自動タグ付けとLoRA学習の簡単な方法【Train FLUX LoRA with Ease（Ease for FLUX）】

Train FLUX LoRA with Ease（Ease for FLUX）

「Train FLUX LoRA with Ease」は、FLUX 専用に最適化された「Stable Diffusion WebUI の FLUX版ミニUI」 のような存在で、
一括で効率的に学習用のデータセットを構築できる上に、FLUXを手軽に操作し、LoRAの学習や推論を行うことができます。

Gradioベース → Automatic1111 や Kohya_ss GUI と同じく、ブラウザで操作できるWeb UI を提供している。
FLUXモデル専用のUI → Stable Diffusionとは違う仕組みのFLUXを「なるべく簡単にローカルで動かせる」ように設計されている。

キャプション付与や整理（データセット準備を楽にする機能）
LoRAの学習（簡易的なUIで学習可能）

Ease for FLUXは、「本格的にLoRAを鍛える」というよりも、
「FLUX向けに小規模LoRAをさっと作る」「学習用画像のキャプション付けを効率化する」といった、
前処理・補助的な用途に強みがあるツールです。

LoRA学習の特徴（Ease for FLUXの場合）

Ease for FLUX のLoRA学習は 「簡単に試せる」 という位置づけで、Kohya_ss や sd-scripts に比べると 自由度は低めですが、
「短時間でお手軽にLoRAを作ってみたい」「Fluxモデル用にまず試したい」という人にはおすすめです。

GUIベースなので、コマンドラインを打たずに設定できます
画像データをドラッグ＆ドロップで投入できるようになっていることが多い
学習設定項目は絞られている（簡易化）
- 例：学習ステップ数、学習率（learning rate）、バッチサイズなど
- Kohya_ss や LyCORIS で設定できるような細かいパラメータ（正則化や高度なスケジューラ）は非対応の場合が多い
基本的なLoRAは十分作れるけれど、細かいチューニングはできない。

必要なPCスペック

推論（画像生成）目的の場合

GPU最低限：NVIDIA RTX 3060（12 GB VRAM）、メモリ 32～64 GB
→ Flux DEV モデル1枚生成に約 2 分
より高速な環境：RTX 4060 Ti 級
高性能の場合：RTX 4090 など（VRAM 24 GB〜）は高速で快適

※ローカル環境への各種インストールの手間を省きたい場合や、PCのスペックが足りない場合には、各種機能がセットアップされたテンプレートを使用できるRunpodがおすすめです。

クラウドのGPUのRunpod

【RunPodの使い方と料金】Stable Diffusionを使用して画像生成とLoRA学習をする方法【②実践編】 Stable DiffusionやLoRA学習では、長時間GPUをフル稼働させるため、発熱や電源の安定性が大きな課題になります。自作PCではAIO水冷の導入や水冷GPUの採用など、冷却への…

全体的スペック（公式や情報サイトより）

モデル別要件（Flux 1.0シリーズ）

モデルタイプ	GPU VRAM 必須	システムRAM	ストレージ
Pro	24 GB 以上（A40/A6000など）	64 GB 推奨	SSD 500 GB 以上（1 TB 推奨）
Dev	16 GB 以上	32 GB	–
Schnell	8 GB 以上	16 GB	–

Train FLUX LoRA with Easeの使用方法

【ローカル】での使用

1. 必要な環境の準備

まず、以下の手順で必要な環境を整えます。

リポジトリのクローン
以下のコマンドでリポジトリをクローンします。

git clone https://huggingface.co/spaces/autotrain-projects/flux-lora-ease
cd flux-lora-ease

依存関係のインストール
次に、必要なPythonパッケージをインストールします。

pip install -r requirements_local.txt

AI Toolkitのインストール
AI Toolkitをインストールします。

git clone https://github.com/ostris/ai-toolkit.git
cd ai-toolkit
git submodule update --init --recursive
pip3 install torch
pip3 install -r requirements.txt
cd ..

Hugging Faceへのログイン
Hugging FaceのCLIを使用してログインします。

huggingface-cli login

※LoRAをHugging Face Hubにアップロードするために必要です。

2. Web UIの起動

以下のコマンドで、GradioベースのWeb UIを起動します。nodeshift.com+5GitHub+5gradio.app+5

python app.py

これで、ブラウザ上でFLUXのインターフェースが表示され、画像のアップロードやLoRAの学習、推論などの操作が可能になります。

【Runpod】での使用方法

Runpodの使用方法は以下の記事をご覧ください。

【RunPodの使い方と料金】Stable Diffusionを使用して画像生成とLoRA学習をする方法【②実践編】

今回使用する”Train FLUX LoRA with Ease”は、Runpodのテンプレート場合は、GradioUIや、Flux loraなどと検索すると出て来ます。

GPUは、先程の【必要なPCスペック】の項目を参考に選び、必要な場合は、Network Volumeを使用します。

Ease for FLUXのWeb UIでは、画像に対してタグ付けを行うことができる為、LoRAの学習の為のデータセットを効率的にすることができます。

画像のアップロード
「Upload your Image」セクションから、タグ付けしたい画像をアップロードして、読み込まれたら、
Add AI captions with Florence-2のボタンをクリックします。

2, タグの出力
アップロードした画像に対して、関連するタグが出力されます。

このままEase for FLUXで、LoRA学習をする事も可能ですが、本格的に学習する場合は、 必ず手直し（不要タグ削除・追加・並び替え）してから使用します。

3. タグの保存

基本的に Ease for FLUXで「タグだけを生成」した場合、自動で画像ファイルに埋め込まれるわけではありません。
以下の場合は、テキストエディタに保存します。

自動生成タグはノイズが多い（余計な属性や作品名が入る）為、テキストエディタで編集してから使用する場合。
編集前と編集後を比較できるようにしておいて、あとで「どのタグ修正が効いたか」振り返るなどの用途。
将来、別のLoRA学習に流用する場合。

「タグだけを生成」する場合や、テキストエディタで編集してから使用する場合の操作方法

自動生成されたタグを、テキストエディタで編集（手を加える）する場合。

順序を整理（強調したいタグを前に）
不要なタグを削除（例：score_9 や rating:safe など）
キャラ名や固有情報を追加

その後、編集済みの.txtをLoRA学習で使用します。

未来

メモ帳などの**テキストエディタを開いて、コピペしてテキストタグを作成します。

エンコード、UTF-８で保存します。

**テキストエディタ
メモ帳（Windows標準）
Notepad++（Windowsで人気）
VS Code（Win/Mac/Linux、拡張機能豊富）

タグの生成後にそのままLoRA学習を行う場合

The name of your LoRA :名前を付ける。

Trigger word/sentence：毎回プロンプトに入力する必要あり、短い固有名詞にすると使いやすい。
※トリガーワードは学習データのキャプションにも必ず含める必要があります。

Ease for FLUX の Steps / Learning Rate / LoRA Rank 。

まずはこのレシピ（初回の基準）

LoRA Rank：32（迷ったらここ。必要に応じて64へ）
Learning Rate：1e-4（崩れ気味なら 5e-5 に下げる）
Steps：2000–3000（データが少ないほど上げ過ぎない）

データ枚数別の目安

画像枚数	Steps目安	Rank目安	LR目安
10–20枚（少量）	1500–2500	32–64	1e-4（崩れたら5e-5）
30–60枚（中量）	2500–4000	32–64	1e-4
80枚以上（多め）	4000–6000	32–64（必要時128）	5e-5–1e-4

結果を見て微調整。

調整のコツ（症状→調整）

顔やポーズが崩れる / 発散する → LRを 1e-4 → 5e-5 に下げる、Stepsを少し減らす、Rankを下げる（64→32）。
似度が弱い・指定しないと出ない → Stepsを +500〜+1500、Rankを 32→64、学習プロンプトで特徴語を増やす。
学習データに引っ張られすぎる（背景まで固定化） → Stepsを-500〜-1000、Rankを下げる、データの多様性を増やす（背景バラけさせる）。

Sample prompts (optional) :学習したLoRAを テスト生成するときに使うプロンプト例 を、Ease for FLUXのUIに保存しておける機能。

Flux系LoRA学習の学習時間目安

画像20〜30枚 / Steps 2000 / Rank 32
→ RTX 4090 で約10〜20分
→ A100 で約 5〜15分
画像50枚以上 / Steps 5000 / Rank 64
→ RTX 4090 で約30〜50分
→ A100 で約20〜40分

作成したFluxモデルの自作LoRA（.Safetensors）をダウンロードして完了です。

RunPodでのFluxモデルの使用

作成したFluxモデル（.Safetensors）は、Stable Diffusion WebUI Forgeなどで使用してみましょう。

※RunPod上でFluxモデルを使用する場合、Forge UIのFluxテンプレートを利用するのが便利です。

Kohya_ssでFLUX LoRAを本格的に作成する場合の選択肢

Kohya_ssでFlux対応のブランチをクローンしてLoRAトレーニングを行う方法

標準のKohya_ssにはFLUXのLoRAトレーニング用設定が含まれていません。
その為、Flux対応のブランチ（例: sd3-flux）をクローンするか切り替えて使う必要があります。

Flux対応ブランチを入手・切り替え

git clone --single-branch --branch "sd3-flux" --recursive https://github.com/bmaltais/kohya_ss.git

または、既存リポジトリで git checkout sd3-flux.1 を実行します。引用元：Reddit。

Kohya GUIを用いてFLUXモデルのLoRAトレーニングを行う方法

Kohya GUI（Kohya_ss にGUIを付加したインターフェース）のインストールと環境構築

Python、CUDA、Git、FFmpegなどの必要ソフトを準備
stablediffusion3.net ThinkDiffusionGUIを用いたFlux LoRAの設定とデータ準備まで簡略化しているチュートリアルが豊富
ThinkDiffusion版（2025年更新）にも、Flux1-devモデルへのLoRAトレーニングをKohya GUIで行う流れが整理されています。

本格的なLoRA学習の為のデータセット

本格的なLoRA学習の為の**データセット（画像とテキストタグ）の作成については以下の記事をご覧下さい。

SAKASA AI

【自作イラストをLoRA化】画像とテキストタグ（キャプション）「学習用データセット」の準備からフォルダ構… LoRA学習に必要なデータセットの作り方を完全ガイド。画像選定・テキストタグ（caption）の付け方・フォルダ構成まで、作例付きで丁寧に解説。

URLをコピーしました！