Ostris AI Toolkitでの Z‑Image（Base）LoRA学習
Z‑Image（Base）は、Z‑Imageのフルチェックポイント（8ステップのTurboではありません）です。CFG＋ネガティブプロンプトと多めのサンプリングステップで高品質なtext‑to‑imageを狙える設計で、さらに、キャラクター/スタイル/商品/タイポグラフィ重視のコンセプトなど、きれいで完全に制御できるLoRAを作りたい場合の最適解でもあります。
この Z‑Image LoRA学習 ガイドを読み終えると、次のことができるようになります：
- Ostris AI Toolkit（ローカルまたはクラウド）で Z‑Image LoRA学習 を実行する。
- Z‑Image Base推論の挙動（ステップ＋CFG＋解像度）に合うデフォルト設定を選ぶ。
- Z‑Image Base LoRA学習でよくある落とし穴（Turbo設定、 「LoRAが効かない」、Base↔Turboのミスマッチ）を回避する。
- 推論UIですぐ使えるチェックポイントをエクスポートする。
この記事はAI Toolkit LoRA学習シリーズの一部です。Ostris AI Toolkitが初めての方は、このZ‑Image LoRA学習に入る前に AI Toolkit LoRA学習の概要 から始めてください：
https://www.runcomfy.com/ja/trainer/ai-toolkit/getting-started
目次
- 1. Z‑Image概要：できること（Turboとの違い）
- 2. 環境の選択：ローカルAI Toolkit vs RunComfyのクラウドAI Toolkit
- 3. Z‑Image Base LoRA学習のハードウェア/VRAM要件
- 4. Z‑Image Base LoRA学習用データセットの作り方
- 5. ステップバイステップ：AI ToolkitでZ‑Image LoRA学習
- 6. VRAM別：おすすめのZ‑Image LoRA学習設定
- 7. Z‑Image Base学習でよくある問題と対処法
- 8. 学習後にZ‑Image Base LoRAを使う
1. Z‑Image概要：できること（Turboとの違い）
1.1 「Z‑Image Base」とは
「Z‑Image Base」は、Z‑Imageの非蒸留（non‑distilled）チェックポイントを指します。実運用では：
- より多いサンプリングステップ（目安 ~30–50。8ではありません）を前提とします。
- CFG と ネガティブプロンプト を効果的に使えます。
- LoRAのファインチューニング（代替キーワード1回）で最大限の制御と品質を狙うなら、Z‑Image LoRA学習のターゲットとして最適です。
1.2 Base vs Turbo（学習で重要なポイント）
Z‑Image LoRA学習でありがちなミスは、BaseをTurboのように学習（または評価）してしまうことです。
- Turbo設定（8ステップ、低/ゼロCFG）だと、Baseの出力が焼き足りないように見えて、「LoRAが効いていない」と誤認しがちです。
- Base設定（30–50ステップ＋通常CFG）で評価するのが正解です。
目安：
Base用LoRAを学習したなら、評価も Base で Baseらしいサンプリング に合わせてください。
2. 環境の選択：ローカルAI Toolkit vs RunComfyのクラウドAI Toolkit
このZ‑Image LoRA学習は、AI Toolkitを次の2つの形で実行できます：
- ローカルAI Toolkit（手元のGPU）
GitHubリポジトリからAI Toolkitをインストールし、Web UIを起動します。NVIDIA GPUがあり、CUDA/ドライバ管理に抵抗がなく、LoRAを何度も反復するための永続環境が欲しい場合に最適です。
https://github.com/ostris/ai-toolkit
- RunComfyのクラウドAI Toolkit（H100 / H200）
大容量GPU上でAI Toolkitをブラウザで動かせます：
- インストール不要（UIを開くだけ）
- 1280/1536など高解像度バケットに必要なVRAMを確保しやすい
- データセット/設定/過去の学習が残る永続ワークスペース
どちらもZ‑Image LoRA学習の手順は同じで、違うのはGPUがどこにあるかだけです。
3. Z‑Image Base LoRA学習のハードウェア/VRAM要件
推論自体は比較的控えめなGPUでも可能ですが、Z‑Image LoRA学習は次の要素でVRAM要求が大きく変わります：
- 解像度バケット（768 / 1024 / 1536）
- 量子化（float8）
- LoRA rank
- 学習中のサンプリング設定（プレビュー解像度＋プレビューSteps）
Z‑Image LoRA学習を現実的に考えると：
- 12–16GB VRAM：設定を詰めれば 512/768 で可能
- 24GB VRAM：1024 のLoRA学習が現実的
- 48GB+ VRAM：1280/1536 バケットや高速イテレーションが最も楽
タイポグラフィ重視や商品忠実度が目的なら、高解像度を前提にし、VRAMが急激に増えることを受け入れてください。
4. Z‑Image Base LoRA学習用データセットの作り方
Z‑Image Baseはデータセット形式そのものに「特殊さ」はありません。ただし、品質の評価方法には敏感です。つまり、Z‑Image LoRA学習のデータセットは、推論時に狙う挙動（CFG＋多めのステップ）に合わせて設計するのが重要です。
4.1 目的を決める（データセットの形も決まる）
- キャラクター/似顔：15–50枚
顔アップ＋半身、ライティングのバリエーションを混ぜる。
- スタイル：30–200枚
被写体のバリエーションを増やし、「ある1シーン」ではなく「スタイルの特徴」を学ばせる。
- 商品/コンセプト：20–80枚
フレーミングを揃え、特徴（素材、ラベル文字、形状）をキャプションで明確にする。
4.2 キャプション＋トリガー（シンプルに）
- トリガーは、きれいにオン/オフしたい場合に有効です（キャラ/商品系のZ‑Image LoRA学習では推奨）。
- キャプションは短く一貫させましょう。長いキャプションは誤バインド（髪型/背景が「トリガーの一部」化）を招きます。
クイックテンプレート
- キャラクター：
[trigger]または
photo of [trigger], portrait, natural lighting - スタイル：
in a [style] illustration style, soft shading, muted palette - 商品：
product photo of [trigger], studio lighting, clean background
5. ステップバイステップ：AI ToolkitでZ‑Image LoRA学習
このセクションは、新しいZ‑Image LoRA学習ジョブを作る際に表示される AI ToolkitのUIパネルに合わせて書いています。
5.1 JOBパネル（Training Name, GPU ID, Trigger Word）
- Training Name：分かりやすい実行名（例：
zimage_base_character_v1） - GPU ID：ローカルは使用GPUを選択、クラウドはデフォルトでOK
- Trigger Word（任意だがキャラ/商品系のZ‑Image LoRA学習では推奨）：
例：
zimgAlice
5.2 MODELパネル（Model Architecture, Name or Path, Options）
- Model Architecture：Z‑Image を選択
- Name or Path：ベースモデルのrepoを設定（一般的には）：
Tongyi-MAI/Z-Image - Options
- Low VRAM：≤ 24GBならON
- Layer Offloading：基本はOFF。解像度/rankを下げてもOOMする場合のみON
5.3 QUANTIZATIONパネル（Transformer, Text Encoder）
- Transformer：
float8 (default)が強いデフォルト（大きいバケットに乗せやすい） - Text Encoder：VRAMに余裕が必要なら
float8 (default)
VRAMが十分なら量子化を弱めてもよいですが、Z‑Image LoRA学習のベースラインとしてfloat8はだいたい安全です。
5.4 TARGETパネル（Target Type, Linear Rank）
- Target Type：
LoRA - Linear Rank（Z‑Image LoRA学習の実用的デフォルト）
- 16：スタイルLoRA、低VRAM
- 32：キャラ/商品LoRA、より高い忠実度
- 48+：十分なVRAMがあり、アンダーフィットが明確な場合のみ
5.5 SAVEパネル（Data Type, Save Every, Max Step Saves to Keep）
- Data Type：
BF16 - Save Every：
250（比較用に十分なチェックポイントを残す） - Max Step Saves to Keep：
4（ディスク肥大化を防ぐ）
5.6 TRAININGパネル（Batch Size, Steps, Optimizer, LR, Timesteps）
Z‑Image LoRA学習の安定ベースライン
- Batch Size：
1 - Gradient Accumulation：
1（VRAMを増やさず実効バッチを大きくしたいなら上げる） - Steps：下の目安を参照
- Optimizer：
AdamW8Bit - Learning Rate：
0.0001（不安定なら0.00005に下げる） - Weight Decay：
0.0001 - Timestep Type：
Weighted - Timestep Bias：
Balanced - Loss Type：
Mean Squared Error - EMA：ほとんどのLoRA学習ではOFF
Steps：Z‑Image Base向けの目安
Z‑Image Baseは、蒸留されたTurbo系モデルよりも 長めの学習に耐えやすい傾向がありますが、プロンプト追従が崩れる前に止めることが重要です。
- キャラクター/似顔：3000–7000 steps（データセット規模で変動）
- スタイル：2000–6000 steps
- 商品/コンセプト：2500–6500 steps
まずはZ‑Image LoRA学習のスモークテストとして 1000–1500 steps だけ回してサンプルを確認し、その後フルランに進むのが安全です。
5.7 Text Encoder最適化＋正則化（右側）
- Unload TE：キャプションを捨ててトリガーのみで動かしたい等の意図がない限りOFF
- Cache Text Embeddings：キャプションが固定で、caption dropoutを使わない場合のみ有効
Differential Output Preservation（DOP）
UIビルドにある場合：
- 「プロンプトしたときだけLoRAが効く」挙動が重要なら Differential Output Preservation を有効化
- DOPがONならText Embeddingsのキャッシュはしない（コンセプト的に衝突）
5.8 ADVANCEDパネル
- Do Differential Guidance：普段から使っていて調整ポイントが分かる場合以外はOFF
5.9 DATASETSパネル（Target Dataset, Caption Dropout, Cache Latents, Resolutions）
Z‑Image LoRA学習では、UIに表示されるデータセット設定を基本そのまま使ってOKです：
- Target Dataset：データセットを選択
- Default Caption：短いテンプレート（または画像ごとの
.txtを使うなら空でOK） - Caption Dropout Rate：
0.05（Text Embeddingsをキャッシュするなら0） - Cache Latents：高速化のためON
- Is Regularization：メインデータセットはOFF
- Flip X / Flip Y：基本OFF（ロゴ/文字は特に）
- Resolutions（Z‑Image Base LoRA学習で最重要のレバー）
- 低VRAM：512 + 768
- 24GB：768 + 1024（データが揃っているなら1024のみでもOK）
- 高VRAM：商品/文字忠実度を狙うなら 1280 / 1536 を追加
5.10 SAMPLEパネル（Base vs Turboが最重要ポイント）
Z‑Image BaseのZ‑Image LoRA学習で、最も設定ミスが多いのがここです。
Base向けの推奨サンプリング設定
- Sample Every：
250 - Sampler：
FlowMatch（スケジューラ系を合わせる） - Guidance Scale：
4（Baseの典型は3–5。好みで調整） - Sample Steps：30–50（まずは 30）
- Width / Height：メインバケットに合わせる（1024×1024が扱いやすい）
- 次をカバーする少数のプロンプトセットを用意：
- トリガー（使う場合）
- 構図の違い
- 身元/スタイル/商品形状を厳しく試す「難しい」プロンプト
ネガティブプロンプト（Baseは相性が良い）
プレビューでは短いネガティブプロンプトでアーティファクトを抑えられます。例：
low quality, blurry, deformed, bad anatomy, watermark, text artifacts
5.11 学習を開始してモニタリング
ジョブを開始したら、Z‑Image LoRA学習中は次を見てください：
- Samples（250 stepsごと）
- プロンプト追従（プロンプトがまだ尊重されているか）
- 過学習の兆候（同じ顔/質感が出続ける、背景が崩壊する）
LoRAが強く効きつつ、常時フィルター化しないチェックポイントを選びましょう。
6. VRAM別：おすすめのZ‑Image LoRA学習設定
Tier 1 — 12–16GB（VRAMが厳しい）
- Low VRAM：ON
- Quantization：Transformer＋Text Encoderともにfloat8
- Linear Rank：16
- Resolutions：512 + 768
- Sample Steps：30（必要ならプレビュー解像度を768に）
- Steps：データセット規模に応じて2000–5000
Tier 2 — 24GB（ローカルで最も現実的）
- Low VRAM：ON（安定したらOFFも試す）
- Quantization：float8
- Linear Rank：32（キャラ/商品）、16–32（スタイル）
- Resolutions：768 + 1024（揃っているなら1024のみでもOK）
- Sample Steps：30–40
- Steps：目的に応じて3000–7000
Tier 3 — 48GB+（またはクラウドH100/H200）
- Low VRAM：OFF（任意）
- Quantization：任意（float8のままでも問題なし）
- Linear Rank：32–48
- Resolutions：1024 + 1280 + 1536（データが対応していれば）
- Sample Steps：プレビュー品質重視なら40–50
- Steps：目的別の範囲は同じ。イテレーションが速いだけ
7. Z‑Image Base学習でよくある問題と対処法
ここで扱うのは Z‑Image Base特有の問題です（AI Toolkit一般のエラーではありません）。
「Baseが薄い/ディテールが出ない」
原因の可能性： ステップ不足、または解像度不足。
対処
- Sample Stepsを 40–50 に増やす
- VRAMが許すなら1280/1536バケットを試す
- 推論ワークフローに「shift」パラメータがある場合、shiftを中間（例：4–6）にすると整合性が上がるという報告があります。これはsteps/CFGが正しい前提で、最後の微調整として使ってください。
「Baseでは効くがTurboでは効かない」
多くの場合、これは自然です：
- Turboは蒸留モデルで挙動が異なります（CFG/ネガティブ、LoRAの効き方など）。
対処
- Turboでのデプロイが必要なら、Base↔Turboの転移が1:1だと期待せず、Turbo前提のワークフローで学習を検討してください。
- 最良の結果のために、同じファミリーで学習・デプロイ（Base→Base）する。
「文字/ロゴが安定しない」
Z‑Image Baseはタイポグラフィも得意ですが、Z‑Image LoRA学習では解像度とサンプリングに敏感です。
対処
- 1024+ で学習（可能なら1280/1536も）
- 評価は 40–50 steps で
- 文字が重要ならFlip Xは避ける
- 重要な文字特徴はキャプションで一貫して書く（トリガー任せにしない）
8. 学習後にZ‑Image Base LoRAを使う
Run LoRA — Z‑Image Run LoRAページ を開きます。このベースモデル推論ページでは、RunComfyで学習したLoRAアセットを選ぶか、AI Toolkitで学習したLoRAファイルをインポートして、playgroundまたはAPIで推論できます。RunComfyは同じベースモデルと、学習設定に含まれるAI Toolkitパイプライン定義をそのまま使用するため、学習中に見た結果が推論でも再現されやすく、Z‑Image LoRA学習のサンプルとの整合性を保ちやすいのが特徴です。さらに、Deploymentsページ からLoRAを専用エンドポイントとしてデプロイできます。
その他のAI Toolkit LoRA学習ガイド
Ready to start training?