Bild freistellen mit KI: 120 Brillenfotos, drei Modelle im Test

Worum es ging

Für ein Optikergeschäft im Kreis Böblingen bauen wir ein Online-Schaufenster. Die Fassungen sollen dort aussehen wie in einem Katalog: freigestellt, gleich groß, auf weißem Grund. Fotografiert wird aber nicht im Studio, sondern mit dem Handy im Laden, zwischen zwei Kundenterminen. Das Freistellen muss deshalb automatisch laufen und auch bei schwierigen Fassungen zuverlässig sein.

Bevor wir uns auf ein Modell festgelegt haben, haben wir es an 120 Fotos getestet, die bewusst nicht alle ideal sind.

Der Testaufbau

• 120 Fotos von Brillen aus Wikimedia Commons, frei lizenziert: 60 klassische Produkt- und Objektansichten und 60 Fotos mit anderen Hintergründen, etwa auf dem Schreibtisch, in der Hand oder neben dem Etui. Eingestuft als 51 einfache, 47 mittlere und 22 schwierige Fälle.
• Das Modell: BiRefNet, ein offenes Modell zur Bildsegmentierung unter MIT-Lizenz. Wir haben es über den Dienst Replicate auf einer Grafikkarte vom Typ Nvidia L40S genutzt, bezahlt wird pro Rechensekunde.
• Drei Varianten: general rechnet mit 1024 Pixeln, general-hr mit 2048 Pixeln für feine Details, und matting-hr liefert bei 2048 Pixeln eine weiche Maske statt einer harten Kante.
• Gleiche Nachbearbeitung für alle: kleine abgetrennte Flecken entfernen, auf die Brille zuschneiden und mittig auf ein Format von 2:1 setzen.

Jedes Ergebnis haben wir von Auge in einer Galerie geprüft und zusätzlich gemessen, wie stark sich die freigestellten Flächen der Varianten überlappen. Eine fertige, „richtige“ Maske gab es für die Fotos nicht. Deshalb zeigen wir keine Pixelgenauigkeit, sondern wo sich die Varianten unterscheiden und warum.

Die Ergebnisse in Zahlen

Die freigestellten Flächen von general und general-hr überlappen sich im Schnitt zu 87 Prozent, bei 100 der 120 Fotos zu mindestens 80 Prozent. Zwischen general-hr und matting-hr sind es nur 46 Prozent: Die Matting-Variante liefert also oft ein ganz anderes Ergebnis.

Was gut funktioniert

Bei klassischen Produktfotos ist das Ergebnis mit beiden general-Varianten sehr sauber. Auch Details, an denen einfache Werkzeuge scheitern, bleiben erhalten: dünne Drahtbügel, durchsichtige Bügel aus Acetat, gelochte Rastergläser und die geschwungene Front einer Sportbrille. Schatten auf dem Tisch verschwinden fast immer vollständig.

Wo die KI an Grenzen stößt

• Andere Dinge im Bild werden mit freigestellt. Liegt die Brille neben dem Etui, auf einem Notizbuch oder in der Hand, behält das Modell diese Dinge oft. Bei einem Foto mit Person hat es die Person freigestellt statt der Brille. Das Modell sucht das auffälligste Objekt, nicht gezielt die Brille.
• Durch klare Gläser sieht man den alten Hintergrund. Das Modell zählt die Gläser zur Brille und lässt stehen, was dahinter zu sehen ist. Auf weißem Papier fotografiert und auf weißem Grund gezeigt, fällt das nicht auf. Ein farbiger Untergrund färbt die Gläser dagegen sichtbar ein.
• Die Matting-Variante ist unzuverlässig. Auf sauberem Untergrund macht sie die Gläser durchsichtig, das sieht gut aus. Bei dunklen oder unruhigen Hintergründen liefert sie aber nur einen blassen Schleier, und Schatten bleiben stehen.

general oder general-hr?

Meist ist das Ergebnis fast identisch. Unterschiede gibt es nur in unruhigen Szenen, und dort gewinnt mal die eine, mal die andere Variante: general-hr trennt eine Brille besser von dem Buch, auf dem sie liegt, general lässt dafür eher ein danebenliegendes Etui weg. Wir haben uns für general-hr entschieden, weil sie mit doppelter Auflösung rechnet und das bei dünnen Metallbügeln hilft. Der Preisunterschied liegt bei 15 Cent für 100 Bilder.

Ein gutes Ergebnis beginnt beim Foto

Aus dem Test ergeben sich vier einfache Regeln. Sie bringen mehr als jedes größere Modell:

1. Nur das Produkt aufs Bild, kein Etui, kein Tuch, keine Hand.
2. Weißer Untergrund, am besten ein großes Blatt Papier, das an der Wand hochgebogen wird, damit hinten keine Kante entsteht.
3. Gleichmäßiges Tageslicht von der Seite, kein Blitz und keine pralle Sonne.
4. Gerade von vorn fotografieren, das Produkt füllt etwa zwei Drittel des Bildes.

Was das kostet

Pro Bild fallen je nach Variante 0,2 bis 0,35 Cent Rechenzeit an. 100 Produktfotos kosten also unter 50 Cent, 1.000 Fotos unter 4 Euro. Es braucht kein Abo und keine eigene Grafikkarte. Bei Replicate lädt man Guthaben im Voraus auf. Mit weniger als 5 US-Dollar Guthaben werden Aufträge gebremst, für einzelne Aufnahmen im Laden spielt das keine Rolle. Wie sich die Kosten im ganzen Ablauf zusammensetzen, zeigt unser Rechenbeispiel zu KI-Kosten im Betrieb.

Und die Lizenz?

BiRefNet steht unter der MIT-Lizenz und darf auch kommerziell genutzt werden. Bei anderen bekannten Freistell-Modellen lohnt ein Blick in die Lizenz: Die Modellgewichte von RMBG-2.0 des Anbieters Bria sind zum Beispiel nur für nichtkommerzielle Zwecke freigegeben. Für den Einsatz im Geschäft braucht es dort eine Vereinbarung mit dem Anbieter.

Was wir daraus mitnehmen

Für Produktfotos reicht heute ein offenes Modell, das pro Bild Bruchteile eines Cents kostet. Der größte Hebel liegt nicht in der Wahl des Modells, sondern in einem ruhigen Foto und einer kurzen Prüfung vor der Veröffentlichung. In unserem Projekt sieht die Optikerin jedes Ergebnis, bevor es im Schaufenster erscheint. Wie gut die KI dabei Marke, Modell und Größe vom Bügel liest, steht in unserem Test zur KI-Texterkennung.