KI-Bildgenerierung ohne Datenschutz-Risiko: Warum sich eine eigene Bildpipeline lohnt

Wenn der SaaS-Bildgenerator nicht mehr reicht

Fotorealistische KI-Bilder sind heute nur ein paar Klicks entfernt. Für einen schnellen Entwurf, ein Stimmungsbild oder einen Social-Post reicht ein SaaS-Dienst wie Midjourney oder ein API-Bildmodell vollkommen aus.

Doch sobald die Anforderungen ernster werden, kippt das Bild. In einem Kundenprojekt aus dem Umfeld persona-konsistenter Personenfotografie trafen drei Anforderungen aufeinander, an denen typische SaaS-Angebote reihenweise scheitern:

• Identitätstreue: Immer wieder dieselbe Person – über hunderte Bilder hinweg, in unterschiedlichen Szenen, Posen und Outfits.
• Kommerzielle Nutzbarkeit: Rechtssicher verwendbare Ergebnisse, ohne Lizenz-Grauzone.
• Reproduzierbarkeit: Ein Ergebnis, das sich morgen und in sechs Monaten identisch wieder erzeugen lässt.

Hinzu kommt der heikelste Punkt: Es geht um Personenbilder. Und die durch die Cloud eines fremden Anbieters zu schicken, ist datenschutzrechtlich alles andere als trivial.
 

Der Weg: von der Cloud zur eigenen Pipeline

Der Einstieg war klassisch: erste Versuche mit Pony Diffusion XL auf einer AMD RX 6600 XT (8 GB VRAM, ROCm). Für stilisierte Bilder brauchbar – beim echten Fotorealismus aber schnell am Limit.

Der Zwischenschritt führte über Cloud-GPUs: mehr Rechenleistung, aber auch laufende Kosten, Upload/Download-Wege und weiterhin fremde Infrastruktur für sensible Daten. Erst der dritte Schritt brachte die Lösung, die alle drei Anforderungen erfüllt: eine eigene Bildpipeline auf kontrollierter Hardware – mit modernen Modellen, eigenem Training und produktionsreifen Workflows.

Genau diesen Weg – und warum er sich lohnt – beschreiben wir im Folgenden.

Die richtige Modell- und Lizenzwahl

Vom stilisierten Pony Diffusion XL ging es weiter zu FLUX.1 dev und schließlich zu FLUX.2 Klein 4B. Der Sprung in der fotorealistischen Qualität war deutlich – aber die eigentlich entscheidende Frage war eine andere: die Lizenz.

FLUX.2 Klein 4B steht unter Apache 2.0 und ist damit kommerziell nutzbar – im Gegensatz zur größeren 9B-Variante mit ihrer Non-Commercial-Lizenz. Für ein Projekt, das Bilder kommerziell verwendet, ist das kein Detail, sondern das K.-o.-Kriterium. Wer hier falsch wählt, baut eine technisch perfekte Pipeline auf rechtlich unsicherem Fundament.

Die zweite zentrale Erkenntnis war strategischer Natur: LoRA-Anpassungen auf dem Base-Modell trainieren, die Bilderzeugung dann auf dem Distilled-Modell laufen lassen. Das Distilled-Modell verzeiht kürzere Prompts und liefert eine spürbar bessere Identitätstreue – ein Praxis-Kniff, der in keiner Kurzanleitung steht.
 

LoRA-Training: Persona-Treue mit ai-toolkit

Damit die KI immer dieselbe Person zeichnet, wird ein LoRA trainiert – eine kleine, spezialisierte Erweiterung des Basismodells, die eine bestimmte Identität lernt. Für das Training haben wir von kohya_ss auf das ai-toolkit von Ostris gewechselt, das FLUX.2 deutlich besser unterstützt.

Der Trainings-Setup im Überblick:

• Datensatz: rund 50 - 60 Bilder pro Persona, jeweils mit eigenem Trigger-Wort
• Konfiguration: Rank 32, 3.000–5.300 Steps
• Infrastruktur: Training auf Cloud-GPUs (RunPod / Vast.ai) oder lokal

Und weil ein ehrlicher Werkstattbericht auch die Sackgassen zeigt – hier die Stolpersteine, die uns Zeit gekostet haben:

• Ein fehlender `arch:`-Parameter ließ das Toolkit den falschen Pipeline-Loader ziehen.
• fp8-Quantisierung ist mit dem LoRA-Patching inkompatibel.
   

Solche Fallen kosten unbegleitet schnell Tage. Genau hier zahlt sich Erfahrung aus.

Drei Workflows für den Produktivbetrieb

Ein trainiertes Modell allein macht noch keine Produktion. Den eigentlichen Alltag bilden wiederverwendbare ComfyUI-Workflows ab – modulare Node-Graphen, die reproduzierbar immer denselben Ablauf durchlaufen. Drei Kern-Workflows decken den Großteil der Anforderungen ab:

1. Neue Szenen generieren – txt2img in Kombination mit dem trainierten LoRA und ControlNet für die Bildkomposition.
2. Hintergrund oder Kleidung tauschen – Inpainting mit automatisch erzeugten SAM2-Masken.
3. Posen ändern – img2img mit ControlNet Pose, bei erhaltener Identität.

Weil sich das alles als Node-Graph speichern lässt, ist jeder Schritt wiederholbar und nachvollziehbar – kein „einmal geklickt, nie wieder reproduzierbar", wie es bei manueller SaaS-Nutzung schnell passiert.

Qualität, die man messen kann

Fotorealismus scheitert oft an Details – Händen, Gesichtszügen, kleinen Artefakten. Deshalb hängt an jedem Workflow eine Qualitätspipeline: FaceDetailer und Hand-Korrektur (Impact Pack) bügeln genau die Schwachstellen aus, an denen KI-Bilder üblicherweise auffliegen.

Der entscheidende Unterschied zu „sieht doch gut aus" ist aber die objektive Messung: Statt nach Bauchgefühl zu entscheiden, bewerten wir die Identitätstreue über Face-Similarity-Scoring mit InsightFace/ArcFace. Jedes Ergebnis bekommt einen Zahlenwert dafür, wie nah es an der Zielperson liegt – nachvollziehbar und vergleichbar.

Ergänzt wird das durch einen Prompt-Engineering-Node mit lokalem Ollama-LLM, der Bildbearbeitungs-Prompts direkt in der Pipeline formuliert – ohne dass ein einziges Datum die eigene Infrastruktur verlässt.

Warum sich der eigene Weg lohnt

Eine eigene Pipeline aufzubauen ist mehr Aufwand als ein SaaS-Abo. Für die richtigen Anwendungsfälle zahlt sich dieser Aufwand aber mehrfach aus:

• Datenschutz & DSGVO: Personenfotos verlassen die eigene Infrastruktur nicht. Kein Drittanbieter, kein Cloud-Transfer, keine Grauzone.
• Volle Kontrolle: Keine Content-Filter und keine sich ändernden Nutzungsbedingungen eines SaaS-Anbieters, die plötzlich den eigenen Anwendungsfall ausschließen.
• Kostenkontrolle: Cloud-GPU-Kosten skalieren mit der Nutzung. Eigene Hardware amortisiert sich im Dauerbetrieb.
• Reproduzierbarkeit: Volle Kontrolle über Modellversionen, Seeds und Node-Konfiguration – Ergebnisse bleiben nachvollziehbar wiederholbar.
• Unabhängigkeit: Keine überraschenden API-Änderungen, Preiserhöhungen oder abgekündigten Modelle.
• Iterationsgeschwindigkeit: Kein Upload, kein Download, keine Instanz-Startzeiten – nur direkte Iteration.

Für wen sich das rechnet

Nicht jedes Projekt braucht eine eigene Bildpipeline. Für einen gelegentlichen Entwurf bleibt der SaaS-Dienst die pragmatische Wahl.

Sobald aber einer dieser Punkte zutrifft, lohnt sich der eigene Weg:

- Es geht um sensible oder personenbezogene Bilder, bei denen Datenschutz nicht verhandelbar ist.
- Die Ergebnisse werden kommerziell genutzt und müssen rechtssicher sein.
- Sie brauchen konsistente, reproduzierbare Ergebnisse statt zufälliger Einzeltreffer.
- Das Bildvolumen ist hoch genug, dass laufende SaaS-Kosten spürbar werden.

Der Aufbau ist kein Hexenwerk – aber er steckt voller Detailfallen: Lizenzfragen, Base- vs. Distilled-Training, die fp8-Falle, Qualitätsmessung statt Bauchgefühl. Genau an diesen Stellen entscheidet sich, ob aus einem Experiment eine verlässliche Produktion wird.