Windows版Anima用全自動キャラLoRA作成スクリプト
Windows向けにsd-scriptsを使ってキャラLoRAを学習するtrain-anima.bat&train-anima.ps1というPowerShellスクリプト&バッチファイルを作成しました。キャラの画像6~12枚程度用意し指定の形式でzipファイルにまとめtrain-anima.batをダブルクリックするだけで、sd-scriptsの機能を利用して自動的にタグ付けし学習しキャラを再現するAnima用LoRAを作成できます。
最初にsetup-anima.bat&setup-anima.ps1でsd-scripsのインストールとAnimaモデルのダウンロードを行い、以後はtrain-anima.bat&train-anima.ps1を使ってキャラLoRAを作成します。
setup-anima.bat&setup-anima.ps1&train-anima.bat&train-anima.ps1のライセンスはCC0(パブリックドメイン扱い)とします。改良等含め自由にご利用ください。
使い方
MinGitとPythonとpipとsd-scriptsの展開とAnimaモデルのダウンロードスクリプト
4つのファイルをまとめたtrain-anima5.zip をクリックして、Downloadを押してダウンロードしてください(2026/2/15さらに差し替え。システムにPythonがインストールされていても干渉しづらくしたつもり。config.tomlにpersistent_data_loader_workers = trueを追加してepoch切り替え時に遅くなるのを修正)。4つのファイルをまとめたtrain-anima2.zip をクリックして、Downloadを押してダウンロードしてください。
適当なフォルダにtrain-anima5.zipをコピーして右クリックしすべて展開を押して展開し、展開されたフォルダを開いてください。

setup-anima.batをダブルクリックしてください。MinGitとPythonとpipとsd-scriptsが展開され、Animaモデルがダウンロードされます。


適当なキーを押してバッチファイルを終了させてください。これで必要なソフトの展開とダウンロードが完了しました。
システムにGITとPython3.12をインストールした場合のsd-scriptsの展開とAnimaモデルのダウンロードスクリプト
上がうまく動かない場合、次のGit2.53.0とPython3.12.10をクリックしてダウンロードしインストールしてください。
4つのファイルをまとめたtrain-anima4.zip をクリックして、Downloadを押してダウンロードしてください。
適当なフォルダにtrain-anima4.zipをコピーして右クリックしすべて展開を押して展開し、展開されたフォルダを開いてください。
setup-anima.batをダブルクリックしてください。Pythonの仮想環境を構築しsd-scriptsが展開され、Animaモデルがダウンロードされます。適当なキーを押してバッチファイルを終了させてください。
LoRA学習
学習用データセットの作成
学習したいキャラの画像を用意してください。全身画像や顔のアップだけでなく、表情の異なる画像、横からなど様々な画像がある方が良いです。またなるべく高品質で1024x1024程度の解像度があるものを用意してください。枚数は3枚でも学習できます。10枚程度あれば十分です。100枚用意する必要はありません。
学習対象画像を次の構造で保存してください。
dataset\LoRA名\キャラ名\学習対象画像
- dataset フォルダ
- LoRA名(英数字) フォルダ
- キャラ名(英数字) フォルダ
- 学習対象画像
- キャラ名(英数字) フォルダ
- LoRA名(英数字) フォルダ
複数のキャラクタを同時に学習する場合は、 それぞれのキャラ名でフォルダを用意して、対応する画像を入れてください。
- dataset フォルダ
- LoRA名(英数字) フォルダ
- キャラ名1(英数字) フォルダ
- 学習対象画像
- キャラ名2(英数字) フォルダ
- 学習対象画像
- キャラ名3(英数字) フォルダ
- 学習対象画像
...
- 学習対象画像
- キャラ名1(英数字) フォルダ
- LoRA名(英数字) フォルダ
トップのdatasetフォルダをzipで圧縮してください。エクスプローラーでdatasetフォルダを右クリックで圧縮先→ZIPファイルとしてください。圧縮したdataset.zipをソフトを展開したフォルダに移動させてください。
LoRA名をSH、キャラ名をsuzuki hanako、学習画像が0001.png~0006.pngの場合、圧縮したzipファイルをダブルクリックすると次のような構造になっています。正しい構造になっているか確認してください。




このサンプル学習用データセットはこちらからダウンロードできます。
学習の実行
現時点でソフトを展開したフォルダはこのようになっているはずです(システムにGITとPython3.12をインストールした場合のスクリプトを使用した場合はMinGitとPython-embedフォルダはありません)。

train-anima.batをダブルクリックしてください。

全自動で、dataset.zipを展開し、タグ付けしてタグファイルをtag.zipにまとめ、必要な設定ファイル(config.toml、dataset.toml、default_config.toml)を作成し、LoRA学習を行います。学習設定は解像度1024x1024、dim 64、50エポック、RAdamScheduleFree、学習率1e-3です。テキストエンコーダーは学習せず、画像生成モデル(DIT)のみ学習します。細かい設定内容はtrain-anima.ps1の該当箇所を読むか、自動生成されるsd-scriptsフォルダ内のdataset.tomlとconfig.tomlを確認してください。

適当なキーを押してバッチファイルを終了させてください。トップフォルダにtag.zipとLoRAファイル(サンプル学習用データセットの場合SH.safetensors)が生成されているはずです。

sd-scriptsフォルダ内に残った使用済みのdatasetフォルダやconfig.tomlやdataset.tomlやdefault_config.tomlは手動で削除してください。
ちなみにサンプル学習画像6枚を50エポック300ステップGeforce RTX 3060 12GBで学習した場合の学習時間は1時間程度です。
サンプル学習画像6枚を50エポック300ステップGeforce RTX 3060 12GBで学習した場合の学習時間は20分程度です。
サンプル学習用データセットのタグファイルとLoRAの使用例
tag.zipを展開すれば学習画像に対応するタグファイルが見つかります。0001.pngに対するタグは以下でした。
学習したSH.safetensorsLoRAファイルでこのプロンプトで生成したものが以下になります。

0006.pngに対するタグと生成した画像は以下です。

(ネガティブプロンプトは両方とも worst quality, low quality, score_1, score_2, score_3, blurry, jpeg artifacts, sepia)
タグファイルを参考に作成したLoRAを使用してみてください。最初に学習対象画像が再現できるか対応するタグファイルで確認するとよいかと思います。
開発者向け付録
- MinGitとPython-Embedをpipが使える形で展開するスクリプト (BOM付きUTF8で保存してください)
- 上をダブルクリックで実行できるようにしたバッチファイル