メインコンテンツへスキップ
見出し画像

ローカル画像生成をSD1.5からはじめる

    こんにちは。

    残暑ひときわ身にこたえるこのごろ、いかがお過ごしでしょうか。

    私は最近、無職になりました。 散財の日々に終止符を打つため、まずは固定費を見直そうと思います!

    最初に目をつけたのは、月3,000円のChatGPTの課金です。 世の中の人が仕事にフル活用しているこのAIですが、私の使い道はというと……ほとんど「趣味の画像生成」です。 無職が月3,000円払ってAIにお絵描きをさせている場合なのか…?

    これを削れないか、挑戦してみます。
    手段は、ローカル画像生成です。
    最初はComfyUI+SD1.5の構成でチャレンジしたいと思います。

    出したいのは、この子です。

    画像
    chatGPTで生成した白衣の子

    この子を、好きなポーズ・好きな場面で、同じ顔のまま出したい。
    ゲームの立ち絵や漫画のコマに使えるくらいの安定感で。

    そして今回、自分のPCで出た「この子」がこちらです。

    画像
    ?

    ここに至るまでの話です。

    私のPCと、わかっていること

    PCは去年組みました。

    • OS:Windows 11 Home

    • CPU:Intel Core Ultra 7 265

    • GPU:NVIDIA GeForce RTX 5060 Ti(VRAM 16GB)

    • メモリ:32GB

    理解度はこんな感じです。

    • 数年前、AUTOMATIC1111で100枚ほど生成

    • ComfyUIは、画像生成の基本操作がなんとなくわかる程度

    なぜSD1.5から? なぜComfyUI?

    2026年にSD1.5から始めるのは、正直まわり道です。
    それでも選んだ理由は3つ。

    • Stable Diffusionが流行した原点のモデルから触ってみたい

    • 情報が多い。解説記事もモデルも、枯れて揃っています

    • 軽い。モデルが2〜4GBで、512×512なら数秒で出ます

    ComfyUIを選んだのは、「何が起きているか」がノードで見えるからです。
    AUTOMATIC1111のときには、ボタンの裏で何が動いているのかよくわかりませんでした。

    ComfyUIを入れる

    Windows用には、公式のポータブル版があります。
    ダウンロードして、展開して、batファイルをダブルクリックすれば起動します。

    公式GitHubのReleasesページからComfyUI_windows_portable_nvidia.7zを落としました。
    2026年9月20日時点の最新はv0.36.0で、GitHubの表示で1.79GBでした。

    画像
    ページのいちばん下の「Assets」に並んでいる。GPUがNVIDIAなので nvidia 版。

    配布元:https://github.com/Comfy-Org/ComfyUI/releases
    7-Zip:https://7-zip.org/

    7z形式なので、展開には7-Zipを使いました。

    batファイルが3つありますが、GPUがNVIDIAなのでrun_nvidia_gpu.batを使います。

    これをダブルクリックすると、黒い画面が出ます。

    画像
    閉じると止まります。

    この黒い画面に、自分の環境がどう認識されたかが出ています。
    私の場合はこうでした。

    Total VRAM 16311 MB, total RAM 32220 MB
    pytorch version: 2.13.0+cu130
    Device: cuda:0 NVIDIA GeForce RTX 5060 Ti : cudaMallocAsync
    Python version: 3.13.14
    ComfyUI version: 0.36.0
    To see the GUI go to: http://127.0.0.1:8188

    RTX 50系は新しくて動かない、という話を聞いたことがありました。
    私の環境では、追加の設定なしで起動できました。

    最後の行のURLをコピーしてブラウザで開きます。

    画像
    テンプレートの一覧

    テンプレート一覧を検索しても、SD1.5のtxt2img(文章から画像を作る)はありませんでした。

    さて、どうしよう。
    でも、今回はSD1.5からはじめることが目的の1つです。

    ネットで調べて、SD1.5のワークフローを自分で組むことにしました。

    モデルとVAEを置く

    今回は素のStable Diffusion 1.5を使います。

    モデル本体:v1-5-pruned-emaonly.safetensors(4.27GB)
    https://huggingface.co/stable-diffusion-v1-5/stable-diffusion-v1-5
    ライセンス:CreativeML Open RAIL-M

    置き場所はComfyUI\models\checkpoints\です。
    私はComfyUIを起動する前に置きました。

    画像
    「put_checkpoints_here」というファイルが目印。

    もう一つ、VAEというファイルも落としました。
    VAEは「画像の圧縮・復元担当」です。SD1.5は内部で小さな圧縮画像を作ってから、VAEで実寸に戻します。

    VAE:vae-ft-mse-840000-ema-pruned.safetensors(335MB)
    https://huggingface.co/stabilityai/sd-vae-ft-mse-original
    置き場所:ComfyUI\models\vae\


    「別途VAEを入れると色が良くなる」と昔読んだ記憶があるので、後で比べます。

    最初の1枚を出す

    調べた結果、SD1.5の基本のワークフローはノード7個でした。組んだものがこちらです。

    画像
    これが全部。左から右に流れる。

    ノードは、キャンバスの何もないところをダブルクリックして足していきました。
    ダブルクリックすると、ノードを探す窓が開きます。

    画像
    上の欄に名前を打つ。

    上の欄に「Load Checkpoint」と打つと、候補が絞られます。
    画面が日本語なので、候補は「チェックポイントを読み込む」という日本語名で出てきました。

    画像
    英語名で打っても見つかる。

    いちばん上の候補でEnterを押すと、ダブルクリックした場所にノードが置かれます。

    画像
    1個目。モデルを1つしか置いていないので、最初からそれが選ばれている。

    同じやり方で7個並べました。
    線は、ノードの右側の丸から、つなぎたいノードの左側の丸へドラッグするとつながります。
    このあとの拡大画像では、ノードのタイトルを英語名に書き換えています。

    ここからは左から順に、何を設定したかを書きます。

    Load Checkpoint(モデルを読み込む)

    画像
    さっき置いたファイルを選ぶだけ。

    ckpt_nameの欄で、さっき置いたv1-5-pruned-emaonly.safetensorsを選びました。
    右側に出口が3つあります。モデル・CLIP・VAEです。

    モデルはKSamplerへ。
    CLIPは、次のCLIP Text Encode 2つへ。
    VAEは、最後のVAE Decodeへつなぎました。

    CLIP Text Encode(プロンプトを入れる)

    画像
    上が出したいもの、下が出したくないもの。

    同じノードを2つ置きました。
    上がポジティブ(出したいもの)、下がネガティブ(出したくないもの)です。
    見分けやすいように、タイトルに(Positive)(Negative)と付けています。

    ポジティブは、キャラの特徴を英単語に直して並べました。

    1girl, solo, grey hair, bob cut, blunt bangs, hair over eyes, short twin braids,
    black ribbon, grey eyes, half-closed eyes, sleepy, blush, white lab coat,
    oversized coat, black t-shirt, white socks, black loafers, chibi, flat color,
    monochrome palette, simple background, white background, standing, looking at viewer

    ネガティブはこれです。

    lowres, bad anatomy, bad hands, extra fingers, worst quality, low quality,
    blurry, colorful, saturated

    右側の「条件付け」の出口を、上はKSamplerのポジティブへ、下はネガティブへつなぎました。

    Empty Latent Image(キャンバスの大きさ)

    画像

    512×512、1枚ずつ。

    幅と高さを512、バッチサイズ(一度に出す枚数)を1にしました。
    出口の「潜在」は、KSamplerの「潜在画像」へつなぎます。

    KSampler(絵を描く本体)

    画像
    設定はほぼここに集まっている。

    左の入口4つに、ここまでのノードが全部つながります。
    入れた値と、調べた意味はこうです。

    • シード:絵の初期状態を決める番号。同じ番号なら同じ絵が出る

    • 生成後の制御:fixed。生成後にシードを変えない設定

    • ステップ:20。描画を繰り返す回数

    • cfg:7.0。プロンプトにどれだけ従わせるか

    • サンプラー名 / スケジューラ:euler / normal。描き方の方式。今回は触らない

    • ノイズ除去:1.00。ノイズから全部描く、の意味。txt2imgでは1.00のまま

    VAE Decode と Save Image(戻して保存する)

    KSamplerの出口「潜在」をVAE Decodeへ。
    VAE Decodeは、圧縮された絵を実寸の画像に戻すノードです。
    その「画像」をSave Imageへつないで、保存します。

    Save Imageのファイル名_プレフィックスはnote01にしました。
    ComfyUI\output\にnote01_00001_.pngのような名前で保存されます。

    これで7個。右上の「実行する」を押します。

    押すと、いま動いているノードが緑の枠で囲まれます。
    Load Checkpoint、CLIP Text Encode、KSampler、VAE Decodeと、左から順に枠が移っていきました。

    画像
    どこまで進んだか、見ていてわかる。

    KSamplerのところだけ少し長く止まって、ノードの上に緑のバーが伸びていきます。
    右上にも「現在のノード:KSampler 40%」のように出るので、いまどこで何をしているのかが一目でわかります。
    待っているあいだも、見ていてちょっと楽しいです。

    画像
    出た。

    出ました。7.26秒でした。

    seedの欄を手で書き換えて、20260924まで計5枚出しました。
    変えたのはSeedだけです。

    画像
    左から Seed 20260920〜20260924。

    1枚目、黒いマント。
    2枚目、頭がありません。
    4枚目、髪が黒くなって、目がぱっちり開きました。
    5枚目、こちらも黒髪。

    5枚とも、同じプロンプトです。

    一番近かったのは3枚目(Seed 20260922)でした。拡大します。

    画像
    グレーのボブ、白い上着、黒いリボン。

    髪はグレーのボブ。上着は白。黒いリボンもあります。

    2枚目からは1枚1.6秒台でした。
    初回だけ7.26秒だったのは、モデルの読み込みが入ったからだと思います。
    VRAMの使用量は、生成中のピークで2,988MiB(約3GB)でした。16GBのうち3GB。かなり余っています。

    ついでに2つ試した

    せっかくなので、Seedを一番近かった20260922に固定して、条件を1つだけ変える実験をしました。

    その1:ポジティブプロンプトを「1girl」だけにする。ネガティブはそのまま。

    画像

    同じSeedなのに、プロンプトを減らしたら古い記念写真になりました。

    その2:VAEを内蔵から、別途落としたものに変える。

    ノードを1個足します。「Load VAE」を追加して、VAE Decodeのvae入力につなぎ直すだけです。

    画像
    落としておいたVAEを選ぶ。
    画像
    Load Checkpointから出ていた赤い線を外し、Load VAEからつなぐ。
    画像
    左:内蔵VAE、中:ポジティブ「1girl」のみ、右:外部VAE。

    私の目には、ほぼ同じに見えました。
    並べて見ると右のほうがわずかに明るい気もしますが、気のせいの範囲です。
    少なくともこの1枚では、「VAEを入れると劇的に良くなる」は起きませんでした。

    今日わかったこと3つ

    1. ComfyUIのポータブル版は、展開してbatを叩くだけで動く。私のRTX 5060 Tiでは追加設定は要らなかった。ただしテンプレート一覧にSD1.5は見当たらなかったので、7個のノードは自分で組んだ

    2. 同じプロンプトでも、Seedが変わると髪色も服も別人になる

    3. 顔を固定するには、プロンプトとSeed以外の武器が要る。5枚出して、グレーの髪・白衣・眠そうな目が全部そろった子は1人もいなかった

    とりあえず、ローカルで絵が出ました。
    1枚1.6秒、電気代以外は無料です。

    次は素のSD1.5ではなく、
    Civitai(モデル配布サイト)で人気のモデルを試してみたいと思います。


    今回使ったワークフローです。モデル本体は含まれていません。


    【次の記事】


    【おすすめ記事】


     
     

    Pudu

     
     
    ローカルの画像生成を学び直しています。

    あなたへのおすすめ