イラストレーターやデジタルアーティストにとって、自身のシグネチャースタイル（筆使い、主線の質感、固有の色彩設計、ライティング）を独自のLoRA（Low-Rank Adaptation）モデルとして構築することは、制作資産をデジタル化する最も確実な手法です。しかし、ローカル環境でStable Diffusionを用いてLoRAを学習させるには、12GB〜24GB以上のVRAMを搭載した高価なGPUや、複雑なPython環境（Kohya_ssなど）の構築が求められます。
SeaArt（シーアート）が提供するクラウドモデルスタジオ（Model Training Studio）は、これらハードウェアの制約を完全に解消します。ブラウザ上から画像データセットをアップロードし、トリガーワード（Trigger Words）やエポック数（Epochs）を設定するだけで、クラウドGPU上でモデルを学習させ、リアルタイムで損失曲線を監視しながら画風の再現性をオンラインで検証できます。
1. 画風データセットの準備：スタイルLoRAの選定ルール
画風LoRAの学習目的は、特定のキャラクターの形状ではなく、画面全体に共通する「描画技法やタッチ」をAIに習得させることです。
適切な画像枚数と被写体の多様性
- 推奨枚数： 25〜40枚の高解像度作品が画風LoRAのベストバランスです。20枚未満では表現の汎用性が乏しくなり、50枚を超えると学習時間が大幅に増加し、多様性が欠けると過学習のリスクが高まります。
- 被写体の分散： 「画風は同一、描かれているモチーフは多種多様」という構成を徹底します。人物バストアップ10〜14枚、全身ポーズ8〜10枚、風景・建築6枚、静物小物を数点組み合わせるのが理想的です。もし黒髪の少女ばかりを集めると、モデルは「黒髪少女を描くこと＝画風」と誤認し、背景やメカを描けなくなります。
- クオリティの均一化： ラフスケッチ、大きな透かし（ウォーターマーク）付きの画像、初期の未熟な実験作などは学習データから除外してください。
解像度とクロップ（切り抜き）設定
- ベースモデルに合わせた解像度：
- SD 1.5系ベース： 512×512（正方形）、512×768（縦長人物）、768×512（横長風景）。
- SDXL / Flux系ベース： 1024×1024を推奨。
- クロップモード： SeaArtのアップロード画面において、構図の主要被写体が中央からズレている場合は「フォーカスクロップ（Focus Crop）」を選択します。あらかじめ正方形等に手動トリミング済みの場合は「クロップなし（No Crop）」を選択してください。
2. トリガーワードの設定とタグの精査（画風定着の要点）
タグ付け（Tagging）は、AIがどの単語とどの視覚特徴を結びつけるかを決定します。画風LoRAにおける鉄則は**「モチーフはタグ付けし、画風を表す単語は徹底的に削除する」**ことです。
元画像：崖の上で剣を構える戦士の水彩イラスト
自動生成タグ：1man, warrior, sword, cliff, watercolor, paint splatter, art style
修正後のタグ：[trigger_word], 1man, warrior, sword, cliff
独自トリガーワードの設定
トリガーワードは、その画風を呼び出す専用のキートークンです。一般的な英単語や既存のタグと重複しない、ユニークな文字列（例：aurora_gouache や noir_inkstyle）を1つ設定します。
画風タグの削除テクニック
- 自動タグ付けの実行： アニメ・イラスト系には Deepbooru（しきい値0.6推奨）、写実的・厚塗り系やSDXL系には BLIP を選択します。
- スタイル系タグの削除： 生成されたタグ一覧を目視確認し、watercolor（水彩）、lineart（線画）、illustration（イラスト）、sketch（スケッチ）、oil painting（油絵）など、画風を言い表している単語をすべて削除します。
- モチーフ系タグの保持： 被写体、ポーズ、背景などを表す単語（1girl, castle, sword, forest など）は残します。
- 仕組みの解説： タグの中に「watercolor」を残したままだと、AIは水彩風の質感を既存の「watercolor」という言葉の学習結果として処理してしまいます。画風タグをあえて消去し、独自のトリガーワードを付与することで、画像内の「言葉で説明されていない筆跡・にじみ・色彩」がすべてあなたのトリガーワードに凝縮して記憶されます。
3. SeaArtスタジオ内のパラメータ設定
画面上部メニューの 作成 > モデル > モデル学習（またはサイドバーの「学習」アイコン）からLoRA設定画面を開きます。
| パラメータ | 画風LoRA推奨値 | 技術的役割とポイント |
|---|---|---|
| ベースモデル（Base Model） | 目的の画風に近いモデル（ReV Animated、AnyLoRA、SDXL等） | 近い傾向の基底モデルを選ぶことで、少ない偏りで素早く画風が定着 |
| リピート数（Repeat） | 1画像あたり 8〜10回 | 1エポック内で各画像が学習される回数。高すぎると画風が硬化 |
| エポック数（Epoch） | 10〜15サイクル | データセット全体の学習周回数。総ステップ数 = 画像枚数 × Repeat × Epoch |
| バッチサイズ（Batch Size） | 1 または 2 | 1は勾配精度が最高、2は学習時間を約30%短縮可能 |
| ネットワーク次元（Rank/Dim） | 16〜32（SD 1.5）/ 32〜64（SDXL） | LoRAの容量と表現力。緻密なタッチを再現する器のサイズ |
| ネットワークAlpha | Rankの半分（8 または 16） | ベースモデルの元重みに対するLoRAの影響度を制御 |
| オプティマイザ（Optimizer） | AdamW8bit | VRAM効率が高く勾配降下が安定する標準アルゴリズム |
| 学習率（Learning Rate） | 0.0001（U-Net: 0.0001, Text Encoder: 0.00005） | 0.0001前後が安全基準。大きすぎるとスタイル崩壊が発生 |
4. 損失（Loss）推移の監視とトラブルシューティング
「今すぐ学習」をクリックすると、SeaArtのクラウド環境で演算が開始されます。「タスクリスト」からリアルタイムにステップ数と損失値（Loss）を確認できます。
- Loss曲線の見方： Lossは学習目標と生成結果の差異を示します。順調であればステップが進むにつれて滑らかに下降し、イラスト画風モデルでは 0.10〜0.12 前後に到達した時点が収束の目安となります。
- 過学習（Overfitting）の兆候： Lossが極端に0近くまで下がり、生成テストでデータセット内の構図やポーズがそのまま複製され、新しいプロンプトに従わなくなった状態です。エポック数の削減、リピート数の引き下げ、または学習率の微減で対処します。
- 学習不足（Underfitting）の兆候： 生成結果に作者特有の筆跡が現れず、ベースモデルの標準的な出力のまま変化しない状態です。エポック数を増やすか、リピート数を10〜12回に引き上げてください。
5. オンラインテストと運用のポイント
SeaArtでは、指定したエポック間隔ごとにモデルファイルを自動保存できます。本番利用の前に、生成画面で画風の定着度をテストします。
- LoRAウェイト（適用強度）の検証： プロンプトに
[trigger_word]を記述し、LoRAの適用強度を0.5から1.0まで0.1刻みでテストします。画風LoRAでは通常0.6〜0.85の範囲が最も安定し、人体の破綻を防ぎつつ筆致を最大限に引き出せます。 - 未知のモチーフでの描画テスト： データセットに含まれていない被写体（例：
[trigger_word], a futuristic cyberpunk car parked on a rainy street）を指示します。車や雨粒にあなたの描画タッチが正しく適用されていれば、画風の抽象化に成功しています。 - 公開設定と収益化： 完成したLoRAは、商業案件用に「非公開（Private）」として保持することも、コミュニティに「公開（Public）」することも可能です。有料利用を有効にすると、他のユーザーがモデルを使用して画像を生成するたびに、プラットフォーム手数料を差し引いた70%相当のクレジット収益を受け取ることができます。