LoRA auf eigene Produkte und Markenstil trainieren, lokal mit offenen Werkzeugen

Was eine LoRA für Ihre Bilder leistet

Mit einer LoRA bringt ein Unternehmen einem offenen Bildmodell die eigenen Produkte oder den eigenen Bildstil bei, sodass erzeugte Bilder das echte Produkt zeigen und nach der Marke aussehen. Sie sammeln 15 bis 40 gute Fotos, so viele, wie Black Forest Labs (BFL) für einen Stil nennt, beschreiben jedes in einer kurzen Bildunterschrift und trainieren mit einem Werkzeug wie ai-toolkit; das Beispiel von BFL ist ein Lauf mit 1.800 Schritten. Auf FLUX.2 [klein] Base 4B oder Qwen-Image, beide unter Apache 2.0, dürfen Sie das Ergebnis kommerziell nutzen, und eine Workstation mit einer NVIDIA RTX PRO 6000 Blackwell Workstation Edition oder Max-Q trainiert beide Modelle ohne Sparoptionen.

LoRA steht für Low-Rank Adaptation. Das Basismodell bleibt unverändert; das Training erzeugt eine kleine zusätzliche Gewichtsdatei, die das Bildprogramm daneben lädt und die sich pro Auftrag ein- oder ausschalten lässt. Eine Agentur hält eine LoRA pro Kundenstil, ein Hersteller eine pro Produktlinie.

Dieser Leitfaden richtet sich an Marketing- und Markenverantwortliche und Agenturinhaber, die darüber entscheiden, und an die IT-Person oder Designerin, die das Training betreut. Er behandelt die Basismodelle und ihre Lizenzen, den Datensatz, die Werkzeuge, Speicher und Zeit sowie die Hardware. Feintuning von Sprachmodellen ist ein eigenes Thema; dazu gibt es unseren Leitfaden zum GPU-Speicher für LoRA und QLoRA. Wie eine fertige LoRA für Produktaufnahmen eingesetzt wird, zeigt unser Leitfaden zu KI-Produktfotos und Packshots.

Basismodelle, deren Lizenz kommerzielle LoRAs erlaubt

Die Lizenz des Basismodells entscheidet, was Sie mit der LoRA und ihren Bildern tun dürfen; prüfen Sie sie also, bevor das erste Foto beschriftet wird.

Hugging-Face-Karten und LICENSE-Dateien von Black Forest Labs und Qwen; Trainingsspeicher aus der Qwen-Image-Dokumentation von Musubi Tuner (1024 × 1024, Batchgröße 1), dem LoRA-Leitfaden von BFL vom 4. Juni 2026 und dem FLUX.2-Quickstart von SimpleTuner; alle gelesen am 30. Oktober 2026.

FLUX.2 [klein] Base 4B ist die nicht destillierte Fassung des kleinen BFL-Modells, „Trained without step or guidance distillation“. Die Karte nennt es „Ideal for fine-tuning, LoRA training, research, and custom pipelines“, gibt für die Bilderzeugung etwa 13 GB VRAM an („fits in ~13GB VRAM“) und nennt Apache 2.0. Der LoRA-Leitfaden von BFL hält fest: „FLUX.2-klein-base-4B is Apache 2.0, so you can ship what you train.“

Qwen-Image und sein Dezember-Update Qwen-Image-2512 sind Modelle mit 20 Milliarden Parametern unter Apache 2.0, ebenso das Bearbeitungsmodell Qwen-Image-Edit-2511, dessen Karte „integrated LoRA capabilities“ nennt. Die Karte des Dezember-Updates beschreibt natürlichere Details und genauere Schrift im Bild. Die 20B-Modelle brauchen beim Training mehr Speicher als das 4B-Modell von klein.

Mehrere beliebte Modelle eignen sich nicht für kommerzielle LoRAs. Die Modelle FLUX.2 [klein] 9B stehen unter der FLUX Non-Commercial License. FLUX.1 [dev] und FLUX.2 [dev] stehen ebenfalls unter nicht kommerziellen Lizenzen; für einige seiner Modelle verkauft BFL kommerzielle Lizenzen, wie unser FLUX-Leitfaden zu GPU-Anforderungen erklärt. Qwen-Image-2.1, dessen Lizenz das Datum 20. September 2026 trägt, sagt „FOR NON-COMMERCIAL PURPOSES ONLY“. FLUX 3 Image Klein Base, im Oktober 2026 erschienen, erlaubt „commercial output generation by Qualifying Users with less than US$5M in gross annualized revenue“, verbundene Unternehmen eingerechnet, und diese Nutzer müssen Inhaltsfilter einsetzen oder die Ergebnisse prüfen. Das Erstellen per Feintuning angepasster Fassungen, also auch einer LoRA, erlaubt die Lizenz nur für nicht kommerzielle Zwecke, und die Karte stellt klar, dass die Ausnahme keine pauschale Erlaubnis für kommerzielles Feintuning ist; größere Unternehmen brauchen eine Vereinbarung mit BFL. Ob eine bestimmte Nutzung abgedeckt ist, bestätigt Ihre Rechtsberatung.

Fotos, Bildunterschriften und Bildrechte für den Datensatz

Der LoRA-Leitfaden von BFL nennt die klarsten veröffentlichten Zahlen. Eine Stil-LoRA braucht „15–40 images that share one look“, mindestens 1024 Pixel an der langen Seite, jedes mit einer gleichnamigen Textdatei für die Bildunterschrift. Die Bildunterschriften beschreiben, was im Bild zu sehen ist, und sagen nichts über den Stil; der Leitfaden rät zu einem Auslösewort: „Pick a trigger word that is not a real word.“ Dieses Wort ruft im Prompt später den gelernten Look auf.

Eine Produkt-LoRA folgt derselben Logik, mit dem Produkt als festem Element. Fotografieren Sie das eine Produkt aus mehreren Winkeln und Entfernungen, vor verschiedenen Hintergründen und in verschiedenem Licht, und beschreiben Sie, was sich ändert (Umgebung, Winkel, Licht), während das Auslösewort für das Produkt steht. Keiner der Leitfäden, die wir gelesen haben, nennt eine eigene Bildzahl für ein einzelnes Produkt; beginnen Sie also innerhalb der 15 bis 40 von BFL und beurteilen Sie die Beispielbilder.

Eine Bearbeitungs-LoRA lernt eine Umwandlung aus Bildpaaren. Der BFL-Leitfaden sagt „50–200 pairs is plenty“, und seine Bildunterschriften sind Anweisungen. Ein Fotostudio mit einem Archiv aus Rohaufnahmen und den dazugehörigen retuschierten Packshots besitzt solche Paare bereits: Eine darauf trainierte Bearbeitungs-LoRA lernt den Retuschestil des Hauses.

ai-toolkit liest Bilder mit einer gleichnamigen Textdatei, image2.jpg mit image2.txt; ein Platzhalter [trigger] in den Bildunterschriften wird durch das Auslösewort aus der Konfiguration ersetzt, und die README sagt: „You do not need to crop/resize your images.“

Die Rechte kommen zuerst. Der BFL-Leitfaden nennt eigene Werke, lizenzierte Fotos und gemeinfreie Werke als Quellen; trainieren Sie nur auf Fotos, die Ihr Unternehmen für diesen Zweck nutzen darf: Aufnahmen einer Agentur oder eines Fotografen können Nutzungsbedingungen haben, die KI-Training nicht abdecken, und Fotos mit Personen werfen Datenschutzfragen auf. Ihre Rechtsberatung und Ihr Datenschutz­beauftragter bestätigen das. Ob Feintuning ein Unternehmen nach dem AI Act zum Anbieter eines KI-Modells mit allgemeinem Verwendungszweck macht, erklärt unser Artikel zu AI Act und Fine-Tuning mit dem Rechenaufwand-Kriterium der Kommission.

ai-toolkit, Musubi Tuner, SimpleTuner und kohya_ss im Vergleich

GitHub-Repositories und Dokumentation von ostris/ai-toolkit, kohya-ss/musubi-tuner, bghira/SimpleTuner, kohya-ss/sd-scripts und bmaltais/kohya_ss, gelesen am 30. Oktober 2026. Wir nennen Status und Datum statt Versionsnummern.

ai-toolkit ist der Trainer, den BFL in seinem eigenen Leitfaden verwendet. Seine Modellliste enthält bereits FLUX 3 Image Klein vom Oktober 2026 sowie Qwen-Image, Qwen-Image-2512 und Qwen-Image-Edit-2511. Die Web-Oberfläche läuft auf Port 8675 und startet, stoppt und überwacht Aufträge. Auf einem gemeinsam genutzten Rechner setzen Sie über die Variable AI_TOOLKIT_AUTH ein Passwort für die Oberfläche.

Musubi Tuner stammt aus dem Projekt kohya-ss. Es trainiert Qwen-Image und mit der Option --model_version auch Qwen-Image-Edit, Edit-2509 und Edit-2511 und dokumentiert den Speicherbedarf jeder Sparoption. Es erwartet die BF16-Modelldateien; die Dokumentation sagt: „fp8_scaled and fp8_e4m3fn versions cannot be used“. Die letzte Version erschien im September 2026. Der größte Teil des Codes steht unter Apache 2.0, doch laut README ist der Code im Ordner hunyuan_model „modified from HunyuanVideo and follows their license“, und dasselbe gilt für den Ordner zu HunyuanVideo 1.5. Die Lizenz von Tencent für HunyuanVideo sagt: „THIS LICENSE AGREEMENT DOES NOT APPLY IN THE EUROPEAN UNION“. Deshalb installieren wir Musubi Tuner nicht auf den Systemen, die wir liefern; ai-toolkit trainiert dieselben Qwen-Image-Modelle.

SimpleTuner deckt viele Modellfamilien ab, seine letzte Version erschien am 1. Oktober 2026. Sein Qwen-Image-Leitfaden vermerkt „the current default is 2.1“, also das nicht kommerzielle Modell; setzen Sie für Kundenarbeit die Modellvariante ausdrücklich. Die ältere Oberfläche kohya_ss für kohyas sd-scripts trainiert Stable-Diffusion- und FLUX.1-Modelle; FLUX.2 und Qwen-Image führt sie nicht.

Sie können die Workstation allein bestellen, die Einrichtung von ai-toolkit und ComfyUI allein oder beides zusammen: die Workstation mit allem fertig installiert und eingerichtet; schreiben Sie uns, wir schlagen Ihnen die beste Lösung für Ihre Aufgaben und Ihr Budget vor.

GPU-Speicher und Trainingszeit pro Lauf

Musubi Tuner veröffentlicht die genaueste Speichertabelle, die wir gefunden haben, für eine Qwen-Image-LoRA bei 1024 × 1024, Batchgröße 1, mit BF16-Mixed-Precision und Gradient Checkpointing: 42 GB ohne weitere Optionen, 30 GB mit --fp8_base --fp8_scaled, 24 GB, wenn 16 Blöcke des Modells in den Arbeitsspeicher ausgelagert werden, und 12 GB bei 45 Blöcken. Mit Block-Swapping empfiehlt es 64 GB Arbeitsspeicher und vermerkt: „Qwen-Image-Edit training requires additional memory for the control images“. Block-Swapping verschiebt Teile des Modells während des Trainings zwischen Karte und Arbeitsspeicher; das spart Speicher und kostet Zeit.

Der Qwen-Leitfaden von SimpleTuner nennt 24 GB „the absolute minimum“ und ergänzt: „40GB+ is strongly recommended for a smoother experience“. Für FLUX.2 [klein] nennt sein Quickstart in BF16 etwa 12 GB für das 4B-Modell mit 32 GB Arbeitsspeicher oder mehr. BFL schreibt: „A LoRA run on the 4B model fits in 24 GB of VRAM“.

Die Zeit hängt von der Zahl der Schritte, der Auflösung und der Karte ab. Laut BFL-Leitfaden dauert ein Lauf mit 1.800 Schritten auf einer Consumer-Grafikkarte mit 24 GB aus der Generation vor Blackwell weniger als eine Stunde, und bei den meisten Stil-LoRAs liegt „the visual peak is around step 750–1500“, bei Bearbeitungs-LoRAs „between 1000 and 1750 steps“. Der Rat lautet „Watch the samples, not the loss“, denn der Loss sinkt weiter, wenn die Bilder schon überangepasst sind. Für RTX-PRO-Karten und für Qwen-Image-LoRAs ist keine Trainingszeit veröffentlicht; planen Sie einen ersten Testlauf auf dem gelieferten System.

Workstations und Server für das LoRA-Training

Den nutzbaren Speicher rechnen wir nach der Regel aus unserem Leitfaden, wie viele Nutzer eine RTX PRO 6000 bedient: 90 Prozent dessen, was der Treiber meldet, abzüglich 3 GiB pro Karte. Die Werkzeuge geben GB an; als 10^9 Byte gelesen sind 42 GB nach unserer Rechnung 39,1 GiB.

Trainingsspeicher laut Musubi Tuner, SimpleTuner und BFL (siehe oben); Kartenspeicher laut NVIDIA-Datenblättern; nutzbarer Speicher nach unserer Regel.

Einstieg. Die RTX PRO 4500 Blackwell mit 32 GB (200 W) lässt nach unserer Regel 25,7 GiB, mehr als die 24 GB, die BFL für eine LoRA auf dem 4B-Modell von klein nennt. Eine Qwen-Image-LoRA passt nur mit FP8 und Block-Swapping, der 24-GB-Zeile in der Tabelle von Musubi Tuner, was jeden Schritt verlangsamt. Die RTX PRO 4000 Blackwell mit 24 GB hat die Kartengröße, die BFL nennt, lässt nach unserer Regel aber nur 18,5 GiB; deshalb beginnt unsere Staffel bei der 32-GB-Karte.

Einstieg, RTX PRO 5000. Die RTX PRO 5000 Blackwell mit 48 GB lässt 40,0 GiB und hält die FP8-Einstellung von Musubi Tuner für Qwen-Image mit 30 GB ohne Block-Swapping. Die Version mit 72 GB lässt 61,5 GiB, genug für den vollen Lauf mit 42 GB und etwa 22 GiB darüber.

Mitte. Die RTX PRO 6000 Blackwell mit 96 GB lässt 83,0 GiB, etwa 44 GiB über dem vollen Qwen-Image-Lauf, für die Kontrollbilder einer Edit-2511-LoRA, deren Mehrbedarf Musubi Tuner nicht beziffert. Eine zweite Karte lässt das Team mit der LoRA von gestern Bilder erzeugen, während die von heute trainiert. Zwei Karten der Workstation Edition mit je 600 W sind für diese Edition das realistische Maximum; drei oder vier Max-Q gehören nur in ein Gehäuse, das dafür gebaut ist, mit starkem, gerichtetem Luftstrom. Für den Arbeitsspeicher empfehlen Musubi Tuner und SimpleTuner bei Qwen-Image mindestens 64 GB; unsere Workstation-Konfigurationen folgen NVIDIAs Regel von mindestens doppeltem GPU-Speicher, also 192 GB neben einer 96-GB-Karte und 384 GB neben zwei, wie unser Leitfaden Wie viel RAM ein GPU-Server braucht erklärt.

Groß. Eine Agentur, die für jeden neuen Kunden oder jede Kampagne eine LoRA trainiert, lässt die Läufe als Warteschlange auf einem Server mit RTX PRO 6000 Server Edition laufen, einen Auftrag pro Karte. Vier Karten mit je 600 W und zwei AMD-EPYC-Prozessoren ziehen nach unserer Schätzung etwa 3,4 kW und brauchen einen Serverraum mit 32-A- oder Drehstromzuleitung.

Nennen Sie uns das Basismodell, wie viele LoRAs im Monat entstehen und wie viele Personen damit Bilder erzeugen; wir schlagen Workstation oder Server vor und das passende Trainings-Setup.

Von der LoRA-Datei zum Bild-Workflow

ComfyUI lädt LoRAs neben dem Basismodell, und dieselbe Workstation, die sie trainiert, erzeugt damit auch Bilder. BFL empfiehlt, auf dem Base-Checkpoint zu trainieren und mit dem destillierten FLUX.2 [klein] 4B in 4 Schritten zu erzeugen: „Applying the LoRA on the distilled model typically gives better results than the base model, and it's faster.“ Qwen-Image-Edit-2511 nimmt LoRAs laut Karte direkt an. Die Karte des 4B-Modells von BFL empfiehlt Betreibern die NSFW-Filter und die Filter für geschützte Inhalte aus dem Repository, und der Inferenzcode enthält ein Beispiel für ein Wasserzeichen in den Pixeln und verweist auf den Metadatenstandard C2PA, was bei der maschinenlesbaren Kennzeichnung nach Artikel 50 Absatz 2 hilft.

Behandeln Sie jede LoRA als Produktionsmittel. Speichern Sie Datensatz, Bildunterschriften, Konfiguration, Version des Basismodells und den gewählten Checkpoint zusammen; die Konfiguration im BFL-Leitfaden speichert alle 250 Schritte einen Checkpoint mit Beispielbildern, und der beste ist „not necessarily the last one“. Eine neue Version des Basismodells bedeutet einen neuen Trainingslauf, also behalten Sie den Datensatz. Unser Artikel zum Backup eines KI-Servers behandelt Gewichte und Adapter.

Erzeugte Produktbilder werden vor der Veröffentlichung mit dem echten Produkt verglichen, wie jedes erzeugte Bild; unser Leitfaden zu Produktfotos beschreibt eine Montage, die die Originalpixel des Produkts behält. Ein realistisches Bild eines echten Produkts kann auch unter die Deepfake-Definition der KI-Verordnung fallen, also Inhalte, die „resembles existing persons, objects, places, entities or events“ und fälschlich als echt erscheinen würden; Betreiber legen sie nach Artikel 50 Absatz 4 ab dem 2. August 2026 offen. Was jede Kampagne braucht, bestätigt Ihre Rechtsberatung.

FAQ