LoRAの仕組み・使い方を解説！Stable Diffusionへの導入方法や活用事例も紹介
- LoRAは既存のAIモデルに追加学習を行い、特定の画風やキャラクター、商品デザインなどに合わせてカスタマイズする技術
- 元のモデルを固定して追加パラメータを学習するため、LoRAはフルファインチューニングと比べて学習するパラメータ数や計算量を抑えやすい
- LoRAはキャラクター制作やアニメ、マーケティング画像生成など幅広く活用されており、利用時はライセンスや著作権などの確認が重要
画像生成AIを使っていると、「同じキャラクターを安定して生成したい」「自社の商品やブランドに合った画像を作りたい」など思うことが多々ありますが、通常の画像生成AIではこうした細かな調整が難しい場合があります。LoRAは、こうした画像生成の細かなカスタマイズに活用されている技術のことで、ベースとなるAIモデルに特定の画風やキャラクター、商品の特徴などを追加で学習させることで、用途に合わせた画像を生成しやすくなります。
本記事では、LoRAの仕組みやメリット、ファインチューニングとの違い、LoRAの作成・導入方法、実際の活用事例まで詳しく解説します。LoRAがどのような技術なのか知りたい方は、ぜひ参考にしてください。
＼生成AIを活用して業務プロセスを自動化／
LoRAとは
LoRAとは『Low-Rank Adaptation』の略で、既存のAIモデルを固定したまま追加する少量のパラメータを学習させる方法です。
通常のファインチューニングでは、モデル全体を調整するため大量の計算や高性能なGPU、長い学習時間が必要になりますが、LoRAなら必要な部分だけを学習するため短時間・低コストでAIモデルをカスタマイズできます。
特にStable Diffusionなどの画像生成AIでよく使われており、特定の画風やキャラクター、自社ブランドに合った画像などを作るときや、リアルな人物やアニメキャラクターの雰囲気を再現する際にLoRAが利用されています。
なお、ファインチューニングについて詳しく知りたい方は、下記の記事を合わせてご確認ください。
LoRAの仕組み
LoRAは、既存のAIモデルのベースモデル（既存の学習済みモデル）の部分をすべて学習し直すのではなく、必要な一部だけを効率的に調整する仕組みです。
AIモデルは、膨大なデータをもとに「どのように情報を処理するか」を数値化した「重み（パラメータ）」によって動いています。従来のファインチューニング（再学習）では、この重み全体を新しいデータに合わせて再計算するため、膨大なコストと時間がかかっていました。
LoRAでは、この重みの一部を低ランクと呼ばれる小さな構造に分解し、その部分だけを新たに学習します。例えるなら、巨大なエンジンを丸ごと作り直すのではなく、必要なパーツだけを取り替えるようなイメージです。
この方法により、ベースとなるモデル（たとえばStable Diffusionなど）はそのままに、追加パーツ（LoRA）で「特定の絵柄」「特定の人物」「自社ブランドのトーン」などを後から上乗せできるようになりました。学習するデータも少なく済み、一般的には数時間〜1日ほどの学習で変更ができます。
また、LoRAはベースモデルと独立して扱えるため、用途に応じて着脱や組み合わせが可能です。たとえば、「Aブランド用のLoRA」と「Bブランド用のLoRA」を切り替えることで、同じAIでもまったく違うテイストの画像を生成できます。
LLMのカスタマイズにも活用可能
LoRAというと、Stable Diffusionなどの画像生成AIで使う技術というイメージが強いかもしれませんが、LLMのカスタマイズにも利用されています。
LLMを自社の業務や目的に合わせて調整したい場合、モデル全体を学習し直す方法もありますが、それには大きな計算コストがかかります。そこで、必要な部分だけを追加で学習できるLoRAが活用されます。
たとえば、自社独自のルールや文章の書き方を反映させたい場合、既存のモデルが持つ能力をベースに必要な部分だけを調整できるため、効率よく自社向けのLLMに調整することが可能です。
このようにLoRAは、画像生成AIの画風やキャラクターを調整するだけでなく、LLMを特定の用途に合わせてカスタマイズする方法としてもLoRAは使われています。
LoRAを導入するメリット
LoRAを導入するメリットは、以下の4つです。
とくに、少ない計算量でハイクオリティの画像を生成できるようになる点が魅力です。以下で、それぞれのメリットを詳しく紹介していくので、ぜひ参考にしてみてください。
少ない計算量で追加学習可能
LoRAは、AIに対して少ない計算量で効率よく追加学習できます。元のモデルのパラメータを直接変更するのではなく、低ランクの行列を導入してパラメータを変更できるためです。
例えば、LoRAの論文のなかでは、GPT-3 175Bモデルにおいて訓練可能なパラメータを10,000倍減らしたと記載されていました。GPUメモリ要件を3倍削減したとも書かれているので、かなり少ない計算量に抑えられていることがわかりますね。
中小企業にとって、高性能なAIの導入はこれまで高いハードルでしたが、LoRAならその壁を乗り越えられそうです。仮にリソースが限られた中小企業でも、自社の顧客データを活用して商品PRの効果を高めることに成功できそうです。予算や人員が限られている中でも、手の届く範囲でAIの恩恵を受けられるのは心強いですね。※1
クオリティの向上
LoRAを導入すると、より詳細なプロンプトが生成画像に反映されるようになるため、生成画像のクオリティが向上します。写真風の画像であれば、よりリアルな人物画像に近づけるのがメリットです。
特にファッションブランドのような業界にとって、魅力的な商品写真は命ですよね。LoRAを取り入れれば、夏の新作水着なら、まるで本物のビーチで撮影したかのような自然な雰囲気の画像が作れます。陽の光を浴びながらポーズを決めるモデルの表情まで、細部にこだわった映えるビジュアルに。ECサイトやインスタグラムに投稿すれば、思わず「欲しい！」と思わせる商品展開が可能になります。
好みの画風に設定可能
LoRAを使用すれば、アニメ風・3D風・映画風など、好みの画風に設定できます。自社サービスを訴求するのに最適なスタイルに設定できるのがメリットです。
ゲーム開発会社がLoRAを活用すれば、新作タイトルのキャラクターデザインをアニメ調にアレンジすることも可能です。
キャラクターの衣装やポーズも細かく調整できるので、新作の主人公が伝説の剣を構えているようなシーンも思いのままに。プロモーション素材として使えば、ゲームの魅力を存分に引き出せるはずです。
同一人物の画像生成が可能
LoRAを使用すれば、同一人物の画像を続けて生成することもできます。従来の画像生成AIでは、毎回別の人物が生成されてしまっていたので、これは大きなメリットといえますね！
企業が自社のイメージキャラクターをLoRAで生成する場合、例えば「自社のマスコットキャラクターが異なる季節の服装を着ているシーン」を生成できます。春なら満開の桜に映える和装、真夏の海辺でかわいい水着姿、秋の紅葉デートにぴったりなカジュアルコーデ、そして冬には雪景色に映えるあったかコートスタイル。
こうした季節感あふれる装いで、SNSやプロモーション素材に遊び心を取り入れられます。キャラクターの表情や仕草まで一貫して表現できるので、ファンの心をグッとつかむブランディングが実現できるんです。
LoRAとファインチューニングの違い
画像生成AIの世界では、学習方法によって必要な環境が全然違ってきます。LoRAなら、手持ちのモデルはそのままで、ちょっとした調整で済むのです。けれども従来のファインチューニングだと、モデルを根本から作り直すような感じです。実務で使うなら、この違いは結構重要かもしれません。
| LoRA | ファインチューニング | |
|---|---|---|
| パラメータ更新 | 0.1～1%のみ | 全パラメータ |
| 計算時間 | 1〜2時間 | 数時間～数日 |
| メモリ使用量 | 1〜5GB | 50〜350GB |
実際の開発現場では、この違いが開発スピードを大きく左右します。LoRAなら数時間で済む学習が、従来のファインチューニングだと数日かかることも。開発効率を考えると、この時間の差は見逃せないポイントですね。
LoRAとCheckpointとの違い
画像生成AIの保存方法って、実は大きく違うんです。Checkpointは写真を全部保存するような感じで、容量もかなり大きくなります。一方、LoRAは写真の修正履歴だけを残すようなイメージ。だから、すごくコンパクトなんです。
| LoRA | Checkpoint | |
|---|---|---|
| 役割 | 元のモデルに対する差分学習 | モデル全体の学習状態を保存 |
| ファイルサイズ | 数MB程度 | 数GB程度 |
| 用途 | 特定の特徴やスタイルの微調整 | 画像生成の基本的な特徴を決定 |
| 柔軟性 | 複数のLoRAを組み合わせ可能 | 単体で使用 |
| メモリ要件 | 少ない（2〜3GB程度） | 大きい（8GB以上推奨） |
面白いのは、この2つを組み合わせて使えることなんです。Checkpointで基本的な画風を決めて、そこにLoRAで細かい調整を加える…といった具合に。パーツごとの微調整が得意なLoRAと、全体的な画風を決めるCheckpointを組み合わせることで、より自由度の高い画像生成が可能になります
LoRAを入手する方法
LoRAモデルを配布しているサイトは、おもに2つ存在します。どちらも特徴が違うので、目的に合わせて使い分けると便利です。
Hugging Face
機械学習界隈では有名なプラットフォーム。技術者向けの資料も多くあり、本格的な開発には欠かせない存在です。開発者同士のコミュニケーションも活発で、モデルの改良提案やバグ報告など、オープンな開発環境が整っているのも特徴と言えます。
無料で利用できる基本プランに加え、より高度な機能を利用できるProプラン（月額9ドル）も用意されています。
また、2026年8月からはクレジットを利用した従量課金にも対応しており、毎月付与されるクレジットを使い切った後も、追加のクレジットを購入して各種サービスを利用できます。
Civitai
画像生成に特化したプラットフォームで、2022年11月のローンチ以来、急速に成長しました。実際の生成例がたくさん載っているので、欲しい画風がすぐ見つかります。
モデルやLoRA、VAEなど、多様なクリエイティブリソースを世界中のクリエイターが共有できる場として機能しており、ユーザー同士の活発な意見交換も行われています。
画像生成で遊びたい人には、まずここから始めるのがおすすめです。全ての機能が無料で利用可能なのも魅力的ですね。
LoRAの作成方法
ここからは、自分でLoRAを作成する方法を紹介します。
LoRAを自作する手順は、以下のとおりです。
- Kohya LoRA Dreamboothにアクセス
- 各所にチェックを入れてパラメータを調整
- 学習させる画像をアップロード
- LoRAを作成して保存する
以下でそれぞれの手順をみていきましょう。
Kohya LoRA Dreamboothにアクセス
LoRAを自作する際は、実行環境としてKohyaを使うのがおすすめです。
KohyaをPCのローカル環境にインストールする方法もありますが、手軽にLoRAを自作したいなら、Google Colabのファイルとして提供されているKohya LoRA Dreamboothを利用しましょう。
各所にチェックを入れてパラメータを調整
Kohya LoRA Dreamboothにアクセスすると、複数のパラメータが表示されます。
まずは、「mount_drive」のボックスにチェックを入れます。これで、colabからGoogleドライブにアクセスできるようになります。
「2.1. Download Available Model」では、Stable Diffusionのモデルを選択します。ここでは、「Stable-Diffusion-v1-5」を選択しました。
学習させる画像をアップロード
Googleドライブに学習させる画像をアップロードします。保存したディレクトリのパスが必要なので、コピーしておきましょう。
「3.2. Unzip Dataset」の「zipfile_url」に保存したディレクトリのパスをペーストします。
LoRAを作成して保存する
画像のアップロード後は、その他必要な設定を以下のように指定します。
- 4.1. Data Cleaning：convertにチェックを入れて実行
- 4.2.2. Waifu Diffusion 1.4 Tagger V2：general_thresholdを0.85程度に設定
- 5.1. Model Config：デフォルト設定
- 5.2. Dataset Config：dataset_repeats を1に変更する
5.3以降の項目はデフォルト設定にして実行します。
画像枚数によって変わりますが、LoRAの作成にかかる時間は1〜2時間程度です。完成したLoRAファイルはマイドライブの「Lora」→「output」に自動保存されます。
拡張子が「.safetensors」になっているものが今回自作したLoRAです。
Stable DiffusionへのLoRA導入方法
ここでは、Stable DiffusionへのLoRA導入方法を解説します。
具体的な導入手順は、以下4ステップです。
- LoRAモデルを用意する
- LoRAファイルを指定のフォルダに移動する
- Stable Diffusion WebUIを起動する
- プロンプトでLoRAを適用する
以下でそれぞれの手順を詳しくみていきましょう。
LoRAモデルを用意する
まずは、CivitAIにアクセスし、使用するLoRAモデルをダウンロードしましょう。
Hugging FaceでもLoRAモデルをダウンロードできますが、今回はCivitAIで配布されている「A-Mecha Musume A素体机娘」を例にご紹介します。
ページにアクセスした後は、画像の矢印で示しているダウンロードボタンにカーソルを当て、ファイル名が表示された右クリックを押して「リンクのアドレスをコピー」を選択してください。
Google ColabでLoRAを実行する場合は、コピーしたリンクを使用するので、一旦メモしておきます。
Stable Diffusion WebUIをPCのローカル上にダウンロード済みで、ターミナルなどからStable Diffusion WebUIを呼び出す場合は、LoRAモデルをダウンロードします。
なお、自作したLoRAを使用する場合は、上記の処理は不要です。
LoRAファイルを指定のフォルダに移動する
ターミナルなどからStable Diffusion WebUIを呼び出す場合は、ダウンロードしたLoRAファイルを「Stable Diffusion」→「models」→「LoRA」に移動します。
自作したLoRAを使用する場合も同様の手順でファイルを移動してください。
Stable Diffusion WebUIを起動する
ターミナルで以下のコマンドを実行して、Stable Diffusion WebUIを起動します。
bash stable-diffusion-webui/webui.shまだ、Stable Diffusion WebUIをPCにインストールしていない方は、事前にインストールが必要です。やり方は以下の記事で解説しているので、インストールがまだの方はご覧ください。
プロンプトでLoRAを適用する
LoRAを適用する際は、「txt2img」もしくは 「img2img」 タブのプロンプトの最初に「lora:〇〇」といった形式でテキストを入力します。
〇〇には、適用するLoRAのファイル名を入れてください。
今回のケースでは、「lora:AMechaSSS[color_theme,mecha musume, mechanical parts,robot joints,headgear]」と入力しました。
あとは作成したい画像のイメージをプロンプトに入力し、Generateボタンを押して実際に画像を生成すれば完了です。
Google ColabでLoRAを実行するケース
LoRAモデルをダウンロードしたあとは、Stable Diffusionで画像生成ができるGoogle Colabにアクセスします。
Stable Diffusionを使用できる環境はほかにもありますが、今回はブラウザ上で手軽に画像生成できるGoogle Colabを使用する方法を選びました。
Google Colab上でLoRAを動かすためにも、まずは「/Lora」のディレクトリを作成してくれる以下のコードをコピペして追加してください。
%mkdir -p /content/stable-diffusion-webui/models/Lora/次に、前の手順でメモしておいた「A-Mecha Musume A素体机娘」のダウンロードURLを以下コードの「ここにペースト」にコピペします。
!wget 「ここにペースト」 -O /content/stable-diffusion-webui/models/Lora/mecha_musume.safetensorsGoogle Colabで実際に入力するのが、以下のコードです。
!wget https://civitai.com/api/download/models/97207?type=Model&format=SafeTensor -O /content/stable-diffusion-webui/models/Lora/mecha_musume.safetensorsここまでで、Google ColabにLoRAを導入できました。
あとは、以下のコードを入力し、Stable Diffusion WebUIを起動することで、LoRAを使用できるようになります。
!pip install -q torch==2.0.0+cu118 torchvision==0.15.1+cu118 torchaudio==2.0.1+cu118 torchtext==0.15.1 torchdata==0.6.0 --extra-index-url https://download.pytorch.org/whl/cu118 -U
!pip install -q xformers==0.0.19 triton==2.0.0 -U
#automatic1111 stable diffusion web uiのダウンロード
!git clone https://github.com/AUTOMATIC1111/stable-diffusion-webui
%cd /content/stable-diffusion-webui
#Civitaiからany loraのモデルをダウンロード
!wget https://civitai.com/api/download/models/95489 -O /content/stable-diffusion-webui/models/Stable-diffusion/anylora.safetensors
#Loraモデルを入れるためのディレクトリの作成
%mkdir -p /content/stable-diffusion-webui/models/Lora/
#CivitaiからA-Mecha Musume A素体机娘のモデルをダウンロード
!wget https://civitai.com/api/download/models/97207 -O /content/stable-diffusion-webui/models/Lora/mecha_musume.safetensors
#stable diffusion web uiの起動
!python launch.py --share --xformers --enable-insecure-extension-accessなお、Stable Diffusionについて詳しく知りたい方は、下記の記事をご覧ください。
LoRAの活用事例
LoRAは、個人の画像生成だけでなく企業のコンテンツ制作や商品ビジュアルの生成、ゲームのアート制作などにも活用されており、特定の商品やブランド、キャラクターなどの特徴をAIに反映させることで、用途に合わせた画像を効率的に生成できます。
ここでは、実際にLoRAを活用している活用事例を紹介します。
事例①ゲーム開発でのキャラクターデザイン
AI Frog Interactiveが開発するゲーム「EXELIO」では、生成AIをキャラクターデザインや発注資料用の2Dアート制作に活用しています。4人という小規模なチームで開発を進めるなか、生成AIを使ってアイデアを具体的なデザインへ落とし込むことで、制作を効率化しています。※4
さらに、元となるキャラクターのコンセプトイメージからLoRAを作成し、ゲームキャラクターの画像と組み合わせることで、キャラクターの特徴を保ちながら、別の角度やポーズなどさまざまなバリエーションを生成しています
事例②AIアニメ制作
AIを活用したアニメ制作プロジェクト「ツインズひなひま」では、3DCGとStable DiffusionなどのAI技術を組み合わせてアニメーションを制作しています。※5
制作では、CGデータをAIに取り込んでアニメ表現に変換し、キャラクターの個性を保つためにLoRAも活用しています。LoRAでキャラクターを固定することで、さまざまな場面でも同じキャラクターの特徴を保った表現がしやすくなります。
また、TVアニメ「ツインズひなひま」では、本編の95%以上のカットでAIによる作業負担の軽減が行われています。最終的な加筆修正は人が担当しており、AIを制作工程の補助として活用している点も特徴です。
このようにLoRAは、画像の画風を変えるだけでなく、キャラクターの一貫性を保ちながらアニメや映像コンテンツを制作する用途にも活用されています。
事例③マーケティング画像生成
Volkswagen Groupでは、生成AIをマーケティング用の車両画像の制作に活用しています。AWSと共同で、車両の画像を生成する仕組みを構築し、2025年には生成AIを活用したマーケティング画像の制作・評価システムを開発しました。※6
そのなかで、Flux.1-Devという画像生成モデルにLoRAアダプターを組み合わせています。LoRAを使ってVolkswagen独自のデザインを反映することで、グリルの質感やホイールのデザイン、車両の形状など、細かな特徴を保った画像を生成できるようにしています。
また、発売前の車両についても画像を生成できるため、実際の撮影を行わずにさまざまなマーケティング素材を作成できる点も特徴です。
LoRAで画像生成する際の注意点
LoRAで画像生成する際は、以下の2点に注意が必要です。
- 著作権への配慮は必要
- 商用利用に関して
とくに、LoRAで生成した画像は、他人の著作権を侵害する恐れがあるので十分な配慮が必要です。何も考えずに商用利用すると、あとで訴訟される事態にもなりかねません。
以下で、注意点について詳しく解説するので、ぜひ参考にしてみてください。
著作権への配慮は必要
LoRAを使用する際は、生成画像に対して著作権の配慮が必要です。とくに、LoRAでは有名人やキャラクターを学習したモデルが多いので、知らず知らずうちに著作権を侵害してしまう恐れがあります。
なお、著作権で保護されたキャラクターなどを無許可で学習したLoRAを使用するのは危険です。生成された画像も著作権を侵害したと判断される可能性があるので注意してください。
LoRAにおける著作権の取り扱いはまだガイドラインが策定されておらず、明確なルールは存在しません。LoRAを使用する際に著作権の問題が気になった際は、AIの専門企業にアドバイスをもらうことをおすすめします。
商用利用に関して
LoRAは、使用するモデルによって商用利用OKのものと、NGのものがあります。LoRAモデルをCivitaiなどのサイトでダウンロードする際に、ライセンス内容を確認すれば商用利用に関する記載があるので、必ず事前に確認しておきましょう。
なお、商用利用がOKだったとしても無条件に使えるわけではありません。利用目的がライセンス違反に該当したり、そもそも違法なことを目的に利用したりすると法律で罰せられます。
前述したように、LoRAは有名人やキャラクターを学習したモデルも多数存在するので、著作権問題についても十分考慮しましょう。
＼画像生成AIを商用利用する際はライセンスを確認しましょう／
LoRAなどのご相談はWEELへ
画像生成AIを使っていると、「同じキャラクターを安定して生成したい」「自社の商品らしい画像を作りたい」など、生成結果を細かく調整したい場合はLoRAを活用することで問題が解決する場合があります。
既存のAIモデルに特定の画風やキャラクター、商品デザインなどの特徴を追加できるため、自社のコンテンツ制作やマーケティングなど幅広いシーンで活用できます。まずは既存のLoRAを試しながら、どのような用途に使えるのか確認してみるとよいでしょう。
「生成AIで新しいプロダクトを作りたい」「もっと本格的に生成AIを業務に組み込みたい」とお考えの方は、ぜひ株式会社WEELにご相談ください。
開発実績として、
・新規事業室での「リサーチ」「分析」「事業計画検討」を70％自動化するAIエージェント
・社内お問い合わせの1次回答を自動化するRAG型のチャットボット
・過去事例や最新情報を加味して、10秒で記事のたたき台を作成できるAIプロダクト
・お客様からのメール対応の工数を80％削減したAIメール
・サーバーやAI PCを活用したオンプレでの生成AI活用
・生徒の感情や学習状況を踏まえ、勉強をアシストするAIアシスタント
などの開発実績がございます。
生成AIを活用したプロダクト開発の支援内容は、以下のページでも詳しくご覧いただけます。
➡︎株式会社WEELのサービスを詳しく見る。
アイデア段階でも構いません。まずは無料相談でお気軽にご相談ください。
➡︎生成AIを活用したプロダクト開発・業務効率化について相談する
「生成AIを社内で活用したい」「生成AIの事業をやっていきたい」という方に向けて、通勤時間に読めるメルマガを配信しています。
最新のAI情報を日本最速で受け取りたい方は、以下からご登録ください。
また、弊社紹介資料もご用意しておりますので、併せてご確認ください。
LoRAよくある質問
