ローカル画像生成AI:RTX3050)Stability Matrix+Stable Diffusion WebUI Forgeで「FLUX.1 [dev] GGUF版」を使う。
WindowsPCローカルで画像生成AIを使う「Fooocus(Stable Diffusion)」を試したみたが、期待通りの画質を得られなかった。
● 画像生成AIを使うには、以下の3つが必要。
- UI(操作するための画面+VRAM効率化など)
- エンジン(実際に画像を作る仕組み)
- モデル(AIの知識・作風)
● 画像生成エンジンは、Stable Diffusionを使う。現時点での主なUIとモデルの選択肢は以下。
Stable Diffusion(エンジン)
├─ UI
│ ├─ Fooocus
│ ├─ ComfyUI
│ ├─ AUTOMATIC1111(本家)
│ └─ Forge(A1111改良版)
└─ モデル
├─ SD1.5
├─ SDXL
└─ FLUX.1
Fooocusは、自動的にSDXL系モデルを使う。
期待通りの画質を得られなかったのは、SDXL系モデルが要因と思われる。モデルとしては、「FLUX.1」の方が優れていそう。
| 項目 | SDXL | FLUX.1 |
|---|---|---|
| 顔の情報量 | ○ | ◎+ |
| 肌の質感 | ○ | ◎ |
| 全身構図 | △ | ◎ |
| 写真感 | ○ | 別次元 |
| プロンプト理解 | ○ | ◎ |
ということで、モデル「FLUX.1 [dev] の GGUF版」を試してみた。
※ なぜ「FLUX.1 [dev] の GGUF版」なのか?
使うPCのスペックは以下。画像生成AIをローカルで行うPCとしては最低限レベル。
| CPU | インテル Core i5-14500T (14コア(6P+8E)/1.7GHz) |
|---|---|
| GPU | NVIDIA GeForce RTX 3050 LP 6GB |
| メモリー | 32GB |
| ストレージ | 1TB M.2 SSD PCI Express x4対応(Gen4対応) |
| OS | Windows 11 Pro 64bit |
-
VRAM 6GBの壁: 通常のFLUXは動かないが、GGUF版(量子化モデル)なら、32GBのメインメモリを活用して6GBのGPUでも動作する。
-
画質: FLUX.1 [dev] は [schnell] よりもディテールが深く、1200x900px程度の高解像度でも破綻しにくい。
● UIの主な選択肢の比較
| 項目 | Fooocus | ComfyUI | AUTOMATIC1111 | Forge | Stability Matrix |
|---|---|---|---|---|---|
| 特徴 | 超シンプルで高品質な画像生成に特化。プロンプトの自動補完や高画質化がデフォルトで組み込まれている。 | ノードベースのUI。処理の流れを視覚的に設計でき、複雑なワークフローや高速生成に強い。 | 事実上の標準UI。機能が豊富で拡張機能(Extension)が非常に多い。 | AUTOMATIC1111互換の高速・省VRAM版UI。SDXLに最適化されている。 | ランチャー/管理ツール。複数のUIを簡単にインストール・切り替え・管理できる。 |
| 初心者向け度 | 非常に高い | 中(学習が必要) | 中 | 中 | 高い(環境構築が簡単) |
| 拡張性・カスタマイズ性 | 低い(設定項目が絞られている) | 高い(非常に柔軟) | 非常に高い | 非常に高い(A1111拡張の多くが利用可) | 使用するWeb UIによる |
| 生成速度・VRAM効率 | 高い(SDXLに最適化) | 非常に高い(VRAM消費も抑えられる) | 標準 | 高い(A1111より軽い) | 使用するWeb UIによる |
| Python手動 | 不要 | 不要(ポータブル) | 必要 | 不要(内包) | 不要 |
| インストール | 簡単 | やや複雑 | やや複雑 | やや複雑(A1111より楽) | 非常に簡単 |
| 既存Pythonへの影響 | なし | なし | 設定次第 | なし | なし |
| UIの分かりやすさ | ◎ 非常に簡単 | △ 慣れが必要 | ○ 普通 | ○ 普通 | ○ |
| 画質・品質 | ◎ | ◎ | ◎ | ◎ | ◎ |
| 細かい設定 | △ | ◎ | ◎ | ◎ | ◎ |
以下の組み合わせで、使ってみる。
- AIツール管理:Stability Matrix:複数のUIを切り替えて使える
- UI:Forge(Stable Diffusion WebUI Forge):低スペックPCでもFLUXを動かすための最適化が世界で最も進んでいるソフトの一つ
- モデル:FLUX.1 [dev]
- エンジン:Stable Diffusion
1.ツール(管理ソフト)+UIの導入
複数のAIツールを簡単に管理できる「Stability Matrix」を使う。
-
ダウンロード:
https://github.com/LykosAI/StabilityMatrix/releases-
StabilityMatrix-win-x64.zipをダウンロードし、展開する。自分の場合、「C:\MyProgram\Stability Matrix」に展開。
- 中に入っている「StabilityMatrix.exe」が、そのまま実行ファイル。
-
-
「StabilityMatrix.exe」のショートカットをデスクトップに置き、実行する。(Portableモードで良い)

-
UIの選択で、Stable Diffusion WebUI Forge (By lllyasviel)を選択。

-
推奨Modelの画面が出るが、ダウンロード不要。

- 以下の画面が出れば、インストール完了。

2.モデルと補助ファイルを配置する
以下の4つのファイルをダウンロードし、それぞれのフォルダに入れる。
-
メインモデル「FLUX.1 [dev]」:flux1-dev-Q4_K_S.gguf
-
保存場所: Data/Models/Stable-diffusion
-
VAE(Variational AutoEncoder):「AIが理解できるデータ」と「人が見える画像」を変換する通訳:ae.safetensors
-
CLIP(Contrastive Language–Image Pretraining):文章の意味を画像生成AIに正しく伝える翻訳機:clip_l.safetensors
-
https://huggingface.co/comfyanonymous/flux_text_encoders/tree/main
-
保存場所: Data/Models/TextEncoder(フォルダが無ければ作成する)
-
-
T5-XXL:プロンプト理解を劇的に強化する“巨大版CLIP”:t5xxl_fp16.safetensors
-
https://huggingface.co/comfyanonymous/flux_text_encoders/tree/main
-
保存場所: Data/Models/TextEncoder(フォルダが無ければ作成する)
-
3.Forgeの設定
「StabilityMatrix.exe」を実行する。

「Launch」ボタンを押す。
ブラウザで、以下の画面が出る。

ブラウザ画面で以下の設定をする。
-
Checkpoint: 上部で
flux1-dev-Q4_K_S.ggufを選択。 -
UI設定: 画面上部のタブを [flux] モードに切り替え。
-
VAE / Text Encoder: 必ず 3つのファイル(t5xxl, clip_l, ae)をセットする。
-
GPU Weight: デフォルトの 5119 ではエラーが出やすいため、「VRAM 6GBの場合は 3500 〜 4000 程度に下げる。
-
Sampling Steps:
20以上(写真画質なら30推奨)。 -
Schedule type:
SimpleまたはBeta。 -
Distilled CFG Scale:
3.5(FLUXの標準値)。 -
Resolution: Width
800/ Height600。サイズは任意だが、大きいと時間がかかる。
※ 補足:設定状態を保存する方法
- UI設定: 画面上部のタブを [all] モードに切り替える。( [all] にしないと、Widht/Heightなどデフォルトになってしまう。)
- 「Settings」タブを開く。
- 左下の「Defaults」をクリック。
- 「View changes」ボタンを押す。

- 「Apply」ボタンを押す。
- 「Apply setings」ボタンを押す。
- 「Reload UI」ボタンを押す。
- フロッピーディスクアイコンを押す。

4.「Generate」ボタンを押す。
「Generate」ボタンを押すと生成が始まる。PCの処理能力によっては、かなりの時間がかかる。「Generate」を押しても数分間フリーズしたように見えるが、黒い画面(コンソール)で%が進んでいれば正常。
5.結果サンプル
《プロンプト》
realistic photo,
a cute Japanese girl in her 30 s,
fashionable clothes,
full body,
smiling,
walking on a old city street,
bright daytime
以下のような結果が得られた。
「Fooocus(Stable Diffusion)」よりも増しな成果が得られた。ただ、800x600ピクセルの画像生成に10分ほどかかった。
※【後日追記】その後、試してみると600x900ピクセルで3分程度、800x1200 ピクセルでも5分程度で生成できた。





《プロンプト》
※ 風景には弱い。写真っぽくない。rice terraces(棚田)じゃないし。
Fine weather in May, scenery of the Japanese countryside. Freshly flooded rice terraces mirror the blue sky and white clouds. In the distance are mountains of fresh green. Vibrant greenery and water clarity.











