Meta Museで自分専用の画像モデルを作る。無料GPUでLoRAを学習させる手順

公開 更新 12 分で読了
Meta Museで自分専用の画像モデルを作る。無料GPUでLoRAを学習させる手順

Meta MuseにLoRA学習の計画を頼み、無料GPUで自分の絵柄を試す流れを解説。学習画像の権利確認、貼り付けて使える依頼文、小さな試行、LoRAあり・なしの比較、重みの保存まで整理します。無料GPUの制限と、エラー時に確認する場所も分かります。

Meta Museには、自作画像をもとにLoRAを学習するための計画やノートブックを依頼できます。無料GPUを使う場合は、素材の確認、小さな学習試行、生成結果の比較、ファイルの保存の順に進めます。

LoRA(ローラ)は、既存の画像モデルに追加の特徴を覚えさせる学習方法です。ここでは、自作の「青い陶器の鳥のイラスト」を素材にする例で、Museへ渡す依頼文と確認項目を紹介します。公式資料をもとに組み立てた手順案であり、MuseとGPUを接続して学習を実行した検証記事ではありません。

Meta MuseでLoRAを作ると、何が変わる?

LoRAを使うと、毎回長い文章で説明していた絵柄やモチーフを、追加の学習データとして画像モデルに持たせられます。学習する対象は外部の画像モデルです。[1]

Museが計画を作り、GPUで画像モデルとLoRAを動かす役割を示す概念図

自分の絵柄を、別の場面でも使いたいときに選ぶ

たとえば、手描きの青い鳥を使って、季節ごとのカードや記事の挿絵を作りたい場合です。同じ線の丸さや色使いを残しながら、机の上、窓辺、庭など場面を変えたいときに、LoRAの効果を比較する意味があります。

一方、一枚の画像を作ることが目的なら、学習素材を集める前に通常の画像生成で足りるかを確かめると、作業を減らせます。日本語で構図や色を伝える方法はChatGPTで画像生成する方法、手元の写真を直す場合はGeminiで写真を編集する方法を参照できます。

Muse・GPU・画像モデルの役割を分ける

Museには、必要なファイルの整理やコードの作成、エラーの読み取りを依頼します。MetaはMuseを、専用の仮想環境やブラウザーを使って作業するAIエージェントとして説明しています。[2]

GPUは、画像の学習や生成に使う計算装置です。クラウドのGPUを使う構成なら、手元のPCはブラウザーでの操作やファイルの受け取りを担当できます。Museの利用開始や基本的な権限の考え方は、Meta Museの使い方・料金・できることで確認できます。

役割 今回の作業で担当すること 受け取るもの
Muse 計画、コード、確認項目を作る ノートブックと説明
GPU コードに従って学習・生成する 実行ログと計算結果
ベースモデル 画像を作る土台になる 元のモデルの識別情報
LoRA 追加で学んだ特徴を保持する 追加の重みファイル

LoRAの学習画像は、権利と説明文から準備する

本人が制作し、利用条件を確認できる非人物のイラストを例に進めます。

自作の鳥の画像、内容を記す説明文、利用条件のメモを揃える概念図

学習画像の著作権と、人物写真の肖像権を確かめる

文化庁の資料では、AIの開発・学習段階と、生成物を利用する段階を分けて考えています。素材を入手した場所だけでなく、作者、契約、利用条件を確認します。[3]

人物写真には、写真の著作権とは別に、写っている人の肖像に関する問題があります。文化庁のFAQも、肖像権やパブリシティ権を著作権とは別の権利として説明しています。[4]

権利関係が曖昧な画像は素材フォルダに混ぜず、確認待ちとして分けます。

覚えたい特徴と、変えてよい部分を分ける

素材を一覧にしたら、同じ画像の複製、極端にぼけた画像、用途と無関係な文字や背景が目立つ画像を分けます。向きや背景が同じものばかりなら、その条件に結果が偏っていないかを後で確認します。

素材メモの項目 記入例
制作・利用条件 本人が描いた非人物のイラスト。外部への公開はしない
覚えたい特徴 丸い輪郭、淡い青、陶器のような質感
変えてよい部分 背景、鳥の向き、置く場所
完成後に確かめること 元画像にない背景でも鳥の特徴が残るか

画像とキャプションを同じフォルダにまとめる

キャプションは、学習に使う画像の内容を表す説明文です。Hugging Faceの画像データ形式では、画像と対応する説明をmetadata.jsonlに記録できます。一行に一つのJSONを置き、file_nameで画像ファイル、textで説明文を指定します。[5]

training-images/
  bird-01.png
  bird-02.png
  metadata.jsonl
{"file_name":"bird-01.png","text":"白い机に置かれた、淡い青色の陶器の鳥のイラスト"}
{"file_name":"bird-02.png","text":"窓辺に置かれた、横向きの淡い青色の陶器の鳥のイラスト"}

二枚分のファイル形式の例です。説明文の言語は選ぶベースモデルに合わせ、必要ならMuseに翻訳と内容の照合を依頼します。画像にない物を説明文へ足さず、ファイル名の大文字・小文字や拡張子も実物と揃えます。

MuseにLoRA学習の計画とノートブックを頼む

Colabのノートブック内で、人が工程を確認しながら実行する構成です。

環境確認から素材、読み込み、試行、本学習、保存へ進む六段階の図

無料GPUが使える状態と、保存先を先に確認する

Colabでは「ランタイム」から「ランタイムのタイプを変更」を開き、利用できるGPUを選びます。無料枠のGPU機種や利用時間は保証されないため、GPUが使えない日は、素材とノートブックの準備までで止めます。[6][7]

無料Colabには、ノートブックの画面を主に使わず、外部のWeb画面などから操作する使い方への制限があります。この構成では、Museにノートブックを作成・説明してもらい、Colab上でセルの内容と結果を確かめます。[6]

保存先には、学習中の作業フォルダと、終了後も残す場所を分けて指定します。最終的にはPCへダウンロードして確認する構成なら、クラウドドライブ全体へのアクセスを与える必要も減らせます。

GPUの準備から確認したい場合は、Colab・Kaggle・Modalの無料枠と設定手順を参照してください。

そのまま貼れる、実行前の依頼文

Museのチャットに、次の依頼文を貼り付けます。素材を共有する段階では、選んだ学習用フォルダだけを対象にし、ログイン情報や認証用の文字列を文章に含めません。

自作の青い鳥のイラストでLoRAを作ります。まず計画だけを提示し、確認を待ってください。
無料ColabのGPUを使い、課金・プラン変更・クレジット購入・別アカウント作成はしません。
無料枠で実行できなければ理由を示して止めます。
Diffusersの公式LoRA学習例を候補にし、モデルの配布元・識別子・ライセンス、対応スクリプトと版を示してください。
空き容量とGPUメモリの見積もりも必要です。
素材は指定フォルダだけです。第三者画像の収集、データ・モデルの公開やHubへの送信はしません。
ノートブックを環境/素材/読み込み/試行/本学習/比較と保存に分け、各段階の実行内容・成功の表示・停止条件を書いてください。
短い試行で保存と読み込みを確認してから本学習を提案してください。
重み・設定・説明書・比較画像をPCへ保存できる形で渡してください。

ノートブックを六つの段階に分ける

ノートブックは、説明とコードを小さな区切りで実行できる文書です。Museが作成したファイルをColabで開いたら、対象のセルをクリックし、Shift+Enterで一つずつ実行して出力を確認します。[7]

段階 実行すること 次へ進む目印
1 環境確認 GPU、空き容量、ライブラリの版を表示 使用するGPUとコードの組み合わせが決まる
2 素材確認 画像と説明文の一覧を表示 除外したい素材や取り違えがない
3 データ読み込み 画像列と説明文列を読み込む 件数とサンプルが予定どおりに表示される
4 短い試行 少ない更新回数で学習・保存・読込 重みから試しの画像を生成できる
5 本学習 合意した設定で追加学習 実行ログと保存先が確認できる
6 比較と保存 同条件で比較し、成果物を取り出す PC側でもファイルと画像が開ける

Diffusersには画像モデルの系統ごとに別の学習例があります。通常のStable Diffusion向けの例はtrain_text_to_image_lora.pyです。Museには選んだモデルとスクリプトが対応する理由も説明してもらいます。[1][8]

外部のコードやスキルに許可する操作を見直すときは、ファイルを守り、接続権限を絞るための確認項目も参照できます。

小さなLoRA学習で、読み込みから保存まで確かめる

短い試行と本学習の出力先を分けておくと、後からどちらのLoRAを試しているかが分かります。

少ない更新回数の試行から重みの保存と再読み込みを確認する図

画像と説明文を表示して、取り違えを見つける

公式の学習例では、ローカルの画像フォルダを--train_data_dirで指定できます。今回の形式なら、説明文の列は--caption_column="text"として対応させます。[8][9]

Museには「読み込み件数、見つからないファイル、空の説明文、実際に学習へ渡る画像と説明の組を表示して」と依頼します。意図しない素材があれば、この段階でフォルダとメタデータを直して再読込します。

学習の設定は、最初に決めた値を残す

Museには設定をノートブックの先頭にまとめ、実行時の値を別ファイルにも保存してもらいます。GPUの空き容量に応じて設定を変更した場合も、変更後の値が記録に残る形にします。[8]

設定 意味と確認点
ベースモデルと版 LoRAを学習させる土台。生成時にも対応するモデルを使う
画像サイズ 学習へ渡す画像の大きさ。切り抜きで鳥が欠けないか見る
batch size 一度に処理する画像数。GPUメモリの使用量に関わる
学習率 重みを更新する大きさ。変更した理由も記録する
更新回数 学習を何回進めるか。試行用と本学習用を分ける
seed 乱数の初期値。比較の条件を揃えるために残す

短い試行が通ってから、本学習へ進む

短い試行の更新回数には、保存と読み込みの動作確認用に「20回」のような上限を置けます。試行が終わったら、LoRAのファイルが出力され、対応するモデルへ読み込めるところまで進めます。

その結果を見てから、本学習の更新回数と途中保存を決めます。公式スクリプトには--checkpointing_stepsと--resume_from_checkpointがあり、途中の状態を保存して再開できます。再開には、保存したチェックポイント、コード、モデルを揃えます。[8]

完成したLoRAを読み込み、自分の絵柄を比較する

LoRAは、対応するベースモデルと一緒に読み込んで使います。[10]

同じ構図の鳥をLoRAなしとありで見比べるための概念図

図は比較方法を示す概念図で、実際のLoRA学習・生成結果ではありません。

LoRAあり・なしを同じ依頼文で並べる

比較では、ベースモデル、画像サイズ、生成の設定、seedを揃えます。その上で、LoRAを読み込まない画像と、読み込んだ画像を作ります。

Diffusersでは、対応するパイプラインにload_lora_weights()でLoRAを読み込めます。Museには学習したモデルの識別子、ファイル名、読み込み方法を記載してもらい、LoRAなしの状態も明示的に用意します。[10]

同条件で比べる場面 見る部分 記録する判定
白い机の上の青い鳥 丸い輪郭と淡い青が残るか 特徴が出た/弱い/強すぎる
窓辺の青い鳥 背景を変えても鳥が崩れないか 背景の指示が通る/通らない
斜め向きの青い鳥 素材と異なる向きに対応するか 自然/元画像へ戻りがち

画像づくり全体の流れや漫画の作例は、Museで画像・動画を作る手順で確認できます。

似すぎる画像と、指示が効かない画像を見分ける

学習素材への偏りが強く、新しい指示に対応しにくい状態は、過学習を疑う手がかりになります。素材の重複、説明文、ベースモデル、LoRAの適用強度など、条件を一つずつ見直すための観察として扱います。[11]

Museへは「この比較表の結果から、変える候補を一つだけ挙げ、理由と再比較の条件を説明して」と依頼します。対応する読み込み方法で適用強度を調整できる場合は、再学習の前に強度を変えた比較もできます。[10]

LoRAと設定を保存して、別の起動で開き直す

重みは.safetensorsなどの形式で保存されます。[8][10]

受け取るもの 保存後に確かめること
LoRAの重み ファイルが存在し、読み込み対象と一致する
設定と環境情報 モデル、コードの版、学習条件が書かれている
実行ノートブック 素材と保存先の指定箇所が分かる
比較画像と生成条件 LoRAあり・なしを区別できる
素材の一覧と利用条件メモ 何を学習したか後から確認できる

PCへ保存したら、ノートブックとLoRAの重みを別々に開いて確認します。GPUを再び使えるときに、新しい実行環境から同じLoRAを読み込み、比較用の画像を一枚作ります。

MuseのLoRA学習で止まったときに見る場所

学習が止まったら、同じ処理を繰り返す前に、最後に成功した段階とエラー全文を残します。

GPUの割り当て、メモリ、ファイルを分けて原因を確認する概念図

GPU・メモリ・ファイルのエラーを分ける

Museへエラーを渡すときは、実行したセル、使用モデル、コードの版、GPU、直前に変えた設定を添えます。ログに認証情報や個人情報が含まれる場合は、その部分を除いて共有します。

症状 最初に確認する場所 次の一手
GPUが割り当てられない Colabの実行環境と利用状況 GPU処理を止め、素材整理までにする
CUDA out of memory GPUメモリ、画像サイズ、batch size Museに一つの変更案と影響を説明してもらう
画像や説明列が見つからない フォルダ、metadata.jsonl、列名 該当箇所を直し、読み込みだけ再実行する
LoRAを読み込めない ベースモデル、重みの場所、対応するコード 学習時の記録と照合する
途中で接続が切れた 途中保存と最終保存の有無 再開可能な保存があるか調べる

公式例の省メモリ設定を使う場合は、変更後に短い試行へ戻って確認します。[1][8]

再実行は一つずつ変え、保存前に終了しない

修正後は、変更前後の値と理由を記録し、失敗した段階から確認し直します。

重み、設定、比較画像をPCに保存できたことを確かめてから、GPUの処理を終了します。[6]

保存フォルダと比較画像には同じ日付・試行番号を付け、どの重みで作った画像かを辿れるようにします。

よくある質問

Q. Meta MuseだけでLoRAを学習できますか?
この手順では、Museに計画やコードを依頼し、外部のGPUと対応する画像モデルで学習します。Muse標準のLoRA専用機能だけで完結する手順は確認できていません。
Q. 無料GPUならA100を使えますか?
無料Colabで使えるGPUの種類や利用時間は保証されません。A100の割り当てを前提にせず、利用できる環境を確認し、足りなければ作業を止めます。
Q. 学習画像は何枚あれば十分ですか?
モデル、覚えさせたい特徴、画像の違いによって変わるため、固定の必要枚数は示せません。利用条件が明確な画像を整理し、短い試行と比較を通して不足を判断します。
Q. 作ったLoRAのファイルだけ保存すれば再利用できますか?
対応するベースモデルと読み込み環境も必要です。LoRAの重みに加え、モデルの識別子、コードの版、設定、ノートブックを残し、別の起動でも読み込めるか確認します。

出典・参考データ

  1. [1] Diffusers:LoRA (Hugging Face) — 取得 2026-11-16
  2. [2] Introducing Muse, Your Personal AI Agent (Meta) — 取得 2026-11-16
  3. [3] AIと著作権に関する考え方について (文化庁) — 取得 2026-11-16
  4. [4] 文化芸術活動に関する法的問題についてよくあるご質問 (文化庁) — 取得 2026-11-16
  5. [5] Datasets:Create an image dataset (Hugging Face) — 取得 2026-11-16
  6. [6] Google Colab FAQ (Google) — 取得 2026-11-16
  7. [7] Google Codelabs:TensorFlow、Keras、ディープラーニング (Google) — 取得 2026-11-16
  8. [8] Diffusers公式:train_text_to_image_lora.py (Hugging Face) — 取得 2026-11-16
  9. [9] Diffusers:Create a dataset for training (Hugging Face) — 取得 2026-11-16
  10. [10] Diffusers:Load adapters (Hugging Face) — 取得 2026-11-16
  11. [11] Diffusers:Text-to-image training (Hugging Face) — 取得 2026-11-16

この記事を書いた人

水島 翔吾

株式会社kairos 代表取締役 / AgentSignal 開発者

AI クローラー・AI 流入計測と AIO 診断ツール AgentSignal を開発。実測データを元に AI 検索時代の計測と対策を書いています。

関連記事