sd.keydrop.net ユーザーマニュアル

sd.keydrop.net は、ブラウザ内の WebGPU で AI 画像生成を行う完全ローカルのツールです。Stable Diffusion 互換モデルに対応しています。 サーバーにデータを送信しない設計のため、プロンプト・モデル・生成画像のプライバシーが保たれます。

本マニュアルでは、モデルの入手から画像生成、LoRA マージ、設定変更、トラブルシューティングまでを解説します。

動作環境

sd.keydrop.net はブラウザ内の WebGPU で AI 推論を行うため、一般的な Web アプリよりも高いスペックが必要です。 使用するモデルの種類によって要求が大きく変わります。

Mac

Windows

モデル別のスペック要求

ブラウザはモデルファイル全体をメモリに読み込むため、モデルのファイルサイズ ≒ 必要な RAM と考えてください。 外部データファイル（.onnx.data）がある場合はそのサイズも加算されます。

対応ブラウザ

WebGPU が使えるか確認する方法

Chrome で chrome://gpu を開き、「WebGPU」が「Hardware accelerated」になっていれば OK です。

モデルの入手

sd.keydrop.net はモデルを同梱していません。ユーザーが自身でモデルファイルを入手してアップロードする必要があります。

推奨: SD-Turbo（初心者向け）

最も手軽に試せるのは SD-Turbo です。1〜4 ステップで画像生成でき、VRAM 要求も 4GB と控えめです。

スクリプトが使えない環境では、Hugging Face の schmuell/sd-turbo-ort-web リポジトリから以下の 5 ファイルを手動ダウンロードしてください:

• text_encoder/model.onnx（約 650MB） → text_encoder.onnx にリネーム
• unet/model.onnx（約 1.6GB） → unet.onnx にリネーム
• vae_decoder/model.onnx（約 95MB） → vae_decoder.onnx にリネーム
• tokenizer/vocab.json（約 1MB）
• tokenizer/merges.txt（約 500KB）

その他のモデル

SD 1.5 系や SDXL の ONNX 変換済みモデルも対応しています。Hugging Face で onnx stable-diffusion や Xenova/stable-diffusion-v1-5 などで検索してください。 SDXL は VRAM 8GB 以上が推奨です。

おすすめモデル一覧

以下は sd.keydrop.net での動作確認状況をまとめたモデルリストです。

SD-Turbo / 少ステップ系（推奨・初心者向け）

1〜8 ステップで画像生成が完了する蒸留モデル。ブラウザ環境で最も快適に使えます。

SD 1.5 系（高品質・LoRA 豊富）

SDXL 系（現時点では非対応）

SDXL 軽量モデル（動作の可能性あり）

SDXL の UNet を蒸留（distillation）して小型化したモデルです。解像度は SDXL と同じ 1024×1024 を維持しつつ、UNet のパラメータ数を大幅に削減しています。

# Google Colab のセル 4 を以下に差し替えて使用
from diffusers import StableDiffusionXLPipeline
import torch
pipe = StableDiffusionXLPipeline.from_pretrained(
    "segmind/Segmind-Vega",  # or "segmind/SSD-1B"
    torch_dtype=torch.float16
)
pipe.save_pretrained('./model-diffusers')
# 以降は通常の SDXL 変換と同じ手順

SDXL-Turbo / Lightning（将来対応の可能性）

SDXL-Turbo や SDXL-Lightning は SDXL ベースですが、ステップ数が少ないためやや軽量です。 ただし UNet サイズは同じ ~4.8GB のため、現時点では同様に動作しません。 ブラウザのメモリ制限が緩和された場合に対応を検討します。

モデルの読み込み

1. 「画像生成」タブを開きます。左サイドバーにモデル選択パネルがあります。
2. 「ここにファイルをドロップ」エリアに、5 ファイルすべてを一度にドラッグ&ドロップします。
3. 世代を選択（SD1.5 / SDXL / SD3）。ファイル名から自動推測されることが多いので、変更が不要な場合はそのまま。
4. 「モデルを読み込む」ボタンをクリック。
5. 進捗表示が始まります:
   • 📥 Loading (10%): Reading text_encoder — ファイル読み込み
   • 🔧 Compiling shaders (10%): Compiling text_encoder for WebGPU — WebGPU シェーダーコンパイル
   • UNet (50%) → VAE (85%) → Tokenizer (95%) と進む
   初回はシェーダーコンパイルで数十秒〜数分かかることがあります。2 回目以降はブラウザキャッシュにより高速化されます。
6. 「Model loaded: SD-Turbo (unet.onnx)」のトーストが表示されれば成功です。

OPFS キャッシュからの復元

一度アップロードしたモデルは OPFS（Origin Private File System） に自動保存されます。 次回以降は、ドロップゾーンの下にある「📦 Load from OPFS cache」ボタンをクリックするだけで復元できます。

画像を生成する

プロンプト入力

中央のパネルにプロンプト（Positive / Negative）を入力します。CLIP ViT-L は英語で学習されているため、英語でのプロンプトを推奨します。

生成パラメータ

生成実行

1. パラメータを設定したら「生成」ボタンをクリック
2. 進捗バーが表示されます（ステップ数に応じた進行）
3. 完了すると右パネルに画像が表示されます
4. 「Download PNG」ボタンでローカルに保存

PNG メタデータ

ダウンロードされた PNG には、生成パラメータ（プロンプト / サイズ / Steps / CFG / Seed / モデル名 / エンジン）が tEXt チャンクとして自動埋込されます。AUTOMATIC1111 や ComfyUI の「PNG Info」機能で読み取れます。

キャンセル

生成中に「キャンセル」ボタンを押すと、Worker に中断指令が送られます。

LoRA について

LoRA（Low-Rank Adaptation）は、ベースモデルに追加のスタイルやキャラクター表現を注入する軽量な追加学習手法です。 sd.keydrop.net では事前マージ方式を採用しています。

LoRA マージ手順

1. 「LoRA マージ」タブを開きます。
2. ベースモデル（.safetensors 形式）をドロップエリアに投下します。
   例: v1-5-pruned-emaonly.safetensors
3. 「+ LoRA を追加」ボタンで LoRA ファイル（.safetensors）を追加します。複数追加可能。
4. 各 LoRA の weight スライダーを調整します。
   • 1.0 — 通常強度
   • 0.5 — 弱め
   • 1.5 — 強め
   • -1.0 — 逆効果
5. マージアルゴリズムを選択（現状は「Pure TypeScript」のみ対応）。
6. 「マージ実行」ボタンをクリック。進捗バーが表示されます。
7. 完了後:
   • 「Download .safetensors」 — マージ済みファイルを PC に保存
   • 「Save to OPFS cache」 — ブラウザ内ストレージに保存

マージ結果のメタデータ

出力ファイルの __metadata__ には以下が記録されます:

{
  "format": "pt",
  "merged_with": "my-lora.safetensors@1.0; other-lora.safetensors@0.5",
  "merged_at": "2026-04-10T...",
  "merged_by": "sd.keydrop.net pure-ts",
  "unmatched_lora_modules": "0"
}

unmatched_lora_modules がゼロでない場合は、LoRA のキー名がベースモデルのキー名にマッチしなかったモジュールがあることを示しています。

safetensors → ONNX 変換ガイド

CivitAI / Hugging Face のモデルを sd.keydrop.net で使うための変換手順です。 変換方法は 2 つあります。

方法 1：Google Colab で変換（推奨）

ブラウザから無料の GPU を使って変換します。PC のスペックに関係なく、SD 1.5 / SDXL どちらも変換できます。

手順

1. Google Colab を開き、「新しいノートブック」を作成
2. メニューの 「ランタイム」→「ランタイムのタイプを変更」→ ハードウェアアクセラレータを「T4 GPU」に設定して保存
3. 以下の 6 つのセルを順番にコピー&ペーストして実行（各セルの左にある ▶ ボタンをクリック）

セル 1: ライブラリインストール（約 3 分）

!pip install -q optimum[onnxruntime-gpu] diffusers transformers torch accelerate
print("✅ インストール完了")

セル 2: モデルファイルをアップロード

from google.colab import files
print("safetensors ファイルを選択してください...")
uploaded = files.upload()
model_filename = list(uploaded.keys())[0]
print(f"✅ アップロード完了: {model_filename} ({len(uploaded[model_filename]) / 1e9:.1f}GB)")

ファイル選択ダイアログが表示されるので、CivitAI 等からダウンロードした .safetensors を選択してください。

セル 3: モデルタイプを選択

# SD 1.5 系の場合は "sd15" に変更してください
MODEL_TYPE = "sdxl"

if MODEL_TYPE == "sdxl":
    PIPELINE_CLASS = "StableDiffusionXLPipeline"
    TASK = "stable-diffusion-xl"
else:
    PIPELINE_CLASS = "StableDiffusionPipeline"
    TASK = "stable-diffusion"
print(f"✅ モデルタイプ: {MODEL_TYPE}")

セル 4: 変換実行（約 10〜15 分）

import torch, os, shutil, gc
from pathlib import Path

# Step 1: safetensors → diffusers（fp32 で読み込み）
print("📦 Step 1/4: diffusers 形式に変換中...")
if MODEL_TYPE == "sdxl":
    from diffusers import StableDiffusionXLPipeline
    pipe = StableDiffusionXLPipeline.from_single_file(model_filename, torch_dtype=torch.float32)
else:
    from diffusers import StableDiffusionPipeline
    pipe = StableDiffusionPipeline.from_single_file(model_filename, torch_dtype=torch.float32)
pipe.save_pretrained('./model-diffusers')
del pipe; torch.cuda.empty_cache()
print("✅ diffusers 変換完了")

# Step 2: ONNX (fp32) エクスポート
# ⚠️ dtype='fp16' は使わない — fp16 グラフはブラウザの ONNX Runtime Web で
#    正しく動作しないため、fp32 でエクスポートする
print("🔧 Step 2/4: ONNX (fp32) エクスポート中...（10〜15 分お待ちください）")
from optimum.exporters.onnx import main_export
try:
    main_export(model_name_or_path='./model-diffusers', output=Path('./model-onnx'), task=TASK, no_post_process=True)
except Exception as e:
    print(f"⚠️ 警告（ファイルは出力済み）: {e}")
print("✅ ONNX エクスポート完了")

# Step 3: 重みを fp16 に変換（計算グラフは fp32 互換のまま）
print("🔄 Step 3/4: 重みを fp16 に変換中...")
import onnx
import numpy as np
from onnx import TensorProto, numpy_helper, helper

def convert_weights_to_fp16(model):
    init_names = set()
    for init in model.graph.initializer:
        if init.data_type == TensorProto.FLOAT and init.name:
            init_names.add(init.name)
    if not init_names:
        return model
    print(f"    Converting {len(init_names)} initializers to fp16...")
    for init in model.graph.initializer:
        if init.name in init_names:
            np_data = numpy_helper.to_array(init)
            np_fp16 = np_data.astype(np.float16)
            new_tensor = numpy_helper.from_array(np_fp16, init.name)
            init.CopyFrom(new_tensor)
    cast_map = {}
    cast_nodes = []
    for name in init_names:
        cast_out = name + '__fp32'
        cast_node = helper.make_node(
            'Cast', inputs=[name], outputs=[cast_out],
            to=int(TensorProto.FLOAT), name=name + '__cast',
        )
        cast_nodes.append(cast_node)
        cast_map[name] = cast_out
    for node in model.graph.node:
        for i in range(len(node.input)):
            if node.input[i] in cast_map:
                node.input[i] = cast_map[node.input[i]]
    for out in model.graph.output:
        if out.name in cast_map:
            out.name = cast_map[out.name]
    for inp in model.graph.input:
        if inp.name in init_names:
            inp.type.tensor_type.elem_type = int(TensorProto.FLOAT16)
    for node in reversed(cast_nodes):
        model.graph.node.insert(0, node)
    print(f"    Inserted {len(cast_nodes)} Cast nodes")
    return model

os.makedirs('sd-ready', exist_ok=True)
components = [('text_encoder','text_encoder'),('text_encoder_2','text_encoder_2'),('unet','unet'),('vae_decoder','vae_decoder')]
for src, dst in components:
    p = f'model-onnx/{src}/model.onnx'
    if not os.path.exists(p): continue
    print(f"  {dst}: loading fp32 model...")
    model = onnx.load(p, load_external_data=True)
    print(f"  {dst}: converting weights to fp16...")
    model = convert_weights_to_fp16(model)
    out = os.path.abspath(f'sd-ready/{dst}.onnx')
    onnx.save(model, out)
    del model; gc.collect()
    print(f"  {dst}: {os.path.getsize(out)/1e6:.0f}MB")

# Step 4: tokenizer コピー
print("📂 Step 4/4: tokenizer ファイルをコピー中...")
for f in ['vocab.json','merges.txt']:
    s = f'model-onnx/tokenizer/{f}'
    if os.path.exists(s): shutil.copy2(s, f'sd-ready/{f}')
print("\n🎉 変換完了！セル 5 でダウンロードしてください。")

セル 5: ZIP に圧縮してダウンロード

import subprocess, os
subprocess.run(['zip', '-r', '-0', 'sd-ready.zip', 'sd-ready/'], check=True)
print(f"📦 sd-ready.zip ({os.path.getsize('sd-ready.zip')/1e9:.1f}GB)")
from google.colab import files
files.download('sd-ready.zip')

ファイルが大きすぎてダウンロードが失敗する場合は、下のセル 5b を使ってください。

セル 5b: Google Drive に保存（大きなファイルの場合）

from google.colab import drive
import shutil
drive.mount('/content/drive')
shutil.copytree('sd-ready', '/content/drive/MyDrive/sd-ready', dirs_exist_ok=True)
print("✅ Google Drive の「マイドライブ/sd-ready」に保存しました")

ダウンロード後

1. sd-ready.zip を解凍（または Google Drive からコピー）
2. sd.keydrop.net を開く
3. sd-ready/ 内の全ファイルをドロップ
4. 世代を選択して「モデルを読み込む」

方法 2：ローカルスクリプトで変換

まずスクリプトをダウンロード

以下のリンクからスクリプトをダウンロードし、変換したいモデルファイル（.safetensors）と同じフォルダに保存してください。

ダウンロードしたら、ターミナルでスクリプトのあるフォルダに cd してから実行してください。

macOS / Linux

# スクリプトをダウンロードしたフォルダに移動
cd ~/Downloads

# SD 1.5 モデルの場合
bash convert-to-onnx.sh your-model.safetensors sd15

# SDXL モデルの場合
bash convert-to-onnx.sh novaAnimeXL.safetensors sdxl

# 自動判別（ファイル名に xl/sdxl を含むかで判定）
bash convert-to-onnx.sh your-model.safetensors

Windows（Git Bash または WSL）

コマンドは macOS / Linux と同じです。Git Bash または WSL から実行してください。

bash convert-to-onnx.sh your-model.safetensors sd15

スクリプトが行う処理

1. Python 3.10〜3.12 を自動検出
2. 仮想環境を作成（sd-convert-env）
3. 必要ライブラリをインストール（optimum, diffusers, transformers, torch 等）
4. safetensors → diffusers → ONNX に変換
5. 重みを weight-only fp16 に変換 + Cast(fp16→fp32) ノード挿入、単一 .onnx ファイルとして保存
6. sd-ready/ にリネームして出力

python -m venv sd-convert-env
sd-convert-env\Scripts\activate
pip install "optimum[onnxruntime]" diffusers transformers torch --extra-index-url https://download.pytorch.org/whl/cpu

python3.12 -m venv sd-convert-env
source sd-convert-env/bin/activate
pip install "optimum[onnxruntime]" diffusers transformers torch --extra-index-url https://download.pytorch.org/whl/cpu

python3 -c "
from diffusers import StableDiffusionPipeline; import torch
pipe = StableDiffusionPipeline.from_single_file('your-model.safetensors', torch_dtype=torch.float16)
pipe.save_pretrained('./model-diffusers')
"
optimum-cli export onnx --model ./model-diffusers --task stable-diffusion ./model-onnx

python3 -c "
from diffusers import StableDiffusionXLPipeline; import torch
pipe = StableDiffusionXLPipeline.from_single_file('your-sdxl-model.safetensors', torch_dtype=torch.float16)
pipe.save_pretrained('./model-diffusers')
"
optimum-cli export onnx --model ./model-diffusers --task stable-diffusion-xl ./model-onnx

pip install onnx
python3 -c "
import onnx, os, numpy as np
for sub in ['unet', 'text_encoder_2']:
    path = f'model-onnx/{sub}/model.onnx'
    data = path + '_data'
    if not os.path.exists(data): continue
    print(f'Merging {sub}...')
    m = onnx.load(path, load_external_data=True)
    # fp16 conversion for large models
    for init in m.graph.initializer:
        if init.data_type == 1:  # FLOAT
            arr = np.frombuffer(init.raw_data, dtype=np.float32).astype(np.float16)
            init.raw_data = arr.tobytes()
            init.data_type = 10  # FLOAT16
    onnx.save_model(m, f'model-onnx/{sub}/model_fp16.onnx', save_as_external_data=False)
    print(f'  {sub} done')
print('All done!')
"

mkdir -p sd-ready
cp model-onnx/text_encoder/model.onnx sd-ready/text_encoder.onnx
cp model-onnx/unet/model.onnx sd-ready/unet.onnx
cp model-onnx/vae_decoder/model.onnx sd-ready/vae_decoder.onnx
cp model-onnx/tokenizer/vocab.json sd-ready/vocab.json
cp model-onnx/tokenizer/merges.txt sd-ready/merges.txt

mkdir -p sd-ready
cp model-onnx/text_encoder/model.onnx sd-ready/text_encoder.onnx
cp model-onnx/text_encoder_2/model_fp16.onnx sd-ready/text_encoder_2.onnx
cp model-onnx/unet/model_fp16.onnx sd-ready/unet.onnx
cp model-onnx/vae_decoder/model.onnx sd-ready/vae_decoder.onnx
cp model-onnx/tokenizer/vocab.json sd-ready/vocab.json
cp model-onnx/tokenizer/merges.txt sd-ready/merges.txt

sd.keydrop.net にアップロード

1. sd.keydrop.net を開く
2. sd-ready/ フォルダ内のすべてのファイルを生成タブのドロップエリアにドラッグ&ドロップ
3. 世代を選択（SD 1.5 系なら SD1.5、SDXL 系なら SDXL）
4. 「モデルを読み込む」をクリック
5. 読み込みが完了したらプロンプトを入力して生成

トラブルシューティング

LoRA マージ済みモデルの変換

sd.keydrop.net の LoRA マージツールで出力した *-merged.safetensors も、同じスクリプトで変換できます。

bash scripts/convert-to-onnx.sh ~/Downloads/v1-5-pruned-emaonly-merged.safetensors sd15

設定

「設定」タブから以下を変更できます:

推論エンジン

現在対応しているエンジンは ONNX Runtime Web のみです。 Transformers.js / Ratchet はスタブとして存在しますが、SD パイプライン非対応のため選択できません。

言語

日本語（既定）/ 英語を切り替えられます。ブラウザの navigator.language から自動判定しますが、手動で変更した場合は localStorage に保存されます。

テーマ

ライトモード / ダークモードを切り替えます。OS のカラースキーム設定にも追従します。

利用統計（GA4）

「基本計測」（デフォルト ON）と「詳細計測」（デフォルト OFF、オプトイン）の 2 段階。

• 基本計測: 生成ボタン押下数、画像 DL 数（匿名カウンターのみ）
• 詳細計測: エラーログ、プロンプト本文、モデル名（明示的にオンにしない限り送信されない）

ブラウザの Do Not Track 設定は自動的に尊重されます。

生成履歴

生成した画像は IndexedDB に自動保存されます（画像 Blob + 全パラメータ）。 設定タブの「History management」カードで直近 30 件をサムネイル付きで確認できます。

「Clear all history」ボタンで一括削除できます（確認ダイアログ付き）。 履歴はブラウザ内のみに保存され、外部には送信されません。

ストレージ管理

設定タブの「Storage management」カードで、OPFS に保存されたモデルファイルの管理ができます:

• OPFS 使用量とクォータの表示
• キャッシュ済みファイル一覧（名前 / サイズ / 日時）
• ファイルごとの個別削除

トラブルシューティング

プライバシー

送信されないもの

• アップロードされたモデルファイル / LoRA ファイル本体
• 生成された画像
• 生成履歴

送信される可能性があるもの（GA4）

• 基本計測（デフォルト ON）: 生成ボタン押下数 / 画像 DL 数（匿名メタ付き）
• 詳細計測（オプトイン、デフォルト OFF）: エラーログ / プロンプト / モデル名

設定画面からいつでも無効化可能。Do Not Track も尊重。VITE_GA_MEASUREMENT_ID 未設定のビルドでは計測機能は完全無効です。

Tips