joliGEN
Open-Source-Framework aus Toulouse, mit dem du eigene Bild-zu-Bild-Modelle auf Basis von GANs und Diffusion trainierst.
Was es kann
joliGEN ist ein Framework, mit dem du eigene Bild-zu-Bild-Modelle trainierst. Es unterstützt GANs wie CycleGAN und CUT sowie Diffusions- und Consistency-Modelle, jeweils mit gepaarten oder ungepaarten Trainingsdaten. Typische Aufgaben sind das Einfügen oder Entfernen von Objekten, das Umwandeln von Tag- in Nachtaufnahmen oder anderes Wetter und das realistische Aufbereiten simulierter Bilder, wobei vorhandene Annotationen erhalten bleiben. So ergänzt du Datensätze um seltene Fälle. Seit Version 5.0 (Oktober 2026) kommen Videomodelle hinzu. Mitgeliefert werden Qualitätsmetriken wie FID und KID, ein Server mit REST-API und ein Docker-Setup.
Für wen es passt
Für ML-Teams in Forschung und Entwicklung, etwa in der industriellen Bildverarbeitung, im Fahrzeugbereich oder bei Satellitenbildern, die Trainingsdaten für Erkennungsmodelle erweitern oder Simulationen an echte Aufnahmen angleichen wollen. Ohne Python- und Deep-Learning-Kenntnisse kommst du damit nicht weit.
Datenschutz im Unternehmen
joliGEN läuft auf deiner eigenen Hardware oder in deiner eigenen Cloud. Wo Bilder und Modelle liegen, bestimmst du selbst; an den Anbieter gehen keine Daten. Einen Auftragsverarbeitungsvertrag braucht es deshalb für die Software selbst nicht, und deine Bilder fließen nicht in fremdes Training ein. Geschäftstarife gibt es nicht; der Anbieter Jolibrain unterstützt Unternehmen bei Bedarf in Projekten.
Grenzen
Offiziell wird Linux unterstützt. Training ist auf der CPU möglich, für brauchbare Laufzeiten brauchst du aber eine NVIDIA-GPU mit CUDA. Eine fertige Oberfläche für Fachanwender ohne Technikhintergrund gibt es nicht: Du bereitest Datensätze selbst auf und trainierst die Modelle eigenständig.