2026년 RunPod에서 NSFW Flux LoRA 학습하기

RunPod에서 나만의 nsfw flux lora 학습 파이프라인을 돌리는 건 대부분의 튜토리얼이 들리게 만드는 것보다 훨씬 현실적이에요. 저희는 RunPod과 FluxGym을 써서 Flux 기반 NSFW 캐릭터 LoRA를 30개 넘게 학습시켜 봤는데, 무엇을 건너뛰고 무엇에 투자해야 하는지만 알면 실제 작업 흐름은 단순해요. 온라인 튜토리얼들은 데이터셋 준비를 지나치게 복잡하게 만들고 캡셔닝은 너무 가볍게 다뤄요. 이 가이드는 그걸 뒤집어요.

왜 맞춤형 NSFW Flux LoRA를 학습시킬까요

솔직히 가장 자주 받는 질문은, Civitai에 이미 수천 개의 LoRA가 있는데 맞춤형 LoRA를 학습시키는 게 과연 가치가 있냐는 거예요. 답은 무엇을 하려는지에 따라 달라요. 일반적인 스타일이나 인기 캐릭터라면 그냥 기존 LoRA를 다운로드하면 돼요. 직접 만들고 있는 특정 캐릭터, 비공개 모델, 또는 스스로 설계한 미공개 스타일이라면 직접 학습시키는 것이 유일한 길이에요.

저희는 자체 AI 캐릭터 작업을 위해, 클라이언트 프로젝트를 위해, 그리고 데이터셋 변화에 학습 동작이 어떻게 반응하는지 배우는 실험으로 LoRA를 학습시켜 왔어요. 직접 만든 캐릭터 LoRA는 학습시킨 그 캐릭터에 대해서는 어떤 범용 LoRA보다도 뛰어난데, 공개된 어떤 LoRA도 노리지 않는 특정 정체성 디테일을 잡아내기 때문이에요. 그게 바로 전체 가치 제안이에요. 여러분의 학습 데이터셋이 곧 모델의 지식이 되는 거예요.

Flux 생태계는 또한 SDXL과는 다른 학습 역학을 가지고 있어요. 저희 경험상 Flux LoRA는 학습이 더 빠르고, 더 적은 이미지가 필요하며, SDXL LoRA보다 일반화가 더 잘 돼요. 12~15장으로 학습시킨 Flux LoRA가 50장으로 학습시킨 SDXL LoRA보다 더 일관된 캐릭터 출력을 내는 걸 봤어요. 기본 Flux 모델이 정체성 특징을 추출하는 데 그냥 더 뛰어난 거예요. 그래서 NSFW Flux LoRA 학습이 놀라울 만큼 효율적이에요.

또 한 가지 말해둘 만한 점은 NSFW LoRA 학습에는 나름의 특이점이 있다는 거예요. Flux 기본 모델은 기본적으로 노골적인 콘텐츠를 거부하기 때문에, 학습 데이터셋에 그 저항을 극복할 만큼 충분한 노골적인 참조 자료가 들어가야 해요. 데이터셋이 80% SFW, 20% NSFW라면 학습을 마쳐도 LoRA는 노골적인 프롬프트에서 고전할 거예요. 저희는 이걸 어렵게 배웠어요. 데이터셋 균형이 중요해요.

데이터셋 큐레이션, 15장에서 30장까지

여기서 대부분의 튜토리얼이 틀려요. "최상의 결과"를 위해 이미지 50100장을 쓰라고 말하죠. 진심으로 말하자면, 캐릭터 LoRA에는 그건 과해요. 그리고 데이터셋이 엄선되지 않았다면 오히려 해로워요. 저희는 구체적으로 선택한 1530장에서 가장 좋은 결과를 얻어요. 더 많다는 게 평범하거나 캐릭터에 어긋나는 이미지를 추가하는 거라면 더 많을수록 좋은 게 아니에요.

캐릭터 NSFW 학습에 좋은 데이터셋은 어떤 모습일까요?

• 다양한 각도의 고품질 얼굴 샷 8~12장
• 깔끔한 구도의 전신 샷 5~8장
• 캐릭터를 NSFW 맥락에서 보여주는 노골적인 참조 이미지 3~5장
• 다른 의상, 표정, 조명이 담긴 변화 샷 2~4장

해상도가 중요해요. 저희는 원본 이미지를 1024x1024 이상으로 맞춰요. 더 작은 해상도는 모델이 업스케일된 아티팩트에서 학습하도록 강요해요. 참조 이미지가 512x512라면 학습 전에 R-ESRGAN 4x+ 같은 고품질 모델로 업스케일하세요. 저해상도로 그냥 학습시키지 마세요.

가장 영향력이 큰 데이터셋 선택은 다양성이에요. 모델은 참조 이미지들 사이에서 일관된 것을 학습해요. 모든 얼굴 샷이 같은 조명과 각도를 쓴다면 모델은 그 조명과 각도만 생성할 거예요. 조건을 다양하게 하세요. 하루 중 다른 시간대, 다른 배경, 다른 표정으로요. 모델은 그 변화에서 정체성을 추출해요.

저희의 Flux LoRA 데이터셋 준비 가이드가 데이터셋 측면을 더 깊이 다뤄요. 그 원칙들은 적절한 비율의 노골적인 참조 자료를 추가하면 NSFW 학습에도 그대로 적용돼요.

NSFW를 위한 캡셔닝 전략

캡셔닝은 출력 품질에 가장 큰 영향을 주는 변수이자, 대부분의 튜토리얼이 가장 서툴게 다루는 변수예요. 학습 이미지에 작성하는 캡션은 말 그대로 각 이미지가 무엇을 나타내는지 모델에게 알려줘요. 나쁜 캡션은 데이터셋 품질과 상관없이 나쁜 LoRA를 만들어요.

NSFW Flux LoRA를 위한 저희의 캡셔닝 접근법이에요.

1. 모든 캡션을 트리거 토큰으로 시작하세요. Flux의 기존 어휘와 충돌하지 않는 고유한 것을 고르세요. 저희는 실제 단어와의 충돌을 피하려고 "ohwx_woman"이나 "char_alex" 같은 조합을 써요.

2. 이미지에 있는 것을 객관적으로 묘사하세요. "ohwx_woman, brown hair, green eyes, sitting on bed, soft lighting, photoreal." 이미지에 없는 것을 묘사하지 마세요. 모델이 암묵적으로 학습하길 바라는 것을 묘사하지 마세요.

3. 특히 NSFW 이미지의 경우 NSFW 요소를 노골적으로 묘사하세요. "ohwx_woman, lying on back, nude, anatomically detailed, soft skin texture, intimate composition." NSFW 이미지에 모호한 캡션을 달면 LoRA의 NSFW 반응도 모호해져요.

4. 데이터셋 전체에서 캡션을 다양하게 하세요. 모든 이미지에 똑같은 캡션 템플릿을 쓰지 마세요. 이 변화가 모델에게 트리거 토큰은 일관된 정체성을 나타내고 나머지 모든 것은 변한다는 것을 가르쳐요.

5. 길이는 캡션당 토큰 15~30개를 목표로 하세요. 너무 짧으면 모델에 맥락이 충분치 않고, 너무 길면 트리거 토큰의 신호가 희석돼요.

BLIP-2나 Florence-2 같은 자동 캡셔닝 도구는 초안 캡션에는 괜찮지만 NSFW 이미지는 직접 편집해야 해요. 자동 캡셔너는 노골적인 용어를 피하도록 학습되어 있어서 NSFW 이미지를 완곡어법으로 묘사하거나 노골적인 콘텐츠를 아예 빼버려요. NSFW 캡션의 수동 편집은 필수예요.

RunPod 파드 설정과 템플릿

저희가 학습에 RunPod을 즐겨 쓰는 이유는 GPU 가격이 정직하고 템플릿 덕분에 설정이 빠르기 때문이에요. 실제 설정 과정은 이래요.

아직 가입 안 했다면 RunPod에 가입하세요. 결제 수단을 추가하세요. 크레딧 $1020을 충전하세요. LoRA 학습 한 번에 $25을 쓰게 돼요.

GPU를 고르세요. 커뮤니티 클라우드의 RTX 4090이 시간당 약 $0.34~0.44로 가장 좋은 선택지예요. 24GB VRAM의 RTX A5000도 약간 더 낮은 비용으로 작동해요. RTX 3090도 작동하지만 더 느려요. Flux LoRA 학습에는 24GB VRAM 미만은 신경 쓰지 마세요. 모델이 너무 커요.

템플릿을 고르세요. 템플릿 섹션에서 "FluxGym"을 검색하세요. 커뮤니티가 만든 FluxGym 템플릿에는 모든 의존성이 미리 설치되어 있어요. 저희는 워크스페이스 볼륨을 자동 마운트하는, 커뮤니티 기여자들이 관리하는 것을 써요. FluxGym GitHub 저장소는 기반이 되는 학습 스크립트를 문서화해 두었고 파드에서 실제로 무엇이 돌아가는지 확인하게 해줘요.

파드 크기를 설정하세요. 30GB 워크스페이스 볼륨이면 학습에 충분해요. 같은 파드에 여러 학습 실행을 보관하고 싶다면 50GB로요. 파드 생성은 1~3분 걸려요.

파드가 실행되면 SSH로 접속하거나 웹 터미널을 쓰세요. RunPod이 제공하는 JupyterLab 인터페이스를 여세요. FluxGym의 웹 UI는 보통 포트 7860에서 RunPod의 URL 라우팅을 통한 HTTP 프록시로 실행돼요. 파드 페이지에 URL이 표시돼요.

더 깊은 RunPod 운영 디테일은 저희의 RunPod에서 그냥 작동하는 ComfyUI 도커 설정이 더 넓은 RunPod 템플릿 생태계와 커뮤니티 템플릿이 워크플로우에 안 맞을 때 맞춤형 템플릿을 만드는 법을 다뤄요.

FluxGym 설정 따라 하기

FluxGym은 Flux LoRA 학습을 위한 깔끔한 UI를 제공해요. 기본값은 대체로 합리적이지만 NSFW 용도에는 몇 가지 특정한 조정이 필요해요.

데이터셋을 업로드하세요. 인터페이스에서 이미지 폴더를 드래그 앤 드롭할 수 있어요. 캡션은 각 이미지 옆에 같은 파일명의 짝이 되는 .txt 파일로 있어야 해요. 그러니까 "image_001.png"는 "image_001.txt"와 짝을 이뤄요. FluxGym은 txt 파일을 자동으로 읽어요.

기본 모델을 설정하세요. 가장 높은 품질의 출력을 위해서는 Flux Dev를 쓰세요. Flux Schnell은 학습이 더 빠르지만 더 낮은 품질의 LoRA를 만들어요. 학습 속도보다 출력 품질이 더 중요한 NSFW 작업에는 Flux Dev가 정답이에요. 시간이나 예산이 빠듯하다면 Schnell 기반 학습이 학습 시간을 대략 절반으로 줄여줘요.

해상도. 너비와 높이를 모두 1024로 설정하세요. 1024 아래로 내려가지 마세요. 품질 저하가 뚜렷해요. 1024 위로도 올라가지 마세요. 대부분의 캐릭터 LoRA에는 VRAM과 시간 비용이 그만한 값어치가 없어요.

배치 사이즈. RTX 4090에서는 1로 설정하세요. 더 높은 배치 사이즈는 Flux LoRA 학습에 4090이 가진 것보다 더 많은 VRAM이 필요해요. 일부 48GB 카드는 배치 사이즈 2를 감당할 수 있지만 24GB 카드에서는 배치 사이즈 1이 작동하는 값이에요.

학습률. 1e-4가 대부분의 NSFW 캐릭터 LoRA에 가장 좋은 값이에요. 더 낮으면(1e-5) 학습이 더 느리고 모델이 정체성을 완전히 학습하지 못할 위험이 있어요. 더 높으면(1e-3) 빠르게 과적합되고 너무 공격적인 LoRA를 만들어요.

네트워크 차원. 캐릭터 LoRA에는 network_dim 32와 network_alpha 16이 저희 기본값이에요. 스타일 LoRA는 network_dim 64까지 올릴 수 있어요. NSFW 컨셉 LoRA는 16에서 잘 작동해요. dim은 LoRA의 표현 용량을 제어해요. 높을수록 더 유연하지만 파일 크기가 커져요.

학습 스텝. 캐릭터 NSFW LoRA에는 15002500 스텝이에요. 에폭은 "auto"로 실행해 FluxGym이 계산하게 하세요. 에폭당 100 스텝인 20장 데이터셋이라면 대략 2025 에폭이에요.

N 스텝마다 저장. 250~500으로 설정하세요. 어느 학습 단계가 최고의 출력을 냈는지 테스트하려면 중간 체크포인트가 필요해요. 어떤 때는 1500 스텝이 가장 좋고, 어떤 때는 2000 스텝이 이겨요.

학습 실행과 모니터링

학습을 시작하세요. FluxGym은 진행 상황을 실시간으로 보여줘요. 터미널 로그에 손실 값과 스텝 카운터가 표시돼요. 초기 손실은 보통 0.40.5 정도이고 학습이 끝날 무렵 0.10.15로 떨어져야 해요. 손실이 계속 높으면(1000 스텝 이후 0.3 이상) 데이터셋이나 캡션에 문제가 있는 거예요.

RTX 4090에서 1024 해상도, 배치 사이즈 1로 학습하면 대략 다음과 같이 걸려요.

• 1500 스텝은 약 2.5시간
• 2000 스텝은 약 3.3시간
• 2500 스텝은 약 4.1시간

시간당 $0.34이면 스텝 수에 따라 학습 한 번에 $0.85에서 $1.40이에요. 파드 설정 시간을 더하면 LoRA 하나당 $12 정도예요. 데이터셋 개선을 위해 여러 번 반복하면 총 $510이 들 수도 있어요. 비슷한 서비스에 지불할 금액에 비하면 여전히 저렴해요.

과적합을 모니터링하세요. 학습 중 샘플 이미지가 참조 이미지 중 하나의 정확한 포즈를 반복해서 보여주기 시작하면 과적합되고 있는 거예요. 학습을 멈추고 더 이른 체크포인트를 쓰세요. 캐릭터 LoRA의 과적합은 모델이 학습 이미지의 정확한 구도로만 캐릭터를 생성하는 것으로 나타나요.

250~500 스텝마다 중간 체크포인트로 출력을 저장하세요. 저희는 보통 최종 것이 아니라 학습 중간 어딘가의 체크포인트를 결국 쓰게 돼요. 캐릭터 LoRA에는 1750 스텝이나 2000 스텝이 2500 스텝보다 더 나은 경우가 많아요.

체크포인트 전반에 걸친 LoRA 테스트

LoRA는 학습이 끝났다고 완성된 게 아니에요. 실제로 함께 쓸 체크포인트들에서 작동하는지 확인했을 때 완성돼요. 최소한 세 개의 서로 다른 Flux 체크포인트에서 테스트하세요.

테스트 1, Flux Dev 베이스. 학습 대상이 그것이었으니, LoRA는 기본 Flux Dev 모델에서 여러분의 캐릭터를 깔끔하게 만들어내야 해요.

테스트 2, Chroma 같은 커뮤니티 Flux 파인튠. LoRA는 품질 차이가 있을 수는 있어도 여전히 알아볼 수 있는 버전의 캐릭터를 만들어내야 해요.

테스트 3, 다른 LoRA를 쌓은 상태. 캐릭터 LoRA를 언락 LoRA나 해부학 LoRA와 짝지어 보세요. 캐릭터는 여전히 알아볼 수 있어야 하지만 비율이나 디테일이 약간 달라질 수 있어요.

저희는 실제 사용에서 0.6~0.8 가중치로 학습된 LoRA가 캐릭터 충실도와 프롬프트 유연성의 최고 균형을 낸다는 걸 발견했어요. 1.0 가중치에서는 LoRA가 모든 것을 지배해 장면을 다양하게 바꾸는 능력을 잃게 돼요. 0.4 이하에서는 캐릭터가 흐려지기 시작해요.

이 테스트 중 하나라도 LoRA가 실패하면, 해결책은 보통 학습 파라미터가 아니라 데이터셋이에요. 실패 사례를 노리는 참조 이미지 3~5장을 더 추가하세요. 다시 학습시키세요. 다시 시도하세요.

더 넓은 LoRA 학습 맥락은, RunPod의 호스팅 방식보다 그 워크플로우를 선호한다면 ComfyUI에서의 Flux LoRA 학습 가이드가 ComfyUI 안에서 학습하는 법을 다뤄요. 같은 원칙, 다른 도구예요.

비용 분석과 완료까지 걸리는 시간

RunPod에서 진행한 저희의 마지막 NSFW Flux LoRA 학습 5건의 실제 수치예요.

• LoRA 1, 캐릭터 작업, 이미지 20장, 1750 스텝, GPU $2.10 + 저장소 $0.30 = 총 $2.40
• LoRA 2, 캐릭터 작업, 이미지 25장, 2000 스텝, GPU $2.85 + 저장소 $0.35 = 총 $3.20
• LoRA 3, 스타일 전이, 이미지 30장, 2500 스텝, GPU $3.40 + 저장소 $0.40 = 총 $3.80
• LoRA 4, 컨셉 LoRA, 이미지 18장, 1500 스텝, GPU $1.95 + 저장소 $0.30 = 총 $2.25
• LoRA 5, 캐릭터 작업, 이미지 22장, 1800 스텝, GPU $2.55 + 저장소 $0.35 = 총 $2.90

평균 LoRA 하나당 약 $2.91이에요. 시간으로 보면 GPU 실행 시간은 24시간이지만 옆에 붙어 있을 필요는 없어요. 학습을 시작해 두고 끝날 때 다시 확인하면 돼요. 여러분의 실제 체감 시간은 데이터셋 준비 3060분에 결과 테스트 5분 정도예요.

캐릭터 LoRA 10개를 만드는 사람의 총비용은 약 $30이에요. 그건 상업용 학습 서비스 이용권을 사는 것보다 상당히 적고, 결과로 나온 LoRA 파일을 완전히 소유하게 돼요. 비교하자면, 저희의 DreamBooth 대 LoRA 학습 비교가 LoRA 학습보다 풀 DreamBooth가 합당해지는 시점을 다뤄요. 대부분의 NSFW 캐릭터 작업에는 LoRA가 비용과 유연성에서 이겨요. 저희는 자체 캐릭터를 위해 이런 식으로 학습한 LoRA를 lewdly.ai에 실제로 투입했어요. 그래서 RunPod 학습에서 프로덕션 배포까지의 워크플로우가 이론이 아니라 실제라고 보증할 수 있어요.

RunPod 학습을 직접 돌리고 싶지 않다면 lewdly.ai 같은 호스팅 플랫폼이 학습 파이프라인을 서비스로 처리해 줘요. 솔직히 밝히자면 저희가 그걸 만드는 데 돕고 있어요. 장점은 설정이나 기술 관리가 없다는 거예요. 단점은 학습 파라미터에 대한 통제력이 적다는 거예요. 많은 캐릭터 LoRA를 대량으로 만드는 창작자에게는 직접 RunPod을 쓰는 길이 비용을 아껴요. LoRA 한두 개를 학습시키는 가벼운 사용자에게는 호스팅 경로가 더 단순해요.

자주 묻는 질문

Flux NSFW LoRA를 학습시키려면 이미지가 몇 장 필요한가요?

엄선한 고품질 이미지 1530장이 평범한 이미지 50100장보다 뛰어나요. 특히 캐릭터 LoRA의 경우, 잘 고른 이미지 15~20장이 더 크고 잡음 많은 데이터셋보다 더 나은 결과를 내는 경우가 많아요.

Flux LoRA 학습에 RunPod에서 가장 저렴한 GPU는 무엇인가요?

시간당 약 $0.30인 RTX A5000 24GB가 가장 저렴한 현실적 선택지예요. 시간당 $0.34인 RTX 4090은 약간 더 비싸지만 학습이 더 빨라서 총비용은 결국 대략 비슷해져요.

16GB VRAM 카드에서 Flux LoRA를 학습시킬 수 있나요?

현실적으로는 어려워요. Flux LoRA 학습은 1024 해상도, 배치 사이즈 1에서 약 22~24GB VRAM이 필요해요. 16GB에서 512 해상도 학습을 시도해 볼 수는 있지만 출력 품질이 크게 떨어져요. 대신 RunPod에서 4090을 빌리세요.

학습은 얼마나 걸리나요?

RTX 4090에서 1024 해상도로 1500 스텝은 약 2.5시간 걸려요. 2000 스텝은 약 3.3시간, 2500 스텝은 약 4.1시간이에요. 데이터셋 크기가 스텝당 시간을 통해 이걸 약간 좌우하지만 주된 변수는 총 스텝 수예요.

학습률은 무엇을 써야 하나요?

1e-4가 Flux Dev에서 대부분의 NSFW 캐릭터 LoRA에 안전한 기본값이에요. 스타일 LoRA는 때때로 5e-5에서 이점을 볼 수 있어요. 컨셉 LoRA는 1e-4에서 2e-4 사이에서 작동해요. 무엇을 하는지 잘 알지 못한다면 5e-4 위로는 올라가지 마세요.

제 Flux LoRA가 SDXL에서 작동하나요?

아니요. Flux LoRA와 SDXL LoRA는 완전히 호환되지 않아요. 다른 아키텍처, 다른 학습 파이프라인, 다른 파일 구조예요. 각 기본 모델마다 따로 학습시켜야 해요.

직접 학습시킨 LoRA를 판매할 수 있나요?

Chroma(Apache 2.0 라이선스)에서 학습한다면 가능해요. Flux Dev의 경우 파생물의 상업적 사용에 라이선스가 더 제한적이에요. 상업화하려면 Flux Dev 라이선스를 주의 깊게 읽으세요.

FluxGym과 Kohya의 관계는 무엇인가요?

FluxGym은 Kohya의 학습 스크립트를 감싼 UI 래퍼예요. Kohya가 실제 학습 로직을 제공해요. FluxGym은 명령줄 작업 없이 그걸 쓸 수 있게 만들어줘요. 대부분의 다른 Flux 학습 도구와 같은 엔진이 내부에서 돌아가요.