← Zurück zur Blog-Übersicht · 2026.07.31
So ordnest du Tag-Captions für LoRA-Trainingsdatensätze
Beim Training eines LoRA entscheidet über die Qualität des Ergebnisses fast genauso sehr die Caption (Tag-Liste) wie das Bild selbst. Wie du die Tags ordnest, bestimmt, "was das Modell als zu lernendes Merkmal ansehen soll und was es als feste Konstante ignorieren soll". Im Folgenden findest du Kriterien, an denen du dich orientieren kannst, wenn du die vom Bild-Tagger-Modell extrahierten Roh-Tags zu echten Trainings-Captions verfeinerst.
1. Character-LoRA vs. Style-LoRA — unterschiedliche Caption-Strategien
Trainierst du ein Character-LoRA für einen bestimmten Charakter, ist es üblich, feste Merkmale, die dieser Charakter immer besitzt (Haarfarbe, Augenfarbe, bestimmte Frisur usw.), eher aus der Caption zu entfernen. Lässt du sie stehen, verknüpft das Modell den Charakter zu stark mit "nur mit dieser Frisur", was es später schwer macht, ihn mit einer anderen Frisur zu generieren. Tags, die sich von Bild zu Bild ändern — Pose, Outfit, Gesichtsausdruck — solltest du dagegen behalten, damit das Modell lernt, dass dies variable Elemente und nicht Teil der Charakter-Identität sind.
Bei einem Style-LoRA ist es fast umgekehrt: Charakter, Bildaufbau und Outfit werden detailliert in der Caption belassen, während Tags, die den Zeichenstil selbst beschreiben (z. B. Farbgebung, Linienstil), eher entfernt werden — so lernt das Modell umso stärker das Signal "dieser Stil wird immer so gezeichnet".
2. Nach Kategorien getrennt fällt die Entscheidung leichter
Die vom Bild-Tagger-Modell extrahierten Tags erscheinen alle in einer einzigen Zeile vermischt, was die Entscheidung, was bleibt und was gestrichen wird, unnötig mühsam macht. Mit der Ansicht "Nach Kategorie" von AnimeTag-AI wird dieselbe Tag-Liste automatisch in Basic, Aussehen, Outfit, Pose, Requisiten, Hintergrund und Sonstiges unterteilt. So lassen sich Entscheidungen wie "Das ist ein Character-LoRA, also streiche ich die gesamte Kategorie Aussehen und behalte nur Outfit, Pose und Hintergrund" viel schneller auf Kategorieebene treffen.
3. Drei Kriterien zum Aussortieren unnötiger Tags
- Tags zu Bildqualität/Wasserzeichen — Tags wie
watermark,signatureoderlowreshelfen dem Training nicht und werden entfernt. - Tags mit niedriger Konfidenz — Erhöhst du den Threshold leicht, fallen unsichere Tags (unter 0,3) von vornherein aus der Liste, was die Aufräumzeit verkürzt.
- Tags ohne Bezug zum Ziel — Möchtest du vielfältige Hintergründe generieren können, behalte die Hintergrund-Tags; nutzt du dagegen immer denselben Bildaufbau, streiche die entsprechenden Tags — die Entscheidung richtet sich jeweils nach dem Trainingsziel.
4. Beispiel für einen praktischen Arbeitsablauf
1) Bild bei AnimeTag-AI hochladen und Tags extrahieren → 2) Threshold auf etwa 0,3–0,4 setzen, um Rausch-Tags in einem ersten Schritt herauszufiltern → 3) Zur Ansicht "Nach Kategorie" wechseln und Kategorien, die nicht zum LoRA-Ziel passen, gesamthaft prüfen → 4) Einzelne Tags per Klick auf den Chip entfernen und die fertige Caption über "Prompt kopieren" übernehmen. Möchtest du nur eine bereits vorhandene Tag-Liste ohne Bild ordnen, füge sie einfach in das Tag-Analyse-Tool ein — die Kategorisierung funktioniert dort genauso.