일러스트레이터와 디지털 아티스트에게 고유한 시각적 스타일(특유의 붓 터치, 선화 질감, 색상 팔레트, 조명 연출)을 커스텀 LoRA(Low-Rank Adaptation) 모델로 구축하는 것은 가장 강력한 창작 자산화 방식입니다. 그러나 로컬 환경에서 Stable Diffusion 기반으로 LoRA를 직접 학습시키려면 최소 12GB~24GB 이상의 VRAM을 갖춘 고사양 그래픽 카드가 필요하며, Kohya_ss나 복잡한 파이썬 환경 설정의 번거로움을 감수해야 합니다.
SeaArt의 클라우드 모델 스튜디오(Model Training Studio)는 이러한 하드웨어 장벽을 완전히 없앴습니다. 브라우저에서 작업물 이미지 세트를 업로드하고 트리거 워드(Trigger Words)와 학습 에포크(Epochs)를 설정하는 것만으로, 클라우드 GPU 자원을 활용해 모델을 훈련시키고 실시간 손실 곡선을 확인하며 온라인에서 화풍 재현율을 검증할 수 있습니다.
1. 화풍 데이터셋 준비: 스타일 LoRA 선별 규칙
화풍 LoRA의 학습 목표는 특정 캐릭터의 외형이 아니라, 화면 전반을 관통하는 ‘표현 기법과 렌더링 스타일’을 인공지능에 학습시키는 데 있습니다.
권장 이미지 수량과 피사체 다양성
- 최적 이미지 수량: 25장~40장의 고해상도 이미지가 가장 이상적인 범위입니다. 20장 미만은 스타일 일반화 능력이 떨어지기 쉽고, 50장을 초과하면 다양성이 부족할 경우 과적합 위험과 학습 시간만 가중됩니다.
- 피사체 분산 원칙: 동일한 화풍을 유지하되 피사체는 최대한 다채롭게 구성해야 합니다. 인물 상반신 10~14장, 전신 포즈 8~10장, 풍경 및 배경 6장, 정물 소품 여러 장을 조합하는 것이 좋습니다. 만약 훈련 데이터가 긴 머리 소녀로만 채워져 있다면, AI는 ‘긴 머리 소녀’ 자체를 화풍의 일부로 오인하여 향후 차량이나 건물을 그릴 때 형태가 무너질 수 있습니다.
- 데이터 정제: 미완성 러프 스케치, 눈에 띄는 워터마크가 찍힌 이미지, 화풍이 완전히 정립되지 않은 습작 등은 데이터셋에서 제외합니다.
해상도와 크롭 모드 설정
- 베이스 모델 규격 맞춤:
- SD 1.5 기반 모델: 512×512(정사각형), 512×768(세로형 인물), 768×512(가로형 풍경).
- SDXL 및 Flux 기반 모델: 1024×1024 해상도 권장.
- 크롭 모드 선택: SeaArt 업로드 메뉴에서 중심 피사체가 한쪽으로 치우쳐 있다면 ‘포커스 크롭(Focus Crop)’을 선택하고, 이미 PC에서 원하는 비율로 편집을 마쳤다면 구도 손실을 방지하기 위해 ‘크롭 없음(No Crop)’을 선택합니다.
2. 트리거 워드 설정과 태그 정제: 화풍 고정의 핵심
태깅(Tagging)은 신경망이 텍스트와 이미지의 시각적 요소를 매핑하는 기준이 됩니다. 화풍 LoRA 학습의 핵심 원칙은 **“그림 속 내용은 설명하고, 그림체 단어는 삭제한다”**는 점입니다.
원본 이미지: 절벽 위에서 검을 든 전사의 수채화 일러스트
자동 생성 태그: 1man, warrior, sword, cliff, watercolor, paint splatter, art style
정제 후 태그: [trigger_word], 1man, warrior, sword, cliff
전용 트리거 워드 지정
트리거 워드는 해당 화풍을 소환하는 고유 명령어입니다. 일반적인 단어와 겹치지 않는 독창적인 조합(예: aurora_gouache 또는 noir_inkstyle)을 1개 설정합니다.
화풍 태그 제거 기법
- 자동 태깅 실행: 2D 일러스트 및 애니메이션 화풍은 Deepbooru(임계값 0.6 권장)를, 유화풍이나 SDXL 기반은 BLIP을 사용합니다.
- 스타일 단어 수동 삭제: 생성된 태그 목록을 검토하여 watercolor(수채화), lineart(선화), illustration(일러스트), sketch(스케치), ink wash(먹물) 등 스타일을 직접적으로 지칭하는 단어를 모두 지웁니다.
- 피사체 태그 유지: 인물, 행동, 의상, 배경 등 구체적 요소를 가리키는 태그(1girl, castle, sword, forest)는 그대로 둡니다.
- 작동 원리: 태그에 ‘watercolor’를 남겨두면 AI는 수채화 질감을 기존 기본 어휘인 ‘watercolor’에 귀속시킵니다. 반대로 스타일 단어를 제거하고 고유 트리거 워드를 배치하면, 태그로 설명되지 않은 화풍의 미세한 질감과 필치가 모두 여러분의 트리거 워드로 집중 학습됩니다.
3. SeaArt 스튜디오 파라미터 세부 설정
SeaArt 상단 메뉴에서 창작 > 모델 > 모델 학습(또는 좌측 툴바의 학습 아이콘)을 선택하여 LoRA 설정 화면으로 이동합니다.
| 파라미터 | 화풍 LoRA 권장값 | 기술적 의미와 설정 기준 |
|---|---|---|
| 베이스 모델(Base Model) | 목표 화풍과 성향이 유사한 모델(AnyLoRA, ReV Animated, SDXL 등) | 잠재 공간이 일치할수록 더 적은 단계로 신속하게 화풍이 안착 |
| 반복 횟수(Repeat) | 이미지당 8~10회 | 1개 에포크 안에서 각 이미지를 반복 학습하는 횟수 |
| 에포크(Epoch) | 10~15 사이클 | 데이터셋 전체 순환 횟수; 총 학습 스텝 = 이미지 수 × Repeat × Epoch |
| 배치 크기(Batch Size) | 1 또는 2 | 1은 정밀한 그래디언트 유지, 2는 학습 속도를 약 30% 단축 |
| 네트워크 차원(Rank/Dim) | 16~32(SD 1.5) / 32~64(SDXL) | LoRA 용량 크기; 섬세한 선화와 질감을 담아낼 내부 용량 |
| 네트워크 Alpha | Rank 수치의 절반(8 또는 16) | 베이스 모델의 기본 가중치 대비 LoRA 개입 강도를 조율 |
| 옵티마이저(Optimizer) | AdamW8bit | VRAM 효율이 높고 그래디언트 수렴이 안정적인 표준 알고리즘 |
| 학습률(Learning Rate) | 0.0001(U-Net: 0.0001, Text Encoder: 0.00005) | 안전 기준선; 지나치게 높으면 화풍이 깨지는 현상 발생 |
4. 손실(Loss) 곡선 모니터링 및 진단
‘지금 학습’을 클릭하면 SeaArt 클라우드 서버에서 학습이 실행되며, ‘작업 목록’에서 실시간 진행 상황과 손실값(Loss)을 확인할 수 있습니다.
- Loss 곡선 판독: Loss는 모델 예측과 훈련 데이터 간의 오차를 나타냅니다. 정상적인 학습 상태에서는 곡선이 완만하게 하강하며, 일러스트 화풍 기준 약 0.10~0.12 선에 도달했을 때 안정적인 수렴을 이룬 것으로 평가합니다.
- 과적합(Overfitting) 징후: Loss가 0에 가깝게 급락하고, 생성된 테스트 이미지가 새로운 프롬프트에 반응하지 않은 채 훈련 데이터셋의 포즈나 배경을 그대로 복제하는 상태입니다. 에포크를 줄이거나 반복 횟수 및 학습률을 소폭 하향 조정해야 합니다.
- 과소적합(Underfitting) 징후: 결과물에서 고유한 화풍이 전혀 느껴지지 않고 기본 모델의 평범한 결과물만 출력되는 경우입니다. 에포크 수를 늘리거나 반복 횟수를 10~12회로 높여 재학습합니다.
5. 온라인 검증 및 실전 활용
SeaArt는 지정된 에포크 간격마다 체크포인트를 자동 저장합니다. 실제 프로젝트에 투입하기 전, 생성 캔버스에서 다각도로 검증을 진행합니다.
- 가중치 단계별 테스트: 프롬프트에
[trigger_word]를 넣고 LoRA 가중치를0.5부터1.0까지 0.1 단위로 올려가며 테스트합니다. 화풍 LoRA의 최적 가중치는 대개0.6~0.85구간으로, 신체 왜곡 없이 화풍 고유의 필치를 온전히 살릴 수 있습니다. - 학습 외 피사체 생성 테스트: 훈련셋에 없던 전혀 새로운 오브젝트(예:
[trigger_word], 비 내리는 밤거리에 주차된 사이버펑크 바이크)를 생성해 봅니다. 바이크와 배경에 여러분의 붓 터치와 색감이 온전히 구현된다면 화풍의 추상화 학습이 성공한 것입니다. - 공개 설정 및 수익화: 완성된 LoRA는 외주 작업용으로 비공개(Private) 보관하거나 커뮤니티에 **공개(Public)**할 수 있습니다. 유료 모드를 활성화하면 다른 사용자가 해당 모델로 이미지를 생성할 때마다 플랫폼 수수료를 제외한 70%의 크레딧 수익이 제작자에게 정산됩니다.