自社の画風を学習させた画像生成AIを作るのに必要な学習データは、公開された事例では78枚でした。ただし計測環境はH100 80GBを8枚並べた構成で、LoRA微調整でもピークメモリは67.43GiB。データは思ったより少なく、計算資源は自社では持てない——この2点が実務上の結論です。
何が公開されたのか
NVIDIA と Hugging Face が、画像・動画生成モデルを大規模に微調整するための仕組み「NeMo Automodel」と、Hugging Face の Diffusers ライブラリを組み合わせた手順を共同で公開しました（出典：NVIDIA と Hugging Face の共同投稿（Hugging Face ブログの nvidia 名義、Hugging Face 側の寄稿者として Sayak Paul ほか複数名が明記）、2026-07-17、https://huggingface.co/blog/nvidia/scale-diffusers-finetuning-nemo-automodel）。
先に利害関係を明記します。この記事は NVIDIA と Hugging Face 自身による発表であり、NVIDIA は当該ソフトウェア（NeMo Automodel）とベンチマークに使われた H100 GPU の提供者、Hugging Face は Diffusers の提供者です。 つまり掲載されている数字は、自社製品の性能を自社が測って発表したものです。第三者による再現・検証結果ではないことを踏まえて読む必要があります。
記事公開時点（2026-07-17）で、すぐ使えるレシピが用意されているモデルとパラメータ数は次のとおりです。
- FLUX.1-dev 12B、FLUX.2-dev 32B（画像生成）
- Qwen-Image 20B（画像生成）
- Wan 2.1 1.3B / 14B、Wan 2.2 27B（MoE）（動画生成）
- HunyuanVideo 1.5 13B（動画生成）
実測値：8×H100 80GB で何が出たのか
公開された計測値を整理します。すべて 8×H100 80GB、解像度512×512という条件での数字です。
| モデル / 手法 | 指標 | ピークメモリ | 条件 |
|---|---|---|---|
| FLUX.1-dev フル微調整 | 35.51 ± 1.55 images/s | 63.88 GiB | 8×H100 80GB、512×512、テキスト→画像 |
| FLUX.1-dev LoRA微調整 | 53.73 ± 0.48 images/s | 67.43 GiB | 8×H100 80GB、512×512 |
| Qwen-Image フル微調整 | 41.21 ± 3.06 images/s | 53.55 GiB | 8×H100 80GB、512×512 |
| Wan 2.1 T2V 1.3B | 0.942 ± 0.038 秒/ステップ | 6.09 GiB | 8×H100 80GB、512×512×49フレーム |
| Wan 2.1 T2V 14B | 3.798 ± 0.017 秒/ステップ | 33.35 GiB | 同上、アクティベーションチェックポイント有効 |
| HunyuanVideo 1.5（13B） | 5.926 ± 0.046 秒/ステップ | 15.90 GiB | 8×H100 80GB、512×512×49フレーム |
ここで注意したいのが、FLUX.1-dev の LoRA微調整のピークメモリ 67.43 GiB が、フル微調整の 63.88 GiB より大きいという点です。LoRA は「軽い微調整手法」として紹介されることが多いのですが、この計測条件下ではメモリ使用量はむしろ増えています。スループットは 35.51 images/s から 53.73 images/s へ上がっているので、速度面での利点は出ているものの、「LoRA だからメモリが少なくて済む」という一般論はこの数字では成り立っていません。ベンダー発表であっても、こういう自社に不利にも読める数字がそのまま載っている点は、資料としての誠実さの側にあります。
動画生成側は、モデルサイズによる差がはっきり出ています。Wan 2.1 の 1.3B が 0.942 秒/ステップに対し、14B は 3.798 秒/ステップ。約10倍のパラメータ数で、1ステップあたりの時間は約4倍です。メモリも 6.09 GiB から 33.35 GiB へ増えていますが、14B 側はアクティベーションチェックポイントを有効にした条件での数字である点に注意が必要です。
78枚で画風は学習できたのか
もっとも実務に近い数字が、微調整の実例です。公開された条件は次のとおりでした。
- 学習データ：78枚（タロットカード風のスタイル）
- 学習ステップ数：200ステップ
- バッチサイズ：32
- 分散構成：8-way FSDP2
この条件で FLUX.1-dev を微調整し、目的のスタイルを習得したと報告されています。数万枚のデータが要ると身構えていた方には、桁が違う話に聞こえるはずです。
ただし、ここには重大な留保があります。結果の評価が「クリーム・赤・黒のビンテージ調」といった定性的な記述にとどまり、品質を測る定量指標も、比較対象となる別条件の結果も示されていません。 「78枚で足りた」のか「78枚でそれらしく見えるものが出た」のかは、この記事の情報だけでは判別できません。また、200ステップの学習に何時間かかり、いくらの計算費用が発生したかの記載もありません。投資判断に直結するコスト情報は、この資料からは得られないということです。
中小企業にとって何を意味するのか
読者が持ち帰るべきなのは、次の切り分けです。
- データは思ったより少なくて済む可能性がある。 自社商品の撮影写真、過去のクリエイティブ、パッケージデザインなど、数十枚規模の資産で独自スタイルのモデルを試す価値はある。まずは社内に何枚の使える画像があるかを数えるところから始まります。
- 計算資源は借りる前提で考える。 ベンチマークは H100 80GB を8枚並べた構成です。この規模のGPUサーバーを自社で購入・運用するのは、中小企業の設備投資として現実的ではありません。クラウドGPUの時間借りか、制作会社・ベンダーへの委託が現実解になります。
- 画像の権利関係を先に整理する。 学習に使うのが自社で撮影・発注した素材なのか、外部から購入した素材なのかで、使える範囲が変わります。技術検証より先に確認すべき項目です。
また、この資料自体の適用範囲にも制約があります。NeMo Automodel は現時点で flow-matching 系モデルのみ対応であると本文が明記しています。Python API は将来リリース予定で、現状は YAML ベースの設定が必須であることも本文が認めています。手元のエンジニアが「Pythonで書けるなら」と考えているなら、今の時点ではその前提は成り立ちません。
そして全ベンチマークが 8×H100 80GB・解像度512×512に限定されています。実務で使いたいのは商品写真であれば1024×1024以上、印刷用ならさらに上の解像度でしょうが、そこでの数値は示されていません。少ないGPUで動かした場合の数値もありません。「512×512で測った数字を、自社の想定解像度にそのまま外挿してはいけない」というのが、この表の正しい読み方です。
TOEの読み筋
まず明記しますが、TOEでは NeMo Automodel を使った画像・動画モデルの微調整は未実施です。 以下は公開情報からの読み筋であり、自社検証に基づく評価ではありません。
そのうえで、この発表が示している構図は、TOEが他の領域で見てきたものと重なります。「モデルを自社用に仕立てる」コストのうち、データ準備側は下がり続けている一方、計算資源側は下がっていない。だからこそ、中小企業が投じるべき労力はデータの整備と権利の整理に寄り、計算は外部から時間単位で買う、という配分になります。この考え方はAI導入にかかる本当の費用の内訳で整理した「ライセンス／初期導入／運用」の3層構造とも接続します。GPU時間は完全に「初期導入」側の変動費です。
もうひとつ、検証の順序についてです。78枚で試せるということは、逆に言えば「小さく試して駄目なら止める」判断が成立するということでもあります。いきなり本番品質を狙わず、既存素材の数十枚で1回だけ回し、出力を人間の目で見て判断する。その際に何をもって合格とするかを先に決めておかないと、今回の資料と同じく「ビンテージ調でした」という定性的な感想で終わります。評価軸の作り方は自社に合ったAIの評価基準をどう作るかで扱った考え方が、そのまま画像生成にも当てはまります。
最後に、ベンダー発表の読み方そのものについて。今回の数字は、ソフトウェアの提供者とハードウェアの提供者が、自社の組み合わせを自社で測って出したものです。それは無価値ではありません——条件（8×H100 80GB、512×512、49フレーム）が明記されており、LoRAのメモリがフル微調整を上回るという不都合な数字も伏せられていません。ただし、これは「この条件でこうなった」という一次情報であって、「あなたの環境でこうなる」という保証ではない。導入判断では、必ず自社の解像度・データ量・GPU構成で小さく再計測してください。
まとめ
- NVIDIA と Hugging Face の共同投稿が、画像・動画生成モデルの微調整手順と実測値を公開した（2026-07-17）。この記事は両社自身による発表であり、NVIDIA は NeMo Automodel と H100 GPU の、Hugging Face は Diffusers の提供者である。
- FLUX.1-dev に78枚・200ステップ・バッチサイズ32・8-way FSDP2 で特定の画風を習得させた事例が示された。ただし結果評価は定性的で、所要時間・費用の記載はない。
- 全ベンチマークは 8×H100 80GB・解像度512×512という条件。FLUX.1-dev の LoRA微調整はピーク 67.43 GiB で、フル微調整の 63.88 GiB を上回った。
- NeMo Automodel は flow-matching 系モデルのみ対応、Python API は将来リリース予定で現状は YAML 設定が必須と本文が明記している。
- 中小企業にとっての実務的な切り分けは「データは自社資産の数十枚から試す／計算資源はクラウドか委託で借りる」。TOEでは未実施のため、以上は公開情報からの読み筋である。