ノード概要
ネイティブ LoRA トレーニングシステムは、データセットノードとトレーニングノードの2つに分かれています。データセットノード
トレーニングデータの準備と管理に使用します：トレーニングノード
トレーニングの実行、結果の保存、LoRA の適用に使用します：必要条件
- 十分な VRAM を持つ GPU（トレーニングは推論よりも多くのメモリを必要とします）
ComfyUI/input/のサブフォルダーに配置したトレーニング画像- ベースモデル（チェックポイント）
典型的なトレーニングワークフロー
1
トレーニング画像の読み込み
ComfyUI/input/ 以下のサブフォルダーにトレーニング画像を配置します。- 画像のみの場合は Load Image Dataset from Folder を使用
- 画像とキャプションのペアには Load Image and Text Dataset from Folder を使用（各画像に同名の
.txtファイルが必要）
2
データセットのエンコード
画像とテキストを VAE・CLIP モデルとともに Make Training Dataset ノードに接続します。
latents と conditioning が出力されます。同じデータセットを複数回のトレーニングに使う場合は、Save Training Dataset で保存しておき、次回以降は Load Training Dataset から読み込むことで再エンコードを省略できます。3
（任意）解像度バケット
画像のサイズが異なる場合は、エンコード済みデータを Resolution Bucket ノードで解像度ごとにグループ化し、Train LoRA ノードで bucket_mode を有効にすることで効率的なバッチトレーニングが可能になります。
4
Train LoRA の設定と実行
モデル、潜在表現、条件付けデータを Train LoRA ノードに接続し、必要に応じてパラメーターを調整します。推奨の初期設定：
ノードは学習済みの
lora 重み、loss_map、完了した steps 数を出力します。5
トレーニング進捗の監視
loss_map を Plot Loss Graph ノードに接続して損失曲線を確認します。損失が収束したらトレーニングを停止できます。6
LoRA の保存とテスト
lora を Save LoRA Weights に接続すると ComfyUI/output/loras/ に .safetensors ファイルが保存されます。推論ワークフローでは Load LoRA Model ノードを使ってトレーニング済み LoRA をベースモデルに適用し、結果を確認します。VRAM の最適化
量化モデルのトレーニング
FP8/FP4 などの量化モデルで LoRA をトレーニングする場合、Train LoRA に以下の設定を使用します：training_dtype:nonequantized_backward: 有効bypass_mode: 有効
bypass を有効にしてください。
トレーニングの続行
Train LoRA のexisting_lora に保存済みの LoRA ファイルを指定すると、チェックポイントから学習を再開できます。総ステップ数は自動的に累積されます。
サポートされているアルゴリズム
Train LoRA のalgorithm パラメーターで重みアダプターの種類を選択します：