GPU-Server für Bildbearbeitung, KI und Rendering: Wann sich eigene Hardware lohnt

​

Bild von U.S. Air Force photo by Airman 1st Class Eve Daugherty auf Wikimedia Commons · Public domain

Noch vor einigen Jahren war die Sache in vielen Fotostudios und Agenturen relativ übersichtlich: Ein möglichst leistungsfähiger Rechner stand am Arbeitsplatz, darauf liefen Photoshop, Lightroom, Capture One oder die jeweilige Spezialsoftware – und wenn es zu langsam wurde, kam irgendwann ein schnellerer Rechner auf den Tisch.

Mit KI-gestützter Bildbearbeitung, immer größeren RAW-Beständen, hochauflösendem Video und aufwendigen Rendering-Prozessen sieht das inzwischen etwas anders aus. Entrauschen, Upscaling, automatische Verschlagwortung, Stapelverarbeitung oder Videotranscoding können erhebliche Rechenleistung beanspruchen. Spätestens dann stellt sich die Frage, ob diese Aufgaben weiterhin auf einzelnen Workstations laufen sollen oder ob sich zentrale Rechenleistung lohnt.

Ein GPU-Server kann solche Aufgaben für mehrere Arbeitsplätze übernehmen. Das bedeutet aber nicht automatisch, dass jedes Studio mit ein paar schnellen Grafikkarten im Serverschrank besser fährt. GPU, CPU, Arbeitsspeicher, Storage und Netzwerk müssen zusammenpassen – und manchmal ist der vorhandene Rechner überhaupt nicht das eigentliche Problem.

GPU-Server oder Workstation: Was ist eigentlich der Unterschied?​

Eine leistungsfähige Workstation bleibt für viele Aufgaben in der Bildbearbeitung die sinnvollere Lösung. Das gilt besonders dann, wenn eine Person interaktiv arbeitet: Bilder auswählen, Farben korrigieren, retuschieren oder einzelne Aufnahmen mit KI-Werkzeugen bearbeiten.

Ein GPU-Server wird interessant, wenn mehrere Personen oder Prozesse gleichzeitig Rechenleistung benötigen. In einem größeren Fotostudio könnte beispielsweise ein Retuscheteam einen umfangreichen KI-Batch starten, während parallel ein Produktrendering läuft und ein weiterer Arbeitsplatz ebenfalls Rechenleistung benötigt. Statt diese Aufgaben auf mehrere einzelne Rechner zu verteilen, können sie zentral abgearbeitet und entsprechend priorisiert werden.

Workstation und Server sind deshalb keine Gegensätze. In der Praxis kann die Workstation weiterhin für die eigentliche Arbeit am Bild zuständig sein, während Stapelverarbeitung, nächtliche Renderjobs oder andere rechenintensive Prozesse auf dem Server laufen.

Die entscheidende Frage lautet also nicht: Was ist schneller? Sondern: Wie arbeiten wir eigentlich?


Bild von Pavel Danilyuk auf Pexels

Welche Aufgaben profitieren überhaupt von einer GPU?​

Hier lohnt sich etwas Vorsicht. Nicht alles, was lange dauert, wird automatisch durch eine größere GPU schneller.

KI-Entrauschen und Upscaling:
Hier spielen GPU-Leistung, verfügbarer Grafikspeicher, Speicherbandbreite und die verwendete Software zusammen. Gerade bei großen Dateien oder mehreren parallelen Jobs kann der verfügbare GPU-Speicher schnell zum limitierenden Faktor werden.

Stapelverarbeitung großer RAW-Bestände:
Bei hunderten oder tausenden RAW-Dateien kann der Flaschenhals ganz woanders sitzen. Storage, Dateisystem und CPU-Vorverarbeitung müssen die Daten schließlich schnell genug bereitstellen. Eine leistungsfähige GPU, die auf ihre Daten wartet, bringt wenig.

3D- und Produktrendering:
Die Anforderungen hängen stark von Renderer und Szenenkomplexität ab. Manche Anwendungen profitieren besonders von viel GPU-Speicher, andere skalieren stärker über Rechenleistung oder CPU.

Videotranscoding:
Codec, Auflösung und die vorhandenen Hardware-Encoder sind hier häufig wichtiger als die reine Rechenleistung auf dem Datenblatt.

Bildersuche und automatisches Tagging:
Bei großen Bildarchiven kann die GPU die eigentliche KI-Inferenz beschleunigen. Trotzdem müssen die Dateien zunächst gelesen, verarbeitet und die Ergebnisse anschließend in einer Datenbank oder einem Index verwaltet werden.

Und genau deshalb lohnt sich vor einer Investition ein Blick auf den tatsächlichen Workflow. Dauert die KI-Berechnung zu lange? Warten die Mitarbeiter:innen auf Dateien? Ist das Netzwerk voll? Oder verbringt die GPU einen beträchtlichen Teil ihrer Zeit damit, auf Daten zu warten? Das sind völlig unterschiedliche Probleme – auch wenn sie sich am Arbeitsplatz alle gleich anfühlen: Es dauert zu lange.

Cloud-GPU oder eigener Server?​

Eigene Hardware ist nicht automatisch die wirtschaftlichere Lösung. Wird zusätzliche GPU-Leistung nur gelegentlich für einzelne Projekte benötigt, kann eine Cloud-Lösung erheblich sinnvoller sein. Rechenleistung lässt sich dort nach Bedarf hinzubuchen, ohne dass zunächst ein Server angeschafft, betrieben und gewartet werden muss. Anders sieht es bei regelmäßiger hoher Auslastung aus. Große Bildbestände, mehrere gleichzeitige Nutzer:innen und ständig wiederkehrende KI- oder Rendering-Aufgaben können die Rechnung zugunsten eigener Hardware verschieben.

Dazu kommt ein Punkt, der bei Foto- und Videoproduktionen nicht ganz unwichtig ist: die Daten selbst. Personenaufnahmen, unveröffentlichte Kampagnen, Produktfotografie oder anderes Kundenmaterial sollen möglicherweise gar nicht erst das eigene Netzwerk verlassen. Eigene Hardware gibt einem Betrieb hier mehr Kontrolle. Das bedeutet aber auch, dass Sicherheit, Backup, Zugriffsrechte und Wartung in der eigenen Verantwortung liegen.

Eine Mischform kann deshalb durchaus sinnvoll sein: regelmäßig benötigte Rechenleistung im eigenen Haus, zusätzliche Kapazität für einzelne Lastspitzen aus der Cloud.

Bei großen Bildbeständen wird die Leitung plötzlich wichtig​

Ein Punkt wird bei der schönen Rechnung mit der Cloud gerne übersehen: Die Daten müssen erst einmal dorthin. Bei ein paar Gigabyte spielt das kaum eine Rolle. Werden für ein Projekt regelmäßig Terabytes an RAW-, TIFF- oder Videodaten übertragen, kann plötzlich die Internetanbindung bestimmen, wann die eigentliche Arbeit überhaupt beginnen kann. Hinzu kommen je nach Cloudanbieter und Tarif mögliche Kosten für die Übertragung von Daten aus der Cloud zurück in den eigenen Betrieb.

Der schnellste Cloud-GPU-Server hilft wenig, wenn die Daten noch stundenlang hochgeladen werden.

GPU und Storage gehören zusammen​

Dasselbe Problem gibt es im eigenen Netzwerk. Ein GPU-Server ist nur so schnell, wie die benötigten Daten bereitgestellt werden können. Deshalb gehören Storage und Netzwerk von Anfang an zur Planung.

NVIDIA ermöglicht mit GPUDirect Storage z. B. einen direkten Datenpfad zwischen Storage und GPU-Speicher. Dadurch lassen sich zusätzliche Kopiervorgänge über den Hauptspeicher der CPU vermeiden. Für bestimmte Hochleistungssysteme sind damit enorme Bandbreiten möglich. Auf ein normales Studio-Setup lassen sich solche Werte allerdings nicht einfach übertragen.

Für ein Fotostudio sind ohnehin andere Fragen wichtiger:

• Wie schnell können mehrere Arbeitsplätze gleichzeitig auf Dateien zugreifen?
• Wie hoch sind Datendurchsatz und IOPS des Storage – also wie schnell überträgt es große Bilddateien und wie gut kommt es mit vielen einzelnen Lese- und Schreibzugriffen zurecht?
• Welche Netzwerkgeschwindigkeit steht zwischen Storage, Server und Arbeitsplätzen zur Verfügung?
• Wo liegen laufende Projekte?
• Wo wird abgeschlossenes Material archiviert?
• Und wo befindet sich das davon unabhängige Backup?

Als zentraler Speicher kommt in vielen Foto-Workflows z.B. ein NAS zum Einsatz. Darüber können mehrere Arbeitsplätze auf denselben Bildbestand zugreifen, ohne dass die Dateien auf jedem Rechner separat vorgehalten werden müssen.

Dabei ist NAS allerdings nicht gleich NAS. Ein kleines System, das hauptsächlich der zentralen Ablage und Sicherung von Dateien dient, muss ganz andere Lasten bewältigen als ein NAS, von dem mehrere Arbeitsplätze gleichzeitig große RAW-, TIFF- oder Videodateien öffnen und bearbeiten. Neben der reinen Speicherkapazität spielen deshalb auch Datendurchsatz, Netzwerkgeschwindigkeit und die Zahl der gleichzeitigen Zugriffe eine Rolle.

Wachsende Bildarchive sollten deshalb als eigenes Thema betrachtet werden. Ein entsprechend ausgelegter Storage-Server für große Bildarchive kann Arbeitsdaten zentral bereitstellen, während Archiv und Backup bewusst getrennt geplant werden.

Einen GPU-Server nicht nach dem Datenblatt kaufen​

Bei der Konfiguration ist die Versuchung groß, einfach möglichst beeindruckende Einzelwerte zusammenzustellen: schnelle GPU, viele CPU-Kerne, reichlich RAM und möglichst große SSDs. Das kann funktionieren. Muss es aber nicht. Ein sinnvoll aufgebautes System beginnt beim tatsächlichen Workflow.

GPU​

GPU-Klasse und Grafikspeicher müssen zu den eingesetzten Anwendungen passen. Bei KI-Anwendungen spielen beispielsweise Modellgröße, Dateigröße und Anzahl paralleler Jobs eine Rolle. Ein System für einzelne Upscaling-Jobs stellt andere Anforderungen als ein Server, auf dem mehrere Nutzer gleichzeitig KI-Modelle ausführen.

CPU​

Auch bei einem GPU-Server hat die CPU keineswegs Feierabend. Dekodierung, Vorverarbeitung und das Bereitstellen von Daten können erhebliche CPU-Leistung benötigen. CPU, PCIe-Anbindung, Netzwerk und Storage sollten deshalb passend zur jeweiligen Anwendung dimensioniert werden.

Arbeitsspeicher​

Zu wenig RAM kann ebenfalls zum Flaschenhals werden. Wie viel benötigt wird, hängt wiederum von den Anwendungen, den Dateigrößen und der Anzahl gleichzeitig laufender Prozesse ab.

NVMe-Storage​

Schnelle NVMe-SSDs eignen sich als Arbeitsbereich für laufende Projekte und temporäre Daten. Sie ersetzen aber nicht automatisch ein durchdachtes Archiv- und Backup-Konzept.

Netzwerk​

Bei mehreren Arbeitsplätzen wird die Netzwerkanbindung schnell entscheidend. Eine schnelle GPU hinter einer langsamen Verbindung zum Storage ist ungefähr so hilfreich wie ein Sportwagen im Feierabendverkehr.

Kühlung, Strom und Geräuschentwicklung​

Diesen Punkt würde ich gerade in einem Fotostudio nicht unterschätzen. Leistungsfähige GPU-Server erzeugen Wärme, benötigen entsprechend Strom und können ziemlich laut werden. Der Aufstellort gehört deshalb in die Planung und nicht auf die Liste der Dinge, über die man nach der Lieferung nachdenkt.

Software​

Und schließlich muss die Software mitspielen. Treiber, Frameworks, Plugins und die tatsächlich eingesetzten Anwendungen sollten vor dem Kauf auf Kompatibilität geprüft werden. Das gilt nicht nur für die GPU selbst, sondern für den gesamten Workflow.

Schon bei der Wahl des Betriebssystems unterscheiden sich die Möglichkeiten: Windows, macOS und Linux bringen jeweils eigene Stärken, Einschränkungen und Softwareangebote mit. In unserem Ratgeber „Welches Betriebssystem für Fotograf:innen?“ haben wir uns deshalb ausführlich angesehen, welche Plattform für welche fotografischen Arbeitsabläufe interessant ist.

Der Flaschenhals wandert​

Das ist vielleicht der wichtigste Punkt des ganzen Themas. Eine langsame KI-Verarbeitung kann an zu wenig GPU-Speicher liegen. Eine schleppende RAW-Stapelverarbeitung kann dagegen vom Storage oder der CPU gebremst werden. Beim Rendering kann der verfügbare GPU-Speicher die Grenze setzen, beim Videotranscoding die Codec-Unterstützung und beim Mehrbenutzerbetrieb plötzlich das Netzwerk.

Wird nur die vermeintlich langsamste Komponente aufgerüstet, wandert der Flaschenhals deshalb gerne einfach eine Station weiter. Genau aus diesem Grund sollte ein GPU-Server für Rendering und KI-Bildbearbeitung nicht anhand einer einzelnen GPU ausgewählt, sondern als Gesamtsystem geplant werden.


Bild von panumas nikhomkhai auf Pexels

Woran erkennt man einen guten Anbieter?​

Bei solchen Systemen ist für mich nicht entscheidend, wie lang die Produktliste auf einer Website ist. Interessanter ist, was passiert, bevor überhaupt ein Angebot auf dem Tisch liegt.

Ein Anbieter sollte von euch wissen wollen:

• Welche Software wird eingesetzt?
• Wie groß sind die typischen Dateien und Projekte?
• Wie viele Personen greifen gleichzeitig auf das System zu?
• Welche Aufgaben sollen auf der GPU laufen?
• Wie sieht das vorhandene Storage aus?
• Welche Netzwerkstruktur ist vorhanden?
• Wie stark dürfte der Bedarf in den nächsten Jahren wachsen?
• Wo soll der Server eigentlich stehen?

Erst danach ergibt es Sinn, über konkrete GPUs, CPUs und Speicherkapazitäten zu sprechen. Auch Service und Erweiterbarkeit gehören dazu. Garantielaufzeit, Ersatzteilversorgung, Reaktionszeiten und mögliche Vor-Ort-Leistungen können bei einem produktiv eingesetzten Server wichtiger sein als ein paar Prozent Unterschied in einem Benchmark.

Einen Eindruck davon, wie solche Systeme in der Praxis aufgebaut und konfiguriert werden, geben spezialisierte Anbieter von GPU-Servern für Rendering und KI-Bildbearbeitung.

Kaufen, mieten oder leasen?​

Auch die Beschaffung hängt vom Einsatz ab. Ein dauerhaft ausgelasteter Server kann sich über Kauf oder Leasing sinnvoll abbilden lassen. Für eine zeitlich begrenzte Produktion oder eine Projektspitze kann dagegen die Miete interessanter sein. Hardware-Miete sollte dabei nicht mit Cloud-Rechenleistung verwechselt werden. Ein gemieteter Server kann physisch im eigenen Betrieb stehen; bei einer Cloud-Lösung läuft die Rechenleistung dagegen auf externer Infrastruktur.

Die Entscheidung hängt letztlich von Auslastung, Laufzeit, Investitionsbudget und der gewünschten Flexibilität ab.

Diese Planungsfehler werden schnell teuer​

Einige Fehler tauchen bei der Planung immer wieder auf:

• Nur auf die GPU schauen und Storage, CPU oder Netzwerk vergessen.
• Den Speicherbedarf ausschließlich nach dem aktuellen Projekt dimensionieren.
• Storage nur nach Terabyte statt auch nach Durchsatz und Parallelzugriffen auswählen.
• Software und Treiber erst nach Lieferung auf Kompatibilität prüfen.
• Wärme, Lautstärke und Stromversorgung am geplanten Aufstellort unterschätzen.
• Arbeitsbereich, Archiv und Backup nicht sauber voneinander trennen.
• Keine Reserven für zukünftige Erweiterungen einplanen.

Fast alle diese Punkte haben eines gemeinsam: Sie lassen sich leichter vor der Bestellung lösen als hinterher.

FAQ: GPU-Server für Bildbearbeitung und KI​

Ab wann lohnt sich ein GPU-Server statt einer Workstation?
Sobald mehrere Arbeitsplätze regelmäßig auf Rechenleistung warten, Jobs automatisiert oder zeitversetzt abgearbeitet werden sollen oder Daten und Rechenleistung zentral verwaltet werden müssen, wird ein Server interessant. Für einen einzelnen interaktiven Arbeitsplatz bleibt eine leistungsfähige Workstation häufig die einfachere Lösung.

Welche GPU eignet sich für KI-Bildbearbeitung?
Eine pauschale Empfehlung wäre unseriös. Die benötigte GPU hängt von Software, Modellen, Dateigrößen, GPU-Speicher und Anzahl paralleler Aufgaben ab. Dazu kommen CPU, Storage und Netzwerk.

Reicht ein vorhandenes NAS?
Vielleicht. Entscheidend sind nicht die drei Buchstaben auf dem Gehäuse, sondern Datendurchsatz, Geschwindigkeit bei vielen einzelnen Dateioperationen, Netzwerkanbindung und die Anzahl gleichzeitiger Zugriffe. Ein leistungsfähiges NAS kann für einen professionellen Workflow völlig ausreichen; ein einfaches Ablagesystem kann dagegen zum Flaschenhals werden.

Kann man GPU-Server auch mieten?
Ja. Dabei sollte zwischen physischer Hardware-Miete und Cloud-GPU unterschieden werden. Bei einer Hardware-Miete kann der Server im eigenen Betrieb stehen, während Cloud-Rechenleistung extern bereitgestellt wird.

Wie laut ist ein GPU-Server?
Das hängt stark von Bauform, Leistung und Kühlung ab. Gerade klassische Rackserver sind nicht unbedingt etwas, das man sich freiwillig neben den Bildbearbeitungsplatz stellt. Aufstellort und Kühlung sollten deshalb von Anfang an mitgeplant werden.

Wie sichert man große Bildarchive?
Arbeitsbereich, Archiv und Backup sollten getrennt betrachtet werden. Schneller Storage für laufende Projekte ersetzt kein unabhängiges Backup. Für die langfristige Archivierung kommen zusätzlich Datenintegrität, eine Strategie für spätere Migrationen und die Wahl geeigneter Dateiformate hinzu. Orientierung bieten beispielsweise die Empfehlungen für langfristig zugängliche Bildformate der Library of Congress.

Fazit: Erst den Flaschenhals finden, dann Hardware kaufen​

Eigene GPU-Hardware lohnt sich nicht ab einer „magischen“ Zahl von RAW-Dateien, Mitarbeiter:innen oder Renderstunden. Interessant wird sie dort, wo sich im Arbeitsalltag ein Muster zeigt: Mehrere Arbeitsplätze warten regelmäßig auf Rechenleistung, Jobs laufen parallel, große Datenbestände müssen zentral verarbeitet werden. Kurz: dieselben rechenintensiven Aufgaben kehren ständig wieder.

Vor dem Kauf würde ich deshalb nicht als Erstes nach der schnellsten GPU suchen, sondern nach dem tatsächlichen Engpass. Vielleicht fehlt GPU-Leistung. Vielleicht ist das Storage zu langsam. Vielleicht bremst das Netzwerk. Und vielleicht reicht für den vorhandenen Workflow eine leistungsfähige Workstation noch jahrelang völlig aus.

Ist der Bedarf geklärt, können GPU, CPU, RAM, Storage und Netzwerk gemeinsam dimensioniert und anschließend Kauf, Leasing, Miete oder Cloud gegeneinander abgewogen werden.

Das ist weniger spektakulär als möglichst viele GPUs in einen Server zu schrauben. Aber vermutlich deutlich günstiger.

Klicken zum Weiterlesen...