batch size und Reproduzierbarkeit
Mehrere Bilder auf einmal – aber mit Überblickbatch_size & Reproduzierbarkeit – mehrere Bilder, aber nachvollziehbar
Was batch_size tut, wie es sich von batch_count unterscheidet – und warum du für nachvollziehbare Ergebnisse besser einzeln mit festem Seed arbeitest als mit großen Stapeln.
Es ist verlockend: ein Schieberegler, der statt einem Bild gleich acht auf einmal ausspuckt. Mehr Auswahl, weniger Warten – klingt nach reinem Gewinn. Und fürs schnelle Stöbern ist es das auch. Aber sobald du ein bestimmtes Ergebnis später wiederfinden oder gezielt weiterbearbeiten willst, kann dir das große Stapeln genau das kaputt machen, worauf es ankommt: die Nachvollziehbarkeit.
Dieser Spoke klärt, was hinter batch_size steckt, warum es nicht dasselbe ist wie batch_count, und warum erfahrene Leute beim ernsthaften Arbeiten oft bewusst auf Einzelbilder mit festem Seed setzen.
Was batch_size überhaupt ist
batch_size ist die Zahl der Bilder, die gleichzeitig – parallel – erzeugt werden. Setzt du sie auf 4, rechnet das Programm vier Bilder auf einen Schlag, statt eins nach dem anderen. Das geht schneller, kostet aber Speicher: Jedes gleichzeitig gerechnete Bild belegt Platz im Grafikspeicher (VRAM). Setzt du batch_size zu hoch, reicht der Speicher nicht, und die Generierung bricht mit einer Fehlermeldung ab – die berüchtigte „out of memory“-Meldung.
Daneben gibt es einen zweiten, leicht zu verwechselnden Regler: batch_count. Der bestimmt, wie viele Durchgänge nacheinander gerechnet werden. batch_count erzeugt die Bilder also seriell, eins nach dem anderen – das dauert länger, braucht aber nicht mehr Speicher als ein einzelnes Bild. Der Unterschied ist der springende Punkt.
Skizze 1: batch_size erzeugt mehrere Bilder gleichzeitig (schnell, mehr VRAM), batch_count nacheinander (langsamer, gleicher VRAM-Bedarf).
Beide kannst du kombinieren, und die Gesamtzahl ergibt sich simpel: batch_size mal batch_count. Eine batch_size von 2 mit einem batch_count von 4 liefert also acht Bilder – in vier Durchgängen zu je zwei parallel gerechneten. Die Faustregel der Profis: batch_size so hoch, wie dein Speicher es klaglos mitmacht, den Rest über batch_count.
Wichtig: batch_size ändert nichts an der Qualität
Ein verbreiteter Irrtum: dass mehr parallel gerechnete Bilder irgendwie „besser“ oder „schlechter“ wären. Das stimmt nicht. Ob ein Bild allein oder als Teil eines Stapels entsteht, ändert es nicht – bei gleichem Seed und gleichen Einstellungen kommt exakt dasselbe Bild heraus. batch_size und batch_count sind reine Mengen- und Tempo-Regler. Die Qualität hängt an Prompt, Modell, Sampler und den übrigen Einstellungen, nicht daran, wie viele Bilder du auf einmal rechnest ([→ Spoke: Sampler & Scheduler]).
Der Knackpunkt: jedes Bild hat seinen eigenen Seed
Jetzt zum eigentlichen Thema. Wenn du mehrere Bilder auf einmal erzeugst, bekommt nicht jedes Bild denselben Seed – sonst wären ja alle identisch. Stattdessen wird der Seed fortlaufend hochgezählt: Das erste Bild nutzt deinen Start-Seed, das zweite den nächsten, und so weiter. Jedes Bild im Stapel ist also ein eigenes Ergebnis mit einer eigenen Seed-Nummer ([→ Spoke: Seed]).
Skizze 2: Die Gesamtzahl ist size mal count. Jedes Bild bekommt einen eigenen, fortlaufend hochgezählten Seed.
Das ist erst mal praktisch: Du bekommst auf einen Schlag Variationen zu sehen. Das Problem entsteht erst, wenn dir eins davon gefällt und du es später wiederhaben willst – denn dann musst du genau wissen, welcher Seed zu welchem Bild gehörte. Und genau da wird es bei großen Stapeln schnell unübersichtlich.
Warum Einzel-Seeds für Nachvollziehbarkeit besser sind
Stell dir vor, du hast in einem Rutsch sechzehn Bilder erzeugt, und Nummer elf ist perfekt. Welcher Seed war das? In vielen Oberflächen lässt sich das im Nachhinein nur mühsam oder gar nicht mehr sauber rekonstruieren – besonders, wenn die Anzeige nur den Start-Seed des ganzen Stapels nennt. Das gute Bild ist da, aber du kannst es nicht zuverlässig zurückholen, um es weiterzubearbeiten.
Skizze 3: Im großen Stapel verliert man leicht den Überblick, welcher Seed welches Bild war. Einzeln mit notiertem Seed ist alles exakt reproduzierbar.
Deshalb der Rat fürs ernsthafte Arbeiten: Sobald du gezielt auf ein Ergebnis hinarbeitest – ein Bild verfeinern, eine Einstellung nach der anderen testen, etwas Bestimmtes reproduzieren –, ist der Einzelschuss mit festem, notiertem Seed der sauberere Weg. Ein Bild, ein bekannter Seed, jederzeit exakt wiederholbar. So weißt du immer genau, womit du es zu tun hast, und kannst gezielt eine Sache ändern, ohne dass dir der Zufall dazwischenfunkt ([→ Spoke: Seed]).
Die sinnvolle Arbeitsteilung sieht in der Praxis so aus: Große Stapel zum Stöbern und Ideenfinden, wenn dir die einzelnen Seeds egal sind. Sobald ein Kandidat überzeugt, wechselst du auf Einzelbild mit genau dessen Seed und arbeitest von dort kontrolliert weiter.
Faustregeln für die Praxis
Was batch_size nicht ist
batch_size ist kein Qualitätsregler und kein „Mehr ist besser“-Knopf. Ein größerer Stapel gibt dir mehr Bilder zur Auswahl, aber kein besseres einzelnes Bild – die Wahrscheinlichkeit für einen Treffer steigt nur, weil du mehr Würfe machst, nicht weil die Würfe besser würden ([→ Spoke: CFG]).
Und auch beim Tempo gibt es eine Grenze: Ab einer gewissen batch_size bringt jede weitere Erhöhung kaum noch Geschwindigkeit, frisst aber weiter Speicher. Sehr groß zu stapeln lohnt sich selten – ein mittlerer Wert ist meist der beste Kompromiss aus Tempo und Speicherbedarf. Der eigentliche Gewinn liegt ohnehin nicht in der Stapelgröße, sondern in einem guten Prompt und einem klaren, nachvollziehbaren Vorgehen ([→ Spoke: Prompt & Negativ-Prompt]).
Häufige Fragen
Was ist der Unterschied zwischen batch_size und batch_count?
batch_size erzeugt mehrere Bilder gleichzeitig (parallel) – schneller, aber mit höherem Speicherbedarf. batch_count erzeugt sie nacheinander (seriell) – langsamer, aber ohne zusätzlichen Speicher. Die Gesamtzahl ist batch_size mal batch_count.
Beeinflusst batch_size die Bildqualität?
Nein. Bei gleichem Seed und gleichen Einstellungen kommt dasselbe Bild heraus, egal ob einzeln oder im Stapel erzeugt. batch_size ist ein Mengen- und Tempo-Regler, kein Qualitätsregler.
Warum bekomme ich eine „out of memory“-Fehlermeldung?
Weil die batch_size zu hoch für deinen Grafikspeicher (VRAM) ist – jedes parallel gerechnete Bild belegt Speicher. Lösung: batch_size verringern und stattdessen batch_count erhöhen, das belastet den Speicher nicht zusätzlich.
Haben alle Bilder in einem Stapel denselben Seed?
Nein. Der Seed wird fortlaufend hochgezählt – jedes Bild im Stapel hat seinen eigenen. Deshalb sind sie verschieden, und deshalb musst du dir merken, welcher Seed zu welchem Bild gehört ([→ Spoke: Seed]).
Soll ich große Stapel oder Einzelbilder erzeugen?
Zum Stöbern und Ideenfinden große Stapel. Sobald du ein bestimmtes Ergebnis reproduzieren, verfeinern oder kontrolliert testen willst, einzeln mit festem, notiertem Seed – das ist nachvollziehbar und jederzeit wiederholbar.
Was tue ich, wenn mir ein Bild aus einem großen Stapel gefällt?
Sofort den zugehörigen Seed sichern, bevor du weitermachst. In vielen Oberflächen lässt sich die genaue Seed-Nummer eines einzelnen Bildes im Nachhinein nur schwer rekonstruieren.
Weiterlesen
Das ganze Thema hängt am Seed – was der ist und warum er über Reproduzierbarkeit entscheidet, erklärt [→ Spoke: Seed]; dass Qualität an Sampler und Steps hängt und nicht an der Stapelgröße, zeigen [→ Spoke: Sampler & Scheduler] und [→ Spoke: Steps]. Und worauf es bei einem guten Prompt wirklich ankommt, steht unter [→ Spoke: Prompt & Negativ-Prompt].
[→ zurück zum Hub: KI-Bildgenerierung verstehen]