Wie Indie-Spieleentwickler in Leonardo.Ai eigene Modelle trainieren, um konsistente Art-Styles für Asset-Packs zu sichern

In der Entwicklung von Indie-Games ist die Etablierung und Aufrechterhaltung einer einheitlichen visuellen Identität über hunderte verschiedener Grafiken hinweg einer der zeitintensivsten Engpässe. Ob isometrisches Rollenspiel, kartenbasierter Roguelike-Deckbuilder oder 2D-Action-Plattformer: Die Grafik-Pipeline erfordert visuelle Kohärenz über völlig unterschiedliche Asset-Kategorien hinweg – von Charakterporträts und Inventar-Icons über Umgebungsobjekte bis hin zu UI-Texturen und Sprite-Sheets.

Herkömmliche Text-to-Image-Prompts stoßen hierbei schnell an ihre Grenzen. Durch sogenannten «Style Drift» weichen Strichstärken, Schattierungslogiken, Farbsättigungen und Detailgrade zwischen verschiedenen Generierungsläufen unkontrolliert voneinander ab. Bildreferenzen (Image Guidance) bieten zwar eine gewisse Hilfestellung, müssen jedoch für jedes Asset manuell konfiguriert werden und verwässern oft die gewünschte Grundgeometrie.

Leonardo.Ai löst dieses architektonische Kernproblem durch das Training benutzerdefinierter Modelle – konkret über seine für Kreative optimierte Implementierung von Low-Rank Adaptation (LoRA), genannt Elements. Durch das Trainieren eines eigenen Elements auf Basis eines fokussierten Datasets brennen Entwickler die stilistischen Regeln ihres Spiels dauerhaft in die generative Plattform ein. Der folgende Leitfaden führt Schritt für Schritt durch Datensatzerstellung, Modelltraining, Prompt-Strukturierung und die Automatisierung via REST-API.

1. Leonardo.Ai-Architektur: Basismodelle vs. Elements

Vor dem Hochladen von Referenzgrafiken müssen Entwickler die funktionale Trennung zwischen Fundamentmodellen und LoRA-Elements verstehen:

• Fundamentale Basismodelle (Flux Dev und SDXL): Große neuronale Netze, die für das semantische Sprachverständnis, physikalische Lichtberechnungen, räumliche Geometrie und komplexe Anatomie zuständig sind.
• Elements (LoRA-Anpassungsschichten): Anstatt Milliarden von Parametern eines Gesamtmodells neu zu berechnen, trainiert ein Element eine kompakte mathematische Zwischenschicht über dem Basismodell. Dadurch lassen sich spezifische Erkennungsmerkmale – wie handgemalte Pinselstriche, Tuschekonturen, düstere Farbpaletten oder markante Kostüme – dauerhaft festschreiben, ohne die Vielseitigkeit des Basismodells zu beeinträchtigen.
• Modularität und Stapelbarkeit (Stacking): Mehrere Elements können während der Generierung kombiniert werden. So kann ein Studio beispielsweise ein eigenes «Dark-Fantasy-Stil-Element» (Gewichtung 0.85) mit einem «Isometrie-Perspektiven-Element» stapeln, um auf Knopfdruck stilistisch und perspektivisch exakt abgestimmte Spielobjekte zu erhalten.

Die Wahl des passenden Basismodells

In den Advanced Settings (Erweiterte Einstellungen) des Trainingsmenüs bestimmt das gewählte Basismodell die Leistungsfähigkeit des späteren Elements:

• Flux Dev (Standardempfehlung): Bietet herausragende Prompt-Treue und messerscharfe geometrische Konturen. Die beste Wahl für detailreiche 2.5D-Props, UI-Elemente und anspruchsvolle Charakterporträts mit komplexer Texturierung.
• SDXL (Stable Diffusion XL 1.0): Äußerst flexibel für stilisierte 2D-Grafik, Comic- und Anime-Stile sowie malerische digitale Illustrationen. Besonders stark bei der Generierung stilisierter Rüstungssets, Fantasiewesen und bunter Spielwelten.
• Lightning XL nicht für das Training nutzen: Obwohl Lightning-Modelle in der Bildgenerierung sehr schnell sind, fehlt ihrer destillierten Architektur die Parameterkapazität, um komplexe Stilmerkmale im LoRA-Training dauerhaft zu verankern. Trainieren Sie auf Flux Dev oder SDXL und nutzen Sie kompatible Generierungsumgebungen.

2. Dataset-Kuration: Das Fundament visueller Konsistenz

Das Verhalten eines benutzerdefinierten Modells hängt zu über 80 % von der Qualität und Zusammenstellung des Trainings-Datasets ab. Ein typischer Anfängerfehler besteht darin, dutzende Bilder desselben Objekts einzuspeisen (z. B. 20 Ansichten ein und desselben Schwertes). Dies führt zu schwerem Overfitting (Überanpassung): Die KI merkt sich lediglich die Form dieses konkreten Schwertes, anstatt den übergeordneten «Malstil» zu verinnerlichen.

Die goldene Regel des Stil-Trainings

Strikte Einheitlichkeit im Zeichenstil, maximale Vielfalt bei den abgebildeten Motiven.

Damit das Modell einen universellen Grafikstil erlernt, der gleichermaßen auf Waffen, Tränke, Bäume und Rüstungen anwendbar ist, muss das Dataset diesen Stil anhand verschiedenster Objekte, Materialien und Beleuchtungssituationen demonstrieren.

Empfohlene Dataset-Spezifikationen

Zu vermeidende Fehlerquellen

1. Unruhige Hintergründe: Wenn Sie Items oder UI-Icons trainieren, nutzen Sie Referenzen vor neutralen, einfarbigen oder transparenten Hintergründen, um visuelles Rauschen zu vermeiden.
2. Thematische Einseitigkeit: Trainieren Sie einen «Fantasy-Item-Stil» niemals nur mit Schilden. Nehmen Sie Zauberstäbe, Phiolen, Schriftrollen, Helme, Stiefel und Kisten auf, damit das Modell den Malstil von der Objektgeometrie entkoppelt.
3. Mischung gegensätzlicher Stile: Mischen Sie niemals 3D-Clay-Renders mit 2D-Flachvektoren im selben Stil-Dataset. Gegensätzliche Bildsprachen führen zu matschigen, unbrauchbaren Ergebnissen.

3. Schritt-für-Schritt-Workflow zum Trainieren in Leonardo.Ai

Liegt Ihr Ordner mit 1024×1024-Grafiken bereit, führen Sie die folgenden Schritte in der Konsole aus:

Schritt 1: Trainingskonsole aufrufen

1. Melden Sie sich bei Leonardo.Ai an.
2. Klicken Sie in der linken Navigationsleiste auf More und wählen Sie Models & Training.
3. Klicken Sie oben links auf die Schaltfläche Train New Model.

Schritt 2: Dataset anlegen und Assets hochladen

1. Wählen Sie den Modell-Archetyp:
   • Style (Stil): Die wichtigste Option für Asset-Packs. Definiert die übergreifende Bildsprache.
   • Object (Objekt): Für spezifische Fahrzeugtypen, feste Maschinenteile oder modulare Waffenserien.
   • Character (Charakter): Zur Fixierung von Gesichts- und Kostümmerkmalen von Hauptfiguren oder NPCs.
2. Klicken Sie auf Create New (Neues Dataset anlegen).
3. Vergeben Sie einen strukturierten Projektnamen (z. B. DS_Grimdark_Items_v1).
4. Ziehen Sie die 15–25 vorbereiteten Bilder per Drag-and-Drop hinein. Klicken Sie nach dem Upload auf Next.

Schritt 3: Metadaten und erweiterte Einstellungen festlegen

1. Model Name & Description: Vergeben Sie einen eindeutigen Modellnamen (z. B. Style_Grimdark_Props_Flux) und notieren Sie empfohlene Trigger-Begriffe in der Beschreibung.
2. Advanced Settings (Kritischer Schritt): Öffnen Sie das Menü Advanced Settings.
   • Base Model: Bestätigen Sie das Basismodell (Flux Dev für hohe Detailtreue und präzise Geometrie oder SDXL für stilisierte Comic- und Fantasy-Grafik).
   • Train Text Encoder: Stellen Sie sicher, dass diese Option Aktiviert (Enabled) bleibt. Dadurch lernt der Text-Encoder, Prompt-Begriffe direkt mit den neuen visuellen Stilgewichten zu verknüpfen.
3. Training starten: Klicken Sie auf Start Training.
   • Der Vorgang läuft auf den Cloud-GPU-Clustern von Leonardo und dauert in der Regel zwischen 30 Minuten und 2 Stunden.
   • Das Browserfenster muss nicht geöffnet bleiben; der Status kann im Tab Job Status eingesehen werden, und Sie erhalten eine E-Mail-Benachrichtigung nach Abschluss.

4. Produktion: Asset-Packs mit hoher Konsistenz generieren

Nach Abschluss des Trainings steht das Element in Ihrer Bibliothek bereit. Für produktionsreife Grafiken sind eine präzise Gewichtskalibrierung und strukturierte Prompts entscheidend.

Element-Gewichtung (Weight) kalibrieren

1. Wechseln Sie in den Bereich AI Image Creation.
2. Wählen Sie im Modellmenü das zum Training passende Basismodell (z. B. Flux Dev).
3. Klicken Sie links neben der Prompt-Leiste auf das Image Guidance-Symbol, öffnen Sie den Reiter Elements und wählen Sie Your Elements.
4. Aktivieren Sie Ihr neues Element und stellen Sie die Stärke (Weight) ein:
   • 0.60 – 0.80 (Hohe kreative Flexibilität): Das Basismodell folgt dem Prompt sehr frei; ideal für ungewöhnliche Objekte, die nicht im Dataset vorkamen.
   • 0.85 – 1.00 (Ausgewogener Produktionsstandard): Der optimale Bereich für Asset-Packs. Hält Strichführung und Schattierung exakt ein und folgt dennoch präzise den Vorgaben des Prompts.
   • 1.05 – 1.30 (Strikte Stilbindung): Maximale Stilprägung. Vorsicht: Werte über 1.2 können zu Farbausbrennungen, verwaschenen Rändern und Ignorieren des Prompts führen.

Standardisierte Prompt-Matrix

Um stilistische Ausreißer im Team zu vermeiden, empfiehlt sich ein standardisiertes Prompt-Muster:

[Perspektive / Projektionsart], [Hauptmotiv & Materialdetails], [Stil-Trigger-Begriffe], game asset style, clean edges, [Beleuchtungsart], [Hintergrundvorgabe]

Praxisbeispiele:

• Waffen-Icon:
  isometric game icon, ancient runic greatsword, glowing azure crystal blade, leather wrapped crossguard, hand-painted dark fantasy style, clean isolated vector silhouette, studio game asset lighting, pure white background
• Trankflasche:
  isometric game icon, ornate glass vial with bubbling emerald poison, engraved brass stopper, hand-painted dark fantasy style, sharp edges, rim light, solid neutral background
• Dungeon-Bodenkachel:
  top-down 3/4 view, modular dungeon stone floor tile with cracked cobbles and dry moss, hand-painted dark fantasy style, tileable texture asset, diffuse ambient game lighting

Wichtige Leonardo-Funktionen für die Spielentwicklung

• Native Transparency (Transparenter PNG-Export): Aktivieren Sie in den Generierungseinstellungen den Schalter Transparency. Leonardo gibt die Grafik direkt mit transparentem Alphakanal aus, wodurch stundenlange manuelle Freistellarbeit entfällt.
• Feste Seed für Upgrade-Stufen: Wenn Sie Ausrüstungsstufen erstellen (z. B. Eisenschwert -> Silberschwert -> Goldschwert), halten Sie den Seed-Wert konstant und verändern Sie im Prompt nur die Materialbezeichnung. Grundform und Silhouette bleiben identisch, während sich die Materialstufe ändert.
• ControlNet / Image Guidance für exakte Perspektiven: Importieren Sie einfache 3D-Blockouts (z. B. aus Blender) als Depth- oder Edge-Führung. Das eigene Element rendert den Art-Style direkt über die 3D-Geometrie und garantiert perfekte Isometriewinkel.
• Pro Upscaler: Nutzen Sie für finale Assets den Pro Upscaler (Precise-Modus). Er skaliert auf 2K oder 4K hoch, ohne handgemalte Pinselstriche oder Kanten weichzuspülen – ideal für Texture-Atlanten in Unity, Unreal oder Godot.

5. Pipeline-Automatisierung über die REST-API

Müssen hunderte von Gegenständen für ein Inventarsystem generiert werden, ist die Weboberfläche zu langsam. Über die REST-API von Leonardo.Ai lässt sich das eigene Element direkt per Skript ansteuern:

1. akUUID des Elements ermitteln: Unter Models & Training -> Your Models auf das Element klicken und die eindeutige ID (akUUID) kopieren.
2. Generierungs-Request senden: Senden Sie einen POST-Befehl an https://cloud.leonardo.ai/api/rest/v1/generations mit der akUUID und dem gewünschten Gewicht im elements-Array:

{
  "prompt": "isometric health potion, glowing crimson fluid, ornate glass bottle, dark fantasy game icon",
  "modelId": "flux-dev-model-id",
  "width": 1024,
  "height": 1024,
  "elements": [
    {
      "akUUID": "YOUR-CUSTOM-ELEMENT-UUID",
      "weight": 0.85
    }
  ],
  "transparency": "foreground_only"
}

Mit einem Python- oder Node.js-Skript, das eine Game-Design-Tabelle (CSV oder JSON) durchläuft, lassen sich komplette Item-Kataloge vollautomatisch generieren und direkt in den Projektordner der Engine ablegen.

6. Fehlerbehebung bei typischen Stilproblemen

Fazit

Das Training benutzerdefinierter Elements in Leonardo.Ai macht generative KI von einem unberechenbaren Entwurfswerkzeug zu einer verlässlichen Grafik-Produktionsstraße. Wer die Grundregel «einheitlicher Zeichenstil bei vielfältigen Motiven» beachtet, transparente PNGs nutzt und Prompts strukturiert, kann selbst als kleines Indie-Team umfangreiche, visuell konsistente Asset-Packs innerhalb weniger Tage zur Marktreife führen.

Referenzen

• How to train and use Elements (LoRAs) and Datasets on Leonardo.Ai
• Image Guidance
• Transparency
• How to Write Great Text-to-Image Prompts
• Generate Images with Elements