LoRA 학습 서비스 선택 튜토리얼(로컬·GPU대여·SaaS)

목적

LoRA를 학습시키려면 어떤 서비스를 써야 하는지 빠르게 결정하고, 선택한 경로로 바로 실행할 수 있게 정리한다.

3가지 방식 요약(선택 가이드)

로컬 PC 학습은 통제력이 가장 높다. NVIDIA GPU가 필요하고(대략 VRAM 8~12GB 이상 권장), 보통 kohya_ss(GUI)나 sd-scripts로 학습한다. 데이터가 내 PC에 머물러 유출 위험이 낮고 반복 튜닝이 편하지만, 설치와 세팅이 필요하다.

GPU 대여는 가성비와 유연함이 강점이다. RunPod, Vast.ai, Paperspace, Lambda Cloud 같은 서비스를 쓰고, 필요한 시간만큼만 결제한다. 다만 인스턴스 생성, 스토리지 연결, 종료 전 저장 같은 운영 관리가 필요하다.

업로드→학습형 SaaS는 가장 간편하다. Replicate(워크플로 기반), Astria, DreamLook.ai 같은 서비스를 쓰며, 서비스 정책과 지원 모델을 먼저 확인해야 한다. 세팅은 거의 없지만 비용이 더 들 수 있고, 세부 하이퍼파라미터 조절이 제한될 수 있다.

바로 결정하는 3가지 질문(체크)

학습 대상이 인물인지, 캐릭터인지, 스타일인지 먼저 고른다.

내가 NVIDIA GPU를 보유했는지 확인한다(예: RTX 3060 12GB).

목표 모델이 Stable Diffusion 1.5인지, SDXL인지, FLUX인지 정한다.

A. 로컬 PC로 하는 경우(단계)

준비물을 정리한다. NVIDIA GPU, 충분한 VRAM(대략 8~12GB+), 학습 데이터(이미지와 캡션/태그), 저장 공간을 확보한다.

설치/실행을 한다. kohya_ss(GUI) 또는 sd-scripts 중 하나를 선택하고, 실행 환경(파이썬/의존성)과 실행 방법을 준비한다.

학습을 실행한다(개념 단계). 목표 모델 체크포인트를 지정하고, 데이터 폴더와 반복 설정을 잡고, LoRA 출력 경로를 정한 뒤 학습을 돌린다.

결과를 확인하고 반복 튜닝한다(개념 단계). 생성 테스트로 LoRA가 원하는 특징을 잘 재현하는지 보고, 과적합/특징 누락이 있으면 데이터나 학습 설정을 조정해 재학습한다.

B. GPU 대여로 하는 경우(단계)

서비스를 선택한다. RunPod/Vast.ai는 가격 경쟁력이 좋고, Paperspace/Lambda Cloud는 비교적 안정적인 운영이 장점인 편이라 목적에 맞게 고른다.

인스턴스를 생성한다. 목표에 맞는 GPU와 디스크 용량을 고르고, 작업 중 파일이 사라지지 않도록 영구 스토리지(볼륨/스토리지)를 붙일지 결정한다.

템플릿/노트북을 사용한다. kohya_ss 템플릿이나 노트북을 골라 환경 설치 시간을 줄이고, 데이터 업로드 또는 스토리지 마운트로 학습 데이터를 준비한다.

학습을 실행한다. 목표 모델과 데이터 경로, 출력 경로를 잡고 학습을 수행한다.

모델/가중치를 저장하고 다운로드한다. LoRA 가중치를 영구 스토리지에 저장한 뒤 로컬로 내려받고, 인스턴스 종료 전에 파일이 남아 있는지 반드시 확인한다.

C. SaaS로 하는 경우(단계)

계정과 요금을 확인한다. 과금 단위(모델당/크레딧/시간)와 환불/재학습 비용을 보고 예산을 먼저 정한다.

데이터를 업로드한다. 학습 대상에 맞는 이미지와 설명(캡션/태그)을 요구 형식에 맞춰 올린다.

학습 설정을 한다(가능한 범위 내). 목표 모델(또는 스타일/캐릭터 학습 모드)을 선택하고, 제공되는 옵션 범위에서 강도나 스텝 같은 기본 설정만 조정한다.

결과를 다운로드/사용한다. LoRA 파일을 내려받아 로컬/클라우드 생성 환경에 적용하거나, 서비스 내 생성 기능으로 바로 테스트한다.

추천 빠른 결론(상황별)

세팅이 싫고 빨리 끝내고 싶으면 SaaS가 맞다.

GPU는 없지만 비용을 아끼면서 세부 조절을 하고 싶으면 GPU 대여가 맞다.

GPU가 있고 반복 튜닝이나 보안이 중요하면 로컬 학습이 맞다.