LoRA training: zo maak je AI-beelden in jouw stijl

Standaard beeldgeneratie-AI (Flux, Stable Diffusion) genereert willekeurige foto's op basis van een prompt. Maar wat als je wilt dat de AI altijd jouw gezicht gebruikt? Of altijd in de stijl van jouw merk genereert?

Dat is precies wat LoRA doet.

Wat is LoRA?

LoRA staat voor Low-Rank Adaptation. Het is een methode om een bestaand AI-model aan te passen zonder het volledig opnieuw te trainen.

In de praktijk: je traint een klein model op jouw specifieke referentiemateriaal (foto's, artworks, producten). Daarna wordt dat kleine model gekoppeld aan een basismodel zoals Flux of SDXL. Het resultaat: een model dat jouw stijl of identiteit herkent en consistent reproduceert.

Waarvoor gebruik je het?

Consistente persona's Voor digitale artiesten, influencers of brand characters waarbij hetzelfde gezicht in elke afbeelding terug moet komen, ongeacht kleding, locatie of stijl.

Merkstijl vastleggen Een LoRA op jouw brand visuals zorgt ervoor dat gegenereerde beelden altijd in de herkenbare stijl van jouw merk zijn, kleur, compositie, sfeer.

Productvisualisaties Train een LoRA op jouw productlijn. Daarna kun je het product in elke omgeving, context of sfeer visualiseren zonder een fotostudio.

Kunstenaarsstijl Leer de AI een specifieke illustratiestijl of schilderkunstige aanpak. Ideaal voor gamestudio's, illustratoren of contentmakers.

Hoeveel training data heb je nodig?

Doel	Minimum	Ideaal
Gezicht / persona	15–20 foto's	30–50 foto's
Productstijl	20–30 afbeeldingen	50+ afbeeldingen
Kunststijl	30–50 voorbeelden	100+ voorbeelden
Merklook	20–30 brand assets	50+ assets

De kwaliteit van de trainingsdata bepaalt de kwaliteit van het resultaat. Diverse hoeken, belichting en contexten geven betere output.

Hoe werkt het technisch?

Dataset voorbereiding, Afbeeldingen selecteren, bijsnijden, caption schrijven per afbeelding
Training configuratie, Learningrate, stappen, LoRA rank instellen
Training draaien, Typisch 500–2000 stappen op een GPU (RunPod, Koyeb)
Model evalueren, Test-prompts genereren, output beoordelen
Itereren, Eventueel dataset aanvullen of parameters bijstellen

Trainingstijd: 15 minuten tot 2 uur afhankelijk van dataset en GPU.

Wat zijn de kosten?

Training zelf: GPU-kosten via RunPod of Koyeb zijn laag, €0,50 tot €3 per trainingsrun.

De echte investering zit in:

Dataset voorbereiding (tijd of uitbesteding)
Iteraties om het model goed te krijgen
Integratie in een geautomatiseerde pipeline

dGEN bouwt complete LoRA-pijplijnen waarin training, evaluatie en beeldgeneratie in eigen code geautomatiseerd zijn.

Wat zijn de beperkingen?

Een LoRA is geen magic button, slechte trainingsdata geeft slechte output
Bepaalde kenmerken (unieke gezichtskenmerken, complexe stijlen) zijn moeilijker te leren
Auteursrechtelijke overwegingen spelen mee bij het trainen op andermans stijl

Captions: wat je bij elk beeld schrijft

Bij elk trainingsbeeld hoort een korte beschrijving. Daarin beschrijf je alles wat het model niet als vast kenmerk moet leren: de achtergrond, de kleding, het licht, de houding. Wat je weglaat, leert het model als onderdeel van het onderwerp. Schrijf je bij een productfoto dus "op een houten tafel bij daglicht", dan leert het model dat de tafel er niet altijd bij hoort.

Gebruik daarnaast een vast triggerwoord voor het onderwerp zelf, zodat je het model later gericht kunt aanroepen.

Instellingen die het verschil maken

Aantal stappen. Te weinig en het model kent het onderwerp half; te veel en het wordt star en herhaalt de trainingsbeelden. Test tussentijdse versies in plaats van alleen de laatste.
Rank. Een hogere rank kan meer detail vastleggen, maar overfit ook sneller. Voor een product of gezicht volstaat meestal een lage tot middelhoge rank.
Resolutie. Train op de resolutie waarop je later wilt genereren, met bijgesneden beelden waar het onderwerp goed in beeld is.

Van model naar pijplijn

Een getraind model wordt pas echt bruikbaar als het in je werk zit. Denk aan een workflow die bij elk nieuw product automatisch een set sfeerbeelden maakt, of een webtool waarin je team met een paar klikken campagnebeeld genereert in de huisstijl. In dGEN Visual Studio gebruik je een eigen LoRA naast de andere modellen. De basis van LoRA staat in wat is LoRA-training.

Hoe beoordeel je het resultaat?

Maak na elke training dezelfde set testbeelden: het onderwerp van dichtbij en van ver, in een andere setting, met ander licht en naast andere voorwerpen. Kijk dan naar drie dingen. Blijft het onderwerp herkenbaar? Nemen achtergronden of kleding uit de trainingsbeelden het beeld over? En blijven details als een logo of de vorm van een product kloppen? Leg de beelden van verschillende versies naast elkaar; het verschil zie je sneller dan dat je het beschrijft.

Veelgestelde vragen

Waarom lijkt mijn LoRA alleen op de trainingsfoto's? Dan is het model te lang getraind of was de dataset te eenzijdig. Gebruik een eerdere versie van de training, of voeg beelden toe met meer variatie.

Kan ik meerdere LoRA's combineren? Ja, bijvoorbeeld een product en een merkstijl. Zet dan de sterkte van elk model lager, anders gaan ze met elkaar in gevecht.

Mag ik een LoRA trainen op de stijl van een kunstenaar? Technisch kan het, maar juridisch en ethisch is het riskant. Train op je eigen beeld of op materiaal waarvan je de rechten hebt.

Hoeveel kost een LoRA-traject? De training zelf kost weinig rekentijd. De meeste tijd en kosten zitten in het voorbereiden van de dataset, het testen en het inbouwen in je werk.

Conclusie

LoRA is de meest toegankelijke manier om beeldgeneratie-AI te specialiseren op jouw specifieke visuele identiteit. Met 15–50 referentieafbeeldingen en een paar uur trainingstijd heb je een model dat consistent jouw stijl reproduceert, op schaal, geautomatiseerd.

Meer over AI Automatisering

Uit de blog

dGEN Productions, AI-bureau in Veldhoven, regio Eindhoven (Brainport), onderdeel van dGEN Labs. De Run 1141 (1e verdieping, nr. 12), 5503 LB Veldhoven · info@dgenproductions.nl · 06-87413056 · KvK 97916137 (eenmanszaak) · btw NL005295840B15