Künstliche Intelligenz mit eigenen Fotos trainieren – diese Tools können es

Zum Trainieren von KI-Generatoren mit eigenen Fotos gibt es unterschiedliche Ansätze und Anbieter. Wir stellen die wichtigsten vor.

Eigene KI-Bilder mit NightCafé erstellen

NightCafé ist eine Web-App, mit der man verschiedene KI-Algorithmen online nutzen kann. Seit kurzem bietet NightCafé auch die Möglichkeit, die KI von Stable Diffusion mit eigenen Fotos zu trainieren.

Das Training selbst ist kostenlos, danach kann man das trainierte Model zum Testen für 10 Fotos kostenlos nutzen. Anschließend muss man ein Pro-Abo abschließen, das aktuell ab 6 Dollar pro Monat erhältlich ist. Neben Gesichtern kann man die Künstliche Intelligenz bei NightCafé auch auf Haustiere trainieren.

Mein Fazit im Test: Auf den Ergebnissen war ich zwar zu erkennen, ich würde es allerdings als „sehr große Ähnlichkeit“ beschreiben. Auch Foto-Prompts sehen mehr nach digitaler Kunst aus, zudem hat das Model eine seltsame Vorliebe für etwas extravagantere Mode.

Nur ein Foto notwendig: KI-Bilder mit Musavir.AI generieren

Die Website Musavir.AI macht es einem besonders einfach, eigene Fotos mit einer KI zu generieren: Musavir benötigt dafür als einzige App im Test nicht mehrere Fotos, sondern fängt schon mit einem einzigen Foto an zu arbeiten.

Das Ergebnis liegt dementsprechend schnell vor, allerdings sind die Fotos dementsprechend weniger realistisch. Alles, was außerhalb des Original-Fotos liegt, „errät“ Musavir einfach, sodass die eigene Statur und Details wie die Frisur erkennbar nicht passen. Der Ansatz von Musavir lässt sich mit alten Face-Swap-Apps vergleichen: Das Foto sieht so aus, als wäre mein Gesicht in das Foto einer anderen Person eingefügt worden.

Leonardo.AI für eigene Fotos nutzen

Die Leonardo-KI kann man ebenfalls mit eigenen Fotos trainieren – und sowohl das Training als auch das Erstellen von KI-Bildern ist kostenlos möglich. Leider ist der Prozess nicht sehr detailliert beschrieben, sodass man sehr viel nur durch Testen und Ausprobieren herausfindet. Einer der ersten Tests lief daher schlecht ab:

In meinen Tests waren die KI-Fotos zunächst sehr häufig mit Artefakten übersät und zerstört, auch negative Prompts halfen dagegen nicht. Anscheinend lagen die Artefakte an den Optionen „PhotoReal“, „Alchemy“ und „Prompt Magic 2“, die voreingestellt waren. Nachdem diese deaktiviert waren, sahen die Fotos deutlich besser aus. Realistischer wurden die generierten Bilder auch, nachdem sie mit einheitlich zugeschnittenen Fotos trainiert wurden – das kann man beispielsweise mit Birme im Browser machen.

Während die Bilder damit besser aussehen, gab es damit nun ein anderes Problem: Die KI hielt sich nicht wirklich an die Prompts. Die Fotos ähnelten bei allen Eingaben vor allem den Originalbildern, die zum Trainieren genutzt wurden. Sehr kreative Fotos und Bilder konnte man auf diese Art und Weise also nicht erzielen.

Firefly: Adobes Generative-AI-Modell kann auch trainiert werden

Adobes Firefly-AI erscheint mir als eines der vielversprechendsten Generative-AI-Modelle. Klar: Mit Adobe im Rücken ist genug Power vorhanden, um sauber arbeitende Modelle zu erstellen. Gleichzeitig ist der durchschnittliche Adobe-Kunde im grafischen Bereich sehr anspruchsvoll und hat damit an Adobe-Tools eine größere Erwartung als an die „spielerischen“ KIs, die bereits auf dem Markt sind.

Insbesondere mit Fotos und grafischen Elementen funktioniert Adobe Firefly bereits sehr gut. Besonderheit von Firefly ist, dass das Modell mit Zustimmung der Originalkünstler trainiert wurde – das bietet Vorteile in Sachen Rechtssicherheit, beschränkt aber die Kreativität der KI etwas.

Demnächst sollen mit Firefly auch eigene Modelle möglich sein, Adobe wirbt bereits mit dem Support von Gesichtern und Haustieren. Klar ist aber auch: Das lässt sich Adobe bezahlen. Ab dem 1. November kostet das Generieren von Bildern bei Adobe einen Credit, die Credits lassen sich im Abo erwerben.

Stable Diffusion selbst trainieren

Wer technisch etwas versierter ist, kann zudem die KI von Stable Diffusion selbst trainieren. Erfreulicherweise muss man dafür nicht bei Null starten, sondern kann sich an bestehenden Tutorials orientieren.

Im Anschluss erhält man ein eigenes Modell, das man prinzipiell unbegrenzt oft und kostenlos verwenden kann (wenn man einmal von den Kosten für Strom und Hardware absieht). Zudem gibt es keine Restriktionen durch den Anbieter und die Daten müssen nicht an Anbieter gesendet werden.

Ich verwende mein Stable-Diffusion-Model zusammen mit der DiffusionBee-App auf dem MacBook Air, was problemlos funktioniert. Zum Trainieren war allerdings stärkere Hardware notwendig: Dafür habe ich bei Google Colab rund 10 Euro bezahlt und konnte damit mehrere Modelle trainieren.