【初心者向け】自作LoRAの作り方｜LoRAをKohya_ssで学習する方法｜Anaconda + CUDAでローカル環境構築【Windows】

近年、イラストや写真などのスタイルをAIに学習させる「LoRA（Low-Rank Adaptation）」が注目を集めています。
中でも、人気の学習ツール「Kohya_ss」は、最低限のコマンド操作と、細かな設定が可能なWebUI（ブラウザ型GUI）で、多くの生成AIユーザーに支持されています。

この記事では、初心者の方でも安心してLoRA学習を始められるように、Kohya_ssをWindowsでローカル環境に導入する手順を1つずつ丁寧に解説しています。Anacondaのセットアップから、CUDA・PyTorchの対応バージョン確認方法まで網羅しているので、この記事を参考にすれば自分のPCでもLoRA学習ができるようになります！

Anaconda＋CUDAでKohya_ssをローカル導入する方法

前提条件

• GPU：NVIDIA
• OS：Windows 10 / 11
• Python：3.10.x（推奨）  Python3.10.6のインストール方法はこちら。
• 仮想環境：Anaconda（推奨）後ほど解説 スキップしたい方はこちらをクリックしてください。
• CUDA：*使用するPyTorchバージョンが対応するCUDAバージョンを調べる。(このすぐ下で解説。)
• NVIDIAドライバ：最新版（Studio Driver推奨）(こちらも、この下で解説。)
  
  ※最近、NVIDIAは「GeForce Experience」を廃止し、後継として「NVIDIA App」に移行していますので、要確認。

 *使用するPyTorchバージョンに対応するCUDAバージョンを調べる方法
PyTorchは、バージョンごとに対応するCUDAのバージョンが決まっています。
PyTorch公式ページにアクセスします https://pytorch.org/get-started/locally/

 使用する条件の選択
PyTorchのバージョン（例：2.1.0）
OS（例：Windows）
パッケージ（通常は「Pip」または「Conda」）
言語（Python）
CUDAバージョン（ここに対応するCUDAが表示されます）
 選択に応じて、下にインストール用コマンドと一緒に、推奨されるCUDAのバージョンが表示されます。

ポイント
PyTorchとCUDAのバージョンが合っていないと、エラーになることがあります。
CUDA 11.8 を使いたい場合は、PyTorch 2.1 までが対応しています。
最新のPyTorch（2.2以降）では、CUDA 12.x系が主流になっています。

 *NVIDIA AppでStudioドライバの確認
 NVIDIA App(旧：GeForce Experience)を開く
 左メニューまたは上部の「Drivers」タブを選択
 「Studio Driver」になっているか確認（必要に応じて切り替え可能）
無い場合は、ダウンロードしておきます  NVIDIA公式サイト内/ドライバ：ダウンロードページ

Kohya_ssは依存関係が多いツール

Kohya_ss（LoRA学習GUI）は以下のような依存ライブラリが複雑に絡んでいます

• PyTorch（バージョンやCUDAとの整合性がシビア）
• xformers（PyTorchのバージョンに敏感）
• bitsandbytes（GPU構成によって挙動が変わる）
• Hugging Face Transformers / diffusers
• TensorBoard、WandB などのオプションツール

これらをpip + venvだけで揃えるのは、かなり経験者向けの作業です。
一方、Anacondaならこうした依存関係のバージョン調整が比較的簡単になります。

Kohya_ssのように「PyTorch + CUDA + 特殊ライブラリ」が絡む環境では、Anacondaで仮想環境を切っておくのが一番安全です。

GPUのCompute Capabilityを確認：NVIDIA公式サイトで自身のGPUのCCを調べる。
CUDAバージョンの選定：使用するPyTorchバージョンが対応するCUDAバージョンを選ぶ。
ドライバの更新：CUDAバージョンに対応するNVIDIAドライバをインストールする。
仮想環境の活用：Anacondaやvenvを使用して、異なる環境を簡単に切り替えられるようにする。

AnacondaでLoRA学習環境を作る

Anacondaのインストール

• 公式ダウンロードページ: anaconda.com

任意のアカウントでログインします。

Anacondaの公式ダウンロードページから、お使いのOSに対応したインストーラーをダウンロードできます。

① Anacondaの準備

インストール手順（Windowsの場合）

1. ダウンロードしたインストーラー（例: Anaconda3-2024.10-1-Windows-x86_64.exe）をダブルクリックして実行します。

2. インストーラーが起動したら、「Next」をクリックします。
3. ライセンス契約画面で「I Agree」を選択します。
4. インストールタイプの選択では、「Just Me（推奨）」を選び、「Next」をクリックします。
5. インストール先フォルダを確認し、必要に応じて変更後、「Next」をクリックします。
6. 追加タスクの選択では、特に変更がなければそのまま「Install」をクリックします。
7. インストールが完了したら、「Next」をクリックし、最後に「Finish」をクリックしてインストールを終了します。

 インストール後、スタートメニューから「Anaconda Prompt」や「Anaconda Navigator」を起動できます。

※Anaconda Navigator（GUI）からアップデートを求められた場合は、基本的にはそのまま「更新」してOKです。ただし、すでに構築済みの仮想環境内でパッケージを更新する場合は、conda updateやpipのバージョン管理に注意が必要です。

インストール確認

Anaconda Promptを開き、以下のコマンドを入力してPythonのバージョンを確認します。
 Anaconda Promptは、WindowsでAnacondaをインストールした後、以下の手順で起動できます。

1. スタートメニューを開く
2. 「Anaconda Prompt」と検索
3. アイコンをクリックして起動

※黒いウィンドウが開き、(base) と表示されていれば、Anacondaの「base」環境が有効になっています。
もしくは、Windowsターミナルを開き、
タブから” ”下矢印をクリックで、Anaconda Promptを選択（Anacondaインストール後に追加されます。）

python --version

また、Anaconda Navigatorを起動して、GUI上で環境やパッケージの管理ができることを確認してください。

 Anaconda Prompt を開いて以下を実行（仮想環境を有効化）

conda create -n kohya python=3.10 -y
conda activate kohya

※このコマンドを実行する事で、kohya_ss 内で仮想環境を使った作業ができる状態になります。

② Git & GitHub からKohya_ssを取得

Gitがインストールされていることを確認
→ git --version でバージョンが表示されればOK
※インストールされていなければ、公式サイトから入手してください。

あわせて読みたい

GitHub（ギットハブ）とは？～Gitのインストール方法 GitHub（ギットハブ）とは？ GitHubは、プログラムのコードを公開・共有・管理するためのWebサービスです。世界中のエンジニアや研究者が、ソースコードやプロジェクト…

Anaconda Prompt または コマンドプロンプトを開く

以下のコマンドでクローンします

git clone https://github.com/bmaltais/kohya_ss.git

kohya_ss フォルダに移動

cd kohya_ss

 cd＋kohya_ssフォルダのパス。
※たとえば、kohya_ssという名前のフォルダが C:\Users\あなたの名前\Documents\ にあるとします。
その場合、Anaconda Promptで以下のように入力して移動します。

cd C:\Users\あなたの名前\Documents\kohya_ss

※クローン先のディレクトリに注意（cd や mkdir を使って管理）
仮想環境を使う場合は、先に Anaconda Prompt で仮想環境を有効化しておく。

状況の確認

(base) C:\Users\あなたの名前>cd C:\Users\あなたの名前\kohya_ss

(base) C:\Users\あなたの名前\kohya_ss>

このように表示されていれば、今あなたは C:\Users\あなたの名前\kohya_ss フォルダの中にいます。

③ 依存ライブラリのインストール

 pip install -r requirements.txt を実行

pip install -r requirements.txt

 CUDA 11.8 に対応した PyTorch 2.1.0 と torchvision 0.16.0 のインストール
は、以下のコマンドを実行してください

pip install torch==2.1.0 torchvision==0.16.0 --extra-index-url https://download.pytorch.org/whl/cu118

 CUDA 11.8 に対応した PyTorch 2.2.0 と torchvision 0.16.0 のインストール（バージョンは2.2.0の場合）
は、以下のコマンドを実行してください

pip install torch==2.2.0+cu118 torchvision==0.16.0+cu118 --extra-index-url https://download.pytorch.org/whl/cu118

※CUDA、 PyTorch、 torchvisionのそれぞれのバージョンを指定してください。

④ CUDAとPyTorchの対応確認（重要）

インストールが完了したら、以下の Python コマンドで動作確認できます。

Pythonコードを実行する正しい方法

1. Pythonインタプリタを起動する

python

と入力してEnterすると、Pythonの対話モード（>>>）になります。

2. そこでPythonコードを入力してください

import torch
print("PyTorchバージョン:", torch.__version__)
print("CUDAが使えるか:", torch.cuda.is_available())
print("使用中のCUDAバージョン:", torch.version.cuda)

3. 確認が終わったら、exit() または Ctrl+Z（Windows）でPythonを終了できます。

True が返ってきたらOK。

⑤ GUIの起動（ローカルブラウザで操作：Anaconda Prompt）

※GUIで作業をする際には、以下のコマンドを実行してGUIを開きます。

 仮想環境のアクティベート（必要に応じて）

conda activate kohya  # すでに実行済みならスキップ

 Kohya_ssのフォルダへ移動

cd C:\Users\Owner\kohya_ss

※Users Ownerこの箇所は、ご自身のフォルダ名に置き換えて下さい。

Web UI 起動スクリプトの実行

 Kohya_ss は kohya_gui.py というスクリプトでGUIを起動できます。

python kohya_gui.py

※GUIが自動でブラウザに表示されない場合は、以下のようなURLが表示されることがあります

Running on local URL:  http://127.0.0.1:7860

※このURLをコピーして、ブラウザに貼り付けてhttp://127.0.0.1:7860 を開きます。

よくあるエラー・確認ポイント

 kohya_gui.py が見当たらない場合
GitHubからの取得が完全でなかった可能性があります。その場合は以下のコマンドで再取得出来ます。

git clone https://github.com/bmaltais/kohya_ss.git

その後、もう一度、移動＆仮想環境アクティベート＆起動。
 ⑤ GUIの起動（ローカルブラウザで操作：Anaconda Prompt）

⑥ 画像とcaption（.txt）ファイルについて

LoRA学習をする為の、画像とcaption（.txt）ファイルの用意がまだの方は、下の記事をご覧ください。

画像データとテキストタグの準備

【LoRA学習用】画像とテキストタグ（キャプション）の準備からフォルダ構成まで徹底解説 LoRA（Low-Rank Adaptation）は、既存のAIモデルに対して、自分のイラストや作風を学習させられる技術です。でもいざ始めようとすると── 「どの画像を選べばいいの？」…

• dataset 又は、Trainingフォルダ内に、にトレーニング用画像フォルダを作成し、画像と同名の .txt ファイルを配置します。
  （※トレーニング用画像フォルダの名前は、半角英数字を使用します。）

dataset/トレーニング用画像フォルダ名
　　　　　　　 ├── image_001.png
　　　　　　　 ├── image_001.txt ←プロンプトなどを記述

※ここで大切な事は、dataset 又は、Trainingなどという、親フォルダの下にトレーニング用画像フォルダを作成し、画像と同名の .txt ファイルしておくという事です。

おすすめのフォルダ構成

C:\Users\Owner\kohya_ss\
　　　　　　　　├── kohya_data\　　　　　　← データ系（学習素材）
　　　　　　　　│   ├── 10_train\
　　　　　　　　│   │   ├── img\
　　　　　　　　│   │   ├── txt\
　　　　　　　　│   │   └── reg\
　　　　　　　　│
　　　　　　　　├── outputs\　　　　　　　← 出力ファイル（学習済LoRAなど）
　　　　　　　　│   ├── lora_cat\
　　　　　　　　│   └── lora_dog\
　　　　　　　　│
　　　　　　　　├── configs\　　　　　　　← 設定ファイルの保存場所（任意）
　　　　　　　　│
　　　　　　　　├── venv\　　　　　　　　← 仮想環境（Anacondaなしで動かす場合）
　　　　　　　　├── GUI起動用のbatファイルやスクリプト
　　　　　　　　└── READMEなど

/kohya_ss/output/ にLoRAファイル（.safetensors）が生成されます。
.safetensorsは、AUTOMATIC1111 に組み込めば即使用可能です。

上記のような構成で、すべてKohyaフォルダ以下に収めるのがベストです。

注意点
空白や日本語のパスは避ける（例：C:\Users\ユーザー名\マイ ドキュメント\ は非推奨）
Windowsではバックスラッシュ \ を使う（ただしGUIや設定ファイルではスラッシュ / でも通ることが多い）

手動で読み込ませる方法（上級者向け）

もし別フォルダに置きたい場合は、WebUIの webui-user.bat や launch.py を編集して環境変数 --lora-dir を追加することで、LoRAの読み込み場所を変更できます（ただし一般には非推奨）。

⑦ LoRA用訓練設定

 GUI画面から以下を設定

• Model: runwayml/stable-diffusion-v1-5（または自前モデル）
• Train batch size: 下で記載
• Max train steps: 100〜数千（テストなら少なめで）
• Save trained model as: safetensors 推奨
• Mixed Precision: fp16

 Train batch size は、主にGPUのVRAM容量によって決めます。
LoRAなどの学習処理では、以下のデータがVRAMに展開されます

• 入力画像（例：512×512）
• 学習対象のモデル（例：Stable Diffusion v1.5）
• 重みの更新に必要な中間データ（勾配など）
• バッチ全体のデータ（画像の枚数 × 各種情報）

Train batch size を大きくすると、一度に学習する画像の数が増える＝使うVRAMも増えます。

目安（LoRA学習・画像サイズ512×512）

※ 実際の上限は学習設定や画像サイズによって前後します。

AUTOMATIC1111との連携

Kohya_ssで作成したLoRAファイルは、AUTOMATIC1111で、使用できます。

• LoRAファイルは stable-diffusion-webui/models/Lora/ に配置
• WebUIで LoRA名を "<lora:modelname:weight>" として使えます。

このフォルダに入っている .safetensors や .pt ファイルが、A1111のWebUIで自動的に読み込まれ、モデル選択UIやプロンプト補完で使用可能になるためです。
 作成した、.safetensors や .ptファイルの使用方法の詳細は、 下のリンク記事をご覧下さい。

あわせて読みたい

【Stable Diffusion WebUI（AUTOMATIC1111）】 LoRA モデルの使い方と設定 この記事では、Stable Diffusion WebUI（AUTOMATIC1111）を使ってLoRAモデルを活用する方法を解説しています。 この記事は、事前に、Stable Diffusion WebUIがインスト…

 Stable Diffusio（AUTOMATIC1111）のインストール方法については、 こちらの記事をご覧ください。

Sakasa AI

WebUI（AUTOMATIC1111）の【インストール方法】【拡張機能インストール】【エラー対処法】 | Sakasa AI WebUI（Webユーザーインターフェース）とは、ブラウザを通じて操作できるユーザーインターフェースのことで、特に画像生成AI（例：Stable Diffusion）を扱う際によく使われ…

注意点

• フォルダ名は 「Lora」（Lが大文字）です。
  ※小文字の「lora」だと読み込まれないことがあります。
• ファイル名に日本語やスペースが入っていると、うまく動作しないことがあるので、半角英数字・アンダーバー推奨です。

設定の保存

「Load/Save Config file」について

「Load/Save Config file」は、Kohya GUI（kohya_ss）で使う学習設定の保存／読み込み機能です。以下のように使います。

Save Config file（設定の保存）

• 現在GUIで設定した 学習条件（画像フォルダ、出力名、エポック数など） を、.json ファイルとして保存できます。
• 次回、同じ学習設定を再利用したいときに便利です。

1. 設定をGUIで入力
2. Save Config file ボタンをクリック
3. .jsonファイル名を指定して保存
   　例： lora_cat_config.json

Load Config file（設定の読み込み）

• 以前保存した .json の設定ファイルを読み込むと、GUIに自動で値が反映されます。
• 複数のLoRA学習パターンを切り替えて使う時にとても便利です。

1. Load Config file をクリック
2. 以前保存した .json ファイルを選択

保存される内容（例）

• 画像フォルダのパス
• 出力名・保存先
• エポック数、バッチサイズ
• 学習率（Learning rate）
• 使用モデルのパス（Pretrained model）
• 正則化や学習スケジュールなどの高度なパラメータも含む

kohya_ss/configsなどに保存されます。

「output name」「model name」について

Kohya GUI の「Training」で、「LoRA」や「DreamBooth」などの学習種類を選ぶと、「Training」や「Basic」タブが表示されます。

この名前が .safetensors のファイル名になります。

output_name = last

• 学習によって出力されるモデル（.safetensors など）のファイル名が、
  last.safetensors になります。
• これは **「最後のエポックのモデル」**という意味合いで、わかりやすい汎用名です。
• 保存先は通常 /workspace/outputs や /runpod-volume/outputs に保存されます。

「Save trained model as」について

指定するのが安心

• 意味：学習後に出力されるモデルファイル（.safetensors など）の名前を指定する項目です。
• 指定しない場合：自動的に日付や設定名などが使われた名前になりますが、あとで管理しにくくなることがあります。
• 指定例： コードをコピーするlora_mycharacter_v1.safetensors

学習した内容に合った名前を自分でつけると、整理しやすく、後からモデルを使うときにも分かりやすくなります。

「Max train epoch」について

デフォルトの「10」は多いかもしれません。使用データ量によって調整します。

• 意味：「何回データセットを繰り返して学習するか」を指定します。
• デフォルトは 10 ですが、以下のように調整するのが一般的です。

過学習に注意

Epoch が多すぎると、訓練データに特化しすぎて汎用性が下がる「過学習」になります。

Dreambooth/LoRA Dataset Balancingについて

• こちらは**複数のコンセプトフォルダ（例：キャラA、キャラB）**がある場合の補助機能です。
• 学習画像数が極端に偏っているとき、自動でバランスを取ってくれる処理です。
• たとえばこういう構成

/dataset
 ├── character_A
 │ ├── a1.png
 │ └── a1.txt 
 └── character_B
   ├── b1.png
   └── b1.txt

コンセプト数が多く、かつ枚数バランスに偏りがあるときに使用。

出力される2種類の .safetensors ファイル

① 出力フォルダ名-000004.safetensors

• ✅ エポック番号（チェックポイント付き）
• これは「学習ステップ途中のスナップショット」です。
• --save_every_n_epochs や --save_every_n_steps を指定していると、自動で一定間隔ごとに保存されます。
• 用途：
  • 学習の途中経過を検証したいとき
  • 精度が最も高かった中間地点に戻したいとき

例:
出力フォルダ名-000004.safetensors → 4エポック終了時のモデル

② 出力フォルダ名.safetensors

• ✅ 最終エポックまで完了した学習モデル（最終出力）
• 学習がすべて終わった後、自動的に出力されます。
• 最も安定した「完成モデル」として扱われます。
• 用途：
  • 実際に画像生成で使うモデル
  • Hugging Faceなどで公開するモデル

カスタマイズしたいときの設定項目

注意点

• 出力フォルダ名.safetensors は 学習が最後まで正常に完了しないと生成されません。
• 途中で止まった場合 は、番号付き（例: -000004）しか残らないので、必要に応じてそれを手動でリネームして使うことが可能です。

WebUI（ブラウザ画面）の閉じ方

Kohya_ssでWebUIを使用してローカル学習を行っている場合、作業をいったん終了する際には、ターミナル側とWebUI側の両方で適切に閉じることが重要です。以下にそれぞれの正しい閉じ方を説明します。

WebUIは、Kohya_ssのGUI（ブラウザ）であり、直接的には学習プロセスを制御していません。ただの表示窓のようなものです。

• ブラウザのタブまたはウィンドウを閉じるだけでOKです。
  • ChromeやEdgeなどで開いているKohyaのWebUIタブを普通に閉じてください。
  • 学習ジョブが実行中でも、ターミナル側で動いていれば裏で進行します。

ターミナル（コマンドプロンプト / Anaconda Promptなど）の正しい閉じ方

ターミナルはKohya_ssのWebUI（gui.py）を起動している実行プロセスです。

閉じるタイミング

学習をまだ開始していない／完了済みの場合

1. ターミナルにフォーカスして、
2. Ctrl + C を押す（2回必要な場合あり）
   • Shutdown this Flask server (y/n)? と出る場合は、y を入力してEnter。
3. コマンドプロンプトがプロンプト（例：(base) C:\Users\yourname>）に戻ったら、ターミナルを閉じてOK。

学習中に終了したい場合

1. 学習ジョブが進行中に Ctrl + C を押すと、途中で学習が止まります。
   • ログ出力が止まり、「KeyboardInterrupt」と表示されます。
   • チェックポイント（途中保存）されていない場合は、データが失われる可能性があるので注意。

※「定期保存（save_every_n_stepsなど）を有効にしておく」と、学習途中でもモデルが保存されます。

トラブル・エラー

エラー時の基本チェックポイント

1. Training images
   → images + .txt が同じフォルダに入っている → OK
   → フォルダ名 output/art_part1 → OK（英数字とスラッシュのみで問題なし）
2. Dataset preparation
   • 「Dreambooth/LoRA Folder Preparation」または「Dataset Balancing」のどちらかのみを使用する。
   • 通常のLoRA学習では「Folder Preparation」で十分。「Dataset Balancing」はデータに偏りがあるとき用。
3. 出力先指定（Save trained model as）
   → 設定済みであればOK。空白だと保存されないことがあります。
4. ログ出力確認
   • /kohya_ss/outputs/ に .toml や .json が出力される場合、「ボタンは動作しているが学習開始に失敗している」可能性が高い。
   • エラーが出ないのはPython側でエラーを握り潰している場合あり。
5. 学習設定の最小限構成でテスト
   • epoch数を1、ステップ数を10程度にして動作確認用にしてみてください（負荷をかけず起動の可否だけチェック）

• Startの前に、GUIの 「Trainタブ」→ 全項目の必須入力欄 は埋まっていますか？
• 特に以下のような項目が必要です。
  • Base model path
  • Output name
  • Output directory
  • Image folder
  • Captionファイル形式（BLIP/DeepBooruなど） or .txt
  • Save trained model as（safetensors）
  • Epoch や batch size など

GUIが壊れてしまった場合

1. kohya_ss フォルダにある ui-config.json を削除
2. Anaconda Prompt で再起動

cd C:\Users\Owner\kohya_ss
python kohya_gui.py

「.toml」「.json」「.txt のみが出力される！

「.toml」「.json」「.txt のみが出力された」という場合
KohyaのLoRA学習を実行したあと、モデルファイル（例：.safetensors）が出力されなかったという意味です。
これはいくつかの原因が考えられます。以下を順番にチェックしてみてください。

学習エポック数（epoch）が 0 や 1 になっていないか？

• Epoch の数が極端に少ないと、学習がほぼ行われず、モデル出力がスキップされることがあります。
• 2〜4以上にして再試行してみてください。

output_name の指定がない or 無効な名前になっていないか？

• 出力ファイル名が output_name.safetensors として作成されるため、ここが空欄だと出力されない場合があります。
• 例：lora_dog などの名前を必ず入れておく。

出力フォルダが output_dir で指定されている場所に .safetensors が出ているか？

• .toml や .json は設定保存ファイルです。学習結果（モデル）は .safetensors で出力されます。
• 例： /workspace/outputs/lora_dog.safetensors などに出力されているか確認。

Save every N steps などの中間保存が有効かどうか？

• 学習途中で保存する設定（save_every_n_stepsなど）がないと、学習途中で停止した場合に何も出力されないことも。

コマンド実行時にエラーが出ていたかも？

• 実行ログ（WebUI上部 or Terminal）を確認し、途中で CUDA out of memory などのエラーが出ていなかったかチェック。

Start training を押しても無反応な場合

Kohya GUIでは、以下のような必須項目が空白だと、裏側でコマンドが生成されず、Start training を押しても無反応になります。

確認すべき項目（特にLoRAの場合）
Image folder（学習用画像のフォルダ）
Output namePretrained model（ベースのモデルファイル）
Output directoryEpoch（エポック数）や Batch size（バッチサイズ）
どこか赤く縁取りされている項目がないかチェックしてください。

ファイルパスの指定ミス
Pretrained model や Image folder のパスが 存在しないか間違っている と動作しません。
Browse ボタンでGUI経由で選択するのがおすすめ。
ターミナルや htop コマンドで裏側のプロセスが動いているかも確認できます。

CLI Preview（またはログ）にエラーが出ていないか？
Start training 実行後に下部にエラー表示がある場合、それが原因です。
「CLI Preview」ボタンがある場合は、出力されるコマンドを先にチェック。

CLI（コマンドライン）での実行も可

GUIでのトラブルがあまりに多い場合、以下のようにCLI（コマンドライン）でLoRA学習を実行する方法もあります

python train_network.py --config_file="your_config.json"

GUIは設定の確認用、CLIは確実に回す用、と使い分けている人も多い。

Sakasa AI

WebUI（AUTOMATIC1111）の【インストール方法】【拡張機能インストール】【エラー対処法】 | Sakasa AI WebUI（Webユーザーインターフェース）とは、ブラウザを通じて操作できるユーザーインターフェースのことで、特に画像生成AI（例：Stable Diffusion）を扱う際によく使われ…