SDXLのLoRA学習をVPSで行うメリットとおすすめサーバー

筆者の結論（まずここだけ読んで）

月数本ペースでLoRAを作るなら、RTX 4090を買うよりGPU VPSの時間課金のほうが安い。損益分岐点を計算したら6〜8年後だった。

自分もローカルでやろうとした側の人間なので、気持ちはわかる。RTX 4070（12GB VRAM）でSDXLのLoRAを回そうとしたら、バッチサイズ1でもメモリ不足でコケた。「じゃあRTX 4090か」と思ったけど約25万円。そこで先に時間課金を計算してみたら、2000stepで2〜5時間、GPU VPSなら1本あたり200〜500円で済むとわかった。年間50本作っても2〜3万円。25万円には全然届かない。

それと、学習中にローカルPCが完全に使えなくなるのが地味に痛い。GPU・CPUを100%持っていかれるので、ブラウザすら重くなる。VPSならtmuxでバックグラウンドに流して切断してOK。ローカルPCでYouTube見ながら別のことができる。これだけでも乗り換える価値がある。

RTX 4090の購入を検討しているなら、先にVPSで1本試してほしい。数百円で「自分の使い方に合うかどうか」がわかる。

LoRA学習に必要なスペックとは

はっきり書いておきます。SDXL（ベース解像度1024×1024）でまともなLoRAを作るには、VRAM 16GB以上が実質必須。12GBでも動かなくはないが、解像度を落としたりオプションを細かく調整したりが必要で、品質面で妥協が出る。「12GBでいける」という情報もネットには転がっているけど、SDXLに限ってはあまり信用しないほうがいい。

自分の場合、最初に12GB構成で試して失敗した。VRAM不足はエラーメッセージすらわかりにくいことがあって、「なんか動かない」で何時間も潰した。同じ轍は踏まないでほしい。最初からVRAM 24GB以上のVPSプランを選んだほうが、試行錯誤の時間ごと節約できる。

ローカルPCでLoRA学習するデメリット

RTX 3060（12GB）やRTX 4070（12GB）持ちの人が「とりあえずローカルで試してみるか」となるのはわかる。ただ、正直に言うとSDXLのLoRA学習に関しては、12GBは厳しい。

• VRAM 12GBでは解像度を落とさざるを得ない：1024×1024のSDXLで学習するにはバッチサイズ1でもギリギリ、または失敗する
• 学習中はPCが使えない：GPU・CPUを100%占有するため、学習中はブラウジングすら重い。「学習が終わるまで待つ」という時間の使い方になる
• 学習時間が長い：RTX 3060で2000step回すと2〜3時間かかることも
• 熱と電力：夏場の連続学習は室温にもダメージ。RTX 4090なら電気代は1時間で約30〜40円。1日8時間回したら月に1万円近くなることもある

「学習中に別のことができない」これだけでもVPSに切り替える理由として十分だと思っている。学習に2〜3時間かかるとして、その間ずっとPCの前で待つのか、という話。

VPSで学習させるメリット

XServer VPS →

一番大きいのはローカルPCが完全に自由になること。tmuxでバックグラウンドに流して切断すれば、あとは放置でいい。寝てる間に終わってる、というのが普通にできる。

「今月はLoRAを1本だけ作りたい」という月に、RTX 4090を25万円かけて所有している必要はない。時間課金で必要な分だけ借りて、終わったら切ればいい。頻度が低い人にとっては、これが圧倒的に合理的な選択。

VPSにkohya_ssをセットアップする手順

コマンドが多いけど、一回通せばあとは使い回せる。順番通りにやれば詰まるポイントは少ない。特にtmuxのデタッチだけは最初に覚えてほしい。これを知らずに切断してLoRAが途中で止まる、というのが初心者のやらかしパターン1位だと思ってる。

ステップ1：VPSにSSH接続してGPUを確認

ssh root@あなたのVPS_IP
nvidia-smi
# VRAM容量とGPUモデルを確認

まずここでGPUが認識されているか確認する。認識されていなければドライバの問題なので、先に進まず対処する。「なんとなく先に進める」のが一番時間を無駄にするパターン。

ステップ2：Pythonとcondaのインストール

wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh -b
source ~/miniconda3/etc/profile.d/conda.sh
conda init bash && source ~/.bashrc

ステップ3：kohya_ssのクローンと環境構築

git clone https://github.com/bmaltais/kohya_ss.git
cd kohya_ss
conda create -n kohya python=3.10 -y
conda activate kohya
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121
pip install -r requirements.txt

ステップ4：学習データを転送

# ローカルPCから画像を転送（scp）
scp -r ./training_images root@あなたのVPS_IP:/root/lora_data/

ステップ5：LoRA学習を実行（バックグラウンド）

# tmuxで切断しても学習継続
tmux new -s lora_train
accelerate launch train_network.py \
  --pretrained_model_name_or_path="/root/models/sd_xl_base_1.0.safetensors" \
  --train_data_dir="/root/lora_data" \
  --output_dir="/root/lora_output" \
  --resolution=1024,1024 \
  --train_batch_size=1 \
  --max_train_steps=2000 \
  --network_module="networks.lora" \
  --network_dim=32 \
  --network_alpha=16 \
  --learning_rate=1e-4 \
  --mixed_precision="fp16"
# Ctrl+B, D でデタッチ。切断してOK

tmux new -s lora_trainでセッションを作って、Ctrl+B, Dでデタッチするのがポイント。これをやらずにSSH切断すると学習が止まる。自分も最初にやらかした。一度やれば体で覚えるので大丈夫。

ステップ6：完成したLoRAをダウンロード

# 学習完了後、ローカルにダウンロード
scp root@あなたのVPS_IP:/root/lora_output/*.safetensors ./

コスト比較：VPS vs RTX 4090購入

さくらのVPS →

正直に言う。「RTX 4090を買った方が長期的にお得」というのは、毎日ガンガン学習する人の話。月数本ペースなら全然元が取れない。これを計算せずに買ってしまう人が多いので、ちゃんと数字を出す。

具体的に計算してみる。

• GPU VPS（A100クラス）を1時間借りると約100〜150円
• 2000stepで3時間かかるとして、1本あたり約300〜450円
• 月10本作ると月3,000〜4,500円 = 年間36,000〜54,000円
• RTX 4090（約25万円）の損益分岐点：25万円 ÷ 年間コスト差（約3〜4万円）= 約6〜8年

6〜8年後のRTX 4090に価値があるかどうかも怪しい。「元を取る前に次世代GPUが出る」というのがほぼ確実なスケジュール。自分が買うかどうかを判断するなら、まずこの計算を自分のペースで当てはめてみてほしい。

月50本以上、毎日ガンガン学習するなら購入の選択肢が出てくる。でもそのレベルになったら、もう趣味じゃなくて仕事の話なので、判断基準も変わってくる。ほとんどの人は月50本には届かない。

よくある質問（FAQ）

まとめ：あなたの使い方で選ぶ

SDXLのLoRA学習をVPSで行う最大のメリットはローカルPCを占有しないことと高VRAM環境をすぐ借りられること、この2点に尽きる。

月数本ペースなら、RTX 4090購入は費用対効果が合わない。計算してみればわかる。まず1本、VPSで試してみてほしい。「思ったより簡単だった」か「やっぱり自分には合わない」か、どちらかが数百円でわかる。これが最終回答じゃないんだから、まずはやってみてください。

XServer VPSでLoRA学習環境を構築する →

さくらのVPSでGPUプランを確認する →