🎢 Teil 2: Die Flitterwochen sind vorbei – FLUX.1-dev, Ollama und noch nicht ganz am Ziel

🌐 Auch auf: English · Français · Español

In meinem letzten Beitrag war ich, sagen wir mal, extrem gehypt. Mein alter Tower-PC erzeugte plötzlich Bilder aus deutschen Prompts, lief als ordentlicher systemd-Dienst und hatte sogar eine eigene kleine Web-Oberfläche im ChatGPT-Stil. Ich schwebte praktisch. Viele Prompts später: Die Euphorie hat sich etwas abgekühlt. Nicht verflogen – aber ich bin gegen eine Wand gelaufen, über die es sich zu schreiben lohnt, denn sie hat mir etwas Wichtiges darüber beigebracht, wie diese Bildmodelle unter der Haube eigentlich funktionieren.

Table of Contents

⚙️ Was sich seit dem letzten Mal geändert hat

Zwei Upgrades gab es:

FLUX.1-schnell → FLUX.1-dev. „Schnell“ ist die auf Tempo getrimmte, „destillierte“ 4-Schritt-Variante von FLUX – flott (~1 Min./Bild), aber spürbar ungenau bei Details und Prompt-Treue. FLUX.1-dev nutzt ~20 Schritte und einen zusätzlichen „Guidance“-Node und tauscht Geschwindigkeit (~2–3 Min./Bild) gegen schärfere, fotorealistischere Ergebnisse und bessere Befolgung der Anweisungen.
Ollama + qwen2.5 (7B) als Prompt-Vorverarbeitung dazu. Das ist ein separates, reines Text-LLM, das jetzt in der Pipeline vor FLUX sitzt. Meine kurzen deutschen Prompts werden automatisch übersetzt und zu ausführlichen englischen Beschreibungen erweitert (Kamerawinkel, Licht, Stil), bevor FLUX sie überhaupt zu sehen bekommt – denn FLUX’ Textverständnis wurde überwiegend auf langen, detaillierten englischen Bildbeschreibungen trainiert, nicht auf „Auto am Strand, Vorderansicht“.

Die Hoffnung: besseres Basismodell + bessere Prompts = spürbar bessere, besser steuerbare Ergebnisse auf ganzer Linie. 🤞

✅ Die gute Nachricht: Einfache Sachen sind jetzt richtig gut

Für simple „Mach mir ein Bild von X“-Anfragen ist diese Kombi wirklich gut. Mein Standardtest – „ein goldener Honda S2000 am Strand, Vorderansicht“ – kam als echte Frontansicht eines goldenen S2000 an einem Strand zurück, sauber ausgeleuchtet, wie aus einer Autowerbung. Sogar die Vorgabe zur Perspektive wurde beachtet, was frühere Versuche einfach … nicht taten. Also: Text-zu-Bild, auf Deutsch, für relativ einfache Szenen? 👍 Funktioniert gut.

❌ Die schlechte Nachricht: Gezielte Änderungen an einem Bild klappen nicht gut

Genau da liegt aber mein eigentlicher Anwendungsfall: Ich will nicht nur zufällige neue Bilder – ich will ein bestehendes Bild nehmen und konkrete, gezielte Änderungen vornehmen. „Lass den Drachen blaues Feuer speien.“ „Mach dieses Auto rot.“ „Setz dieser Person eine Sonnenbrille auf.“ So was in der Art. Und hier fliegen mir immer noch die Räder ab. Die img2img-Pipeline, die wir gebaut haben, arbeitet mit einem einzigen „Wie stark soll sich das ändern“-Regler (Denoise-Stärke), und der Kompromiss ist brutal:

Niedriges Denoise → die gewünschte Änderung ist kaum zu sehen
Hohes Denoise → ich bekomme ein komplett anderes Bild, das grob zum neuen Prompt passt, aber die ursprüngliche Komposition, Pose, Farben – im Grunde alles, was ich behalten wollte – sind weg

Es gibt keinen Mittelweg, auf dem „Bild behalten, nur diese eine Sache ändern“ tatsächlich passiert. Entweder „nichts hat sich geändert“ oder „neues Bild, RIP Original“. 😬 Das ist, ganz ehrlich, noch nicht vergleichbar mit dem, was ChatGPT oder Grok können, wenn man ein Bild hochlädt und um eine gezielte Bearbeitung bittet – das fühlt sich dort nach echter Bearbeitung an. Was ich gerade habe, fühlt sich eher an wie „Nochmal würfeln, aber mit leicht gezinkten Würfeln“.

🤔 Und wo steht die Anforderung jetzt?

Ehrlich gesagt: weiterhin offen. Das Upgrade auf FLUX.1-dev + Ollama war eine echte Verbesserung für die Generierung – besseres Prompt-Verständnis, mehr Details, deutsche Eingaben werden elegant verarbeitet. Aber mein ursprüngliches Ziel – „Bild hochladen, sagen, was geändert werden soll, dasselbe Bild mit genau dieser einen Änderung zurückbekommen“ – ist noch nicht gelöst. Soweit ich es verstehe, braucht es dafür wohl eine ganz andere Art von Werkzeug – etwas, das speziell für anweisungsbasiertes Bearbeiten gebaut ist (Masking/Inpainting oder dedizierte „Edit“-Modelle), statt des generischen, Denoise-basierten img2img, das wir jetzt nutzen. Das ist der nächste Kaninchenbau. 🐇 Mehr dazu, sobald ich (bzw. mein KI-Copilot) es herausgefunden habe.