How to build a character sheet.

Een character sheet is een kleine set referentiebeelden van dezelfde persoon — frontaal, driekwart, en profil, ten voeten uit, twee gezichtsuitdrukkingen — die je aan een beeldmodel voert als het anker van "dit is het personage".

Zonder zo'n sheet levert elke prompt een net iets andere persoon op. Met een sheet kun je hetzelfde personage in honderd scènes neerzetten en herkenbaar houden. Het is verreweg de meest renderende voorbereiding in elke AI-beeldworkflow met een terugkerende persoon — een merkpersona, de hoofdpersoon van een graphic novel, een woordvoerder, jezelf.

Ik bouwde de mijne omdat ik wilde dat de portrettenreeks die in de hero van deze site doorloopt over zes totaal verschillende stemmingen heen als dezelfde persoon zou aanvoelen (studio, warehouse, cinematisch, en profil, halve totaal, podium). Vóór de sheet was elke nieuwe generatie een net iets andere kale man. Na de sheet begreep het systeem eindelijk dat er één specifieke kale man was.

Er zijn drie manieren om er een te bouwen. Ik loop ze met je langs op volgorde van inspanning, met de afwegingen eerlijk benoemd, zodat je de manier kunt kiezen die past bij de omvang van het probleem dat je echt hebt.

Snelste weg. Minste controle. Wanneer je het gebruikt: je zit al in Flow, je hebt consistentie nodig binnen één videoreeks of storyboard, en je kunt leven met lichte drift tussen shots.

Hoe het werkt. Open Flow, begin een nieuw project, en zet de Use Character-functie aan in de scène-instellingen. Upload één of twee referentiebeelden — frontaal, schoon en gelijkmatig belicht, geen zware schaduwen. Voeg een korte tekstomschrijving toe ("kale man, midden veertig, lichte stoppels, donkere streetwear, geen sieraden"). Genereer. Flow conditioneert elke volgende shot in dat project op de referentie.

Afwegingen.

• Voordeel: Tien minuten van begin tot eind. Geen modelbestanden, geen samenstellen, geen command line, geen datasetvoorbereiding. Het personage reist automatisch mee door elke shot in het project.
• Nadeel: Gebonden aan de pijplijn van Flow — het personage exporteert niet netjes naar andere tools. De drift neemt toe naarmate de scène complexer wordt: haartextuur, oogkleur en kaaklijn gaan wiebelen over langere reeksen. Fijnafstellen kan niet.

Het meest geschikt voor: storyboards, mood reels, pitchdecks — alles waar het personage alleen hoeft over te komen als "dezelfde persoon, zo ongeveer" in plaats van "dezelfde persoon, exact."

Meeste controle. Gemiddelde inspanning. Wanneer je het gebruikt: je wilt maximale controle over welke "versie" van het personage canoniek wordt, en je wilt een sheet die draagbaar is over meerdere tools (Whisk subject references, Nano Banana reference-attach, Imagen subject customization, Flux ControlNet, enzovoort).

Dit is de methode die ik voor de portrettenreeks op deze site heb gebruikt. De zes beelden die in de hero doorlopen, zijn de output. De character sheet die ze verankert, is de input.

Hoe het werkt.

1. Kies één ankerreferentie. Begin met één beeld dat je echt mooi vindt — scherp, gelijkmatig belicht, neutrale uitdrukking, een driekwartgezicht is meestal het veiligst. Alles wat volgt wordt op dit ene beeld geconditioneerd, dus het moet goed zijn. Besteed alleen al aan deze stap een uur.
2. Zet de hoeken op een rij die je nodig hebt. Een minimale sheet telt zes panelen: portret frontaal, driekwart links, driekwart rechts, vol profiel, driekwart ten voeten uit, plus één of twee varianten qua gezichtsuitdrukking. Een rijkere sheet voegt een achterkant van het hoofd toe en een hero-shot van onderaf.
3. Genereer elke hoek met referentieconditionering. In Whisk zijn dat de slots voor subject (en optioneel style) reference. In Nano Banana is het de reference-attach-functie. In Imagen is het subject customization. Genereer vier tot acht varianten per hoek.
4. Kies de besten eruit. Kies voor elke hoek de variant waar het gezicht het schoonst overeenkomt met het anker — dezelfde kaak, dezelfde afstand tussen de ogen, dezelfde neusrug. Dit is het trage deel en het doet ertoe. Je traint je eigen oog om drift te spotten.
5. Stel samen. Zet de keuzes in één sheet-beeld in Photoshop, Affinity, Figma of GIMP. Een schoon raster van 2×4 of 3×3 is genoeg. Label elk paneel met de naam van de hoek.
6. Gebruik de sheet als je nieuwe referentie. Je hebt nu een draagbaar personage. Hang de sheet (of één paneel eruit) als referentiebeeld aan elke nieuwe generatie, in elke tool.

Afwegingen.

• Voordeel: Je hebt controle over elk paneel. Je kunt per hoek tools mixen — Nano Banana doet je frontale shots misschien perfect terwijl Whisk het profiel raakt. De sheet die je overhoudt, is draagbaar over elke tool die een referentiebeeld accepteert, ook over tools die nog niet bestaan.
• Nadeel: Twee tot vier uur per personage. Vraagt basale kennis van samenstellen. De kwaliteit van de output hangt volledig af van de bronreferentie, dus kies het anker zorgvuldig — een middelmatig anker levert een middelmatige sheet op, hoe goed de generaties stroomafwaarts ook zijn.

Het meest geschikt voor: merkwerk, persoonlijke sites, alles waar het personage tientallen keren verschijnt en consistentie belangrijker is dan de avond die het kostte om de sheet te bouwen.

Hoogste consistentie. Grootste investering vooraf. Wanneer je het gebruikt: je bouwt een merk rond een specifiek personage of een persona dat honderden keren gaat verschijnen. Je bent bereid de eerste keer een weekend te investeren. Je vindt het prima om een terminal te openen en een YAML-bestand te bewerken.

Let op: deze walkthrough gebruikt FLUX.1 [dev]. Black Forest Labs bracht in november 2025 FLUX.2 uit, dus als je vandaag vers begint, weeg FLUX.2 dan af tegen FLUX.1 [dev] — de LoRA-workflow heeft hoe dan ook dezelfde vorm.

Hoe het werkt.

1. Verzamel een dataset. Vijftien tot dertig-plus beelden van het personage. Een mix van hoeken, lichtopstellingen, uitdrukkingen, afstanden. Snijd elk beeld bij tot een consistente vierkante of portretverhouding (1024×1024 of 1024×1280 zijn op dit moment de sweet spots van FLUX.1 [dev]). Verwijder wazige, gewatermerkte of off-character beelden. De dataset is het hele spel.
2. Schrijf bij elk beeld een caption. Dit is de stap die de meeste beginners onderschatten. Beschrijf alles in het beeld behalve het personage zelf — kleding, pose, omgeving, belichting, sfeer, uitdrukking. Het model leert het personage als de "constante" die onder elke caption opduikt, en de captions leren het welke variabelen je later wilt kunnen sturen. Gebruik een uniek triggerwoord (bijv. rtnl_man) aan het begin van elke caption.
3. Kies een trainingsomgeving.
   • RunPod of Vast.ai (cloud-GPU-huur): ~$3-10 per volledige trainingsrun. Goedkoopste optie. Vraagt dat je je thuis voelt bij SSH en een Linux-shell.
   • De Flux LoRA-trainer van Replicate (managed): betalen per trainingsrun, prima standaardinstellingen, point-and-click. Makkelijkste instap.
   • Lokaal trainen op een 24 GB+ GPU (3090, 4090, A6000): geen marginale kosten als je de hardware al hebt.
4. Train. Redelijke startinstellingen: 1500–3000 stappen in totaal, een learning rate tussen 1e-4 en 4e-4, batch size 1, network dimension 16–32. Kijk hoe de loss convergeert, maar train niet te lang — voorbij een bepaald punt begint het model achtergronden en kleding te memoriseren in plaats van het personage te generaliseren.
5. Test in ComfyUI of Forge. Laad de FLUX.1 [dev]-base + je nieuwe LoRA-bestand op strength 0.7-1.0. Genereer testprompts met je triggerwoord erin. Slechte output betekent bijna altijd dat de dataset slecht is, niet dat de training slecht is — terug naar stap 1.
6. Itereer. Snoei de zwakste drie tot vijf beelden uit de dataset. Hertrain. Herhaal tot de LoRA het personage betrouwbaar in willekeurige scènes produceert zonder prompttrucs.

Afwegingen.

• Voordeel: De hoogste consistentie die er vandaag is. Het personage is draagbaar over elke beeldtool die Flux-LoRA's laadt (een lijst die snel groeit). Eenmaal getraind kost oneindig genereren niets extra. Het LoRA-bestand is een paar honderd megabyte en staat op je eigen schijf.
• Nadeel: Eén tot twee weekenden de eerste keer dat je dit doet. Vraagt technische vertrouwdheid met modelbestanden, ComfyUI-graphs, het captionen van datasets en basaal command-line-werk. De kwaliteit van de dataset bepaalt alles — geen enkele hoeveelheid training repareert een slechte dataset, en dat is de ontdekking die de meeste beginnende trainers op de harde manier doen.

Het meest geschikt voor: langlopend merkwerk, personagegedreven projecten (graphic novels, terugkerende reclamecreatie, een persoonlijke site die je jarenlang wilt blijven bijwerken), of elk geval waarin de draagbaarheid van methode 02 niet langer genoeg is.

De portrettenreeks op deze site is Methode 02. Eén ankerreferentie, gegenereerd via Nano Banana met reference-attach, met tekstprompt-overrides voor de zes stemmingen (studio, warehouse, cinematisch, en profil, halve totaal, podium). De totale bouwtijd over alle zes was zo'n drie avonden uitzoeken, plus een uur samenstellen.

Ik werk aan een Methode 03-LoRA op hetzelfde personage. Als die er is, worden de doorlopende beelden hier vervangen door LoRA-gegenereerde varianten, en komen de trainingsnotebook en de notities over dataset-captioning onder Technical · Deep End.

Als je er zelf een bouwt met een van deze methoden, stuur hem naar me. Ik zou hem graag zien.