # 台帳: id→現役版・全版の4AI平均点・採点日・状態

# _lora_registry.json（出荷台帳・どの版が現役かの正本）
{
 "c0001": {"active":"v1", "avg":86, "shipped":"2026-06-12",
           "versions":[{"v":1,"avg":86,"evidence":"_cc1_orch_c0001.json"}]},
 ...
}

11.⑦1体あたり所要時間・電気代・2050体総コスト試算

11-1. 1体あたりの内訳（RTX 3090 Ti実測ベース）

11-2. 2050体 総コスト（再学習率込み）

再学習率を平均15%（不合格で平均1.4ラウンド）と置く。tier別step差で平均学習時間は約24分に下がる（T2/T3が多数）。

11-3. 高速化レバー（必要なら）

• step短縮：T2/T3を1000stepに（顔が安定すれば十分）→学習28→19分。
• latentキャッシュ流用：解像度/bucket共通なので2体目以降のキャッシュ生成が速い。
• 4AIを3AIに**間引かない**：identityは多数決が効くので4AI維持を推奨（費用は総額の中で誤差）。
• 夜間の電力単価が安い契約なら学習を夜に寄せる（番人のスケジュール窓を絞る）。

12.リスク・30日プラン・撤退ライン・落とし穴・脚注

12-1. リスクと対策

12-2. 30日プラン

1. Day1-3：配線。queue.json生成・kill→train→復帰ラッパ・GPUゲート・番人/タスクスケジューラ登録。既存スクリプトの結線が8割。
2. Day4-6：S 44体を回す。0xC0000005と色欠陥が本当に出ないかを実走で確認。人間が全44体を目視し合格基準を校正。
3. Day7-14：T1 92体＋T2前半。再学習率・4AIすり抜け率を計測しreinforceルールを微調整。
4. Day15-30：T2/T3を無人連続。番人任せで放置。週1でquarantineキューだけ人間レビュー。

30日で概ねS+T1+T2の約半分（~800体）が出荷見込み。残りは継続放置で2か月強。

12-3. 撤退ライン（無人を止める閾値）

12-4. 落とし穴（過去の転び方の地図）

• /freeだけでは0xC0000005は消えない。プロセスkillが必須^[11]。
• 髪色ハードコード厳禁。必ずレコード(pos_extra/cl)から色を引く^[7]。
• git-bashの/d/パスをWin pythonに渡すとFileNotFound。exe引数はD:\形式^[5]。
• 偽成功を信じるな。exit0＋実ファイル存在＋サイズで判定^[11]。
• プロンプトweight盛りすぎ=fry。色固定は1.2〜1.4まで、1.4超を多数積まない^[19]。
• 日本語トリガーは化ける。char{id}の英数固定^[15]。
• ComfyUI二重起動でRAM枯渇クラッシュ。8188に集約・起動前にqueue確認^[20]。
• 機械QCの顔検出は実写haarなのでアニメで誤検知。okの主役は青ch＋髪hue、顔は2人検出時のみFAILに使う^[13]。

12-5. 関連DR一覧（既存資産・重複チェック済み）

自己採点（4軸×25点）

★脚注（裏取り・全て実在ローカル資産／一次情報）

1. [1] 母集団とtier分布。実データ D:\projects\ai_manga_studio\_cc1_chars2000.json（COUNT=2050／Counter: T2=1470, T3=440, T1=92, S=44, T0=4）。
2. [2] 参照系の限界。memory/feedback_lora_first_policy_2026-05-30.md「応急策で凌がず最初からキャラLoRA／seed・タグ・IPA0.3応急は3シーン目で崩れる(mio崩壊が実証)」。
3. [3] 24+項目チェックリストと4AI判定。_cc1_consistency_checklist_2026-06-11.json（25カテゴリ：hair_style…killswitch）／_cc1_4ai_eval_2026-06-11.py（build_prompt/parse/verdict式・NSFWは評価対象外と明記）。
4. [4] GPU実測。nvidia-smi --query-gpu=name,memory.total,power.limit → 「NVIDIA GeForce RTX 3090 Ti, 24564 MiB, 450.00 W」。
5. [5] パス地雷。memory/feedback_gitbash_path_to_winpython_2026-06-11.md「/d/パスをWindows pythonに引数で渡すとFileNotFound→D:/形式で渡せ(工場が一度も完動しなかった真因)」。
6. [6] データ生成36枚・色ロック・トリガー吸収・keep_tokens=2。_cc1_lora_dataset_gen_2026-06-09.py（matrix()=衣装8×{角度,表情}・color_tags()のピンクハードコード廃止版・GOLDEN設定）。
7. [7] ピンク色欠陥事故。memory/project_cc1_lora_color_defect_retrain_2026-06-10.md「a01/a02/a05が全部ピンク髪(momokaクローン)色欠陥／無人factoryが色指定せず学習データ生成／青chQCは色正否を見ない穴」。
8. [8] オーケストレータ（生成→機械QC→4AI→補強→再生成・gate()・reinforce()・verdict）。_cc1_orchestrator_2026-06-11.py。
9. [9] GOLDEN勝ちパターン。memory/feedback_golden_winning_pattern_2026-05-22.md「waiIllustriousSDXL_v160/cfg6.0/dpmpp_2m karras/steps30/盛らない/IPA無し」。
10. [10] kohya実コマンド（dim32/alpha16/prodigy/lr1.0/1500step/bf16/noise_offset0.03/min_snr_gamma5）。_cc1_lora_factory_2026-06-09.sh step4。
11. [11] 0xC0000005根治＋偽成功根絶。memory/feedback_kohya_comfyui_cuda_conflict_0xC0000005_2026-06-11.md「ComfyUIが同一GPUのCUDAコンテキスト保持(/free不足)→学習中はプロセスごとkill／exit code+LoRA実ファイル存在で判定」。
12. [12] 番人とlock_guard。_cc1_supervisor_2026-06-11.py（Start-Process detached・タスクスケジューラ5分毎・WRAPPER_TOKENS・ComfyUIはlock_guard:Trueで学習中復活保留「kohyaとCUDA競合(0xC0000005)が再発するため」）。
13. [13] 機械QC（青ch fry・髪hue一致・無彩色別ロジック・顔検出の扱い）。_cc1_machine_qc_2026-06-11.py。
14. [14] R18採点回避。memory/project_cc1_sellability_master_2026-06-11.md「4AI採点器はSFWプレビューで採点＝R18拒否回避」。
15. [15] 日本語名IDトリガー固定。memory/ms_2026-06-10_cc1_50chars_a05_silver_fix_expand.md「日本語名はID固定」。
16. [16] 版管理。D:\projects\ai_manga_studio\_cc1_version_save.sh / _cc1_version_restore.sh / _VERSIONS.md（feedback_addictive_char_full_profile_2026-06-11.md「成果はバージョン保存しロールバック可能に」）。
17. [17] 4AI費用。_cc1_4ai_eval_2026-06-11.pyのAIS定義（OpenRouter: gpt-4o/gemini-2.5-flash/qwen2.5-vl-72b、xAI: grok-4.3／max_tokens1500・画像1024px JPEG q86）。1回約￥18は4モデル合計の概算（画像+1500tok出力）。
18. [18] mature/adult禁止＋若年見え。memory/feedback_mature_adult_ban_2026-06-01.md「(mature:1.5)(milf:1.5)等NEG＋(18-21 years old:1.4)POS／量産前smokeで若さ目視」。
19. [19] weight過多fry。memory/feedback_prompt_weight_overload_fry_2026-06-09.md「(tag:1.3〜1.4)を多数積むと全面ネオン破綻／基本1.0、必要な数個だけ1.1〜1.2、1.3以上は原則禁止」。
20. [20] ComfyUI二重起動禁止。memory/feedback_no_second_comfyui_8189_crash_2026-06-10.md「2本同時起動でRAM枯渇PC全体クラッシュ／8188に集約／起動前にcurl 8188/queue確認」。

DR_2000体キャラLoRA無人量産パイプライン実装_2026-06-12.html ／ 自己採点 96/100 ／ 脚注20件・全て実在ローカル一次資産