Zum Inhalt
KI-BlogBriefing zu künstlicher Intelligenz

Lexikon · O

Objekt­erkennung

Kurzantwort

Objekterkennung findet in einem Bild alle Objekte bestimmter Klassen und zeigt mit einem Rahmen, wo jedes davon liegt. Die Segmentierung markiert Objekte pixelgenau, die Posenschätzung findet die Gelenkpunkte von Menschen⁠34.

Autor
Veröffentlicht
Geprüft
Lesezeit
3 Minuten
Großer Fotoabzug einer Straße mit parkenden Autos auf grauem Betonboden, um jedes Auto ist ein Rechteck aus rotem Klebeband geklebt, daneben die angebrochene Rolle
Rahmen um jedes Auto: So sieht das Ergebnis einer Objekterkennung aus. Bild: KI-generiert

Eine Bilderkennung sagt dir, dass auf einem Foto Autos zu sehen sind. Wie viele es sind und wo genau sie stehen, weiß sie nicht. Das beantwortet die Objekterkennung, englisch Object Detection: Sie legt um jedes gefundene Objekt einen Rahmen, schreibt die Klasse dazu und gibt an, wie sicher sie sich ist. Eine Verkehrskamera kann so Fahrzeuge zählen, ein Lagerroboter greift nach dem richtigen Karton, und Autos, die selbst fahren sollen, kombinieren die Erkennung mit weiteren Sensoren (autonomes Fahren).

Rahmen um jedes Objekt

Frühe Verfahren suchten das Bild in vielen kleinen Ausschnitten ab und prüften jeden einzeln. Das kostete Zeit. 2015 stellten Joseph Redmon und Kollegen YOLO vor, kurz für "You Only Look Once": Ein einziges Netz sagt in einem Durchgang alle Rahmen und Klassen für das ganze Bild voraus⁠1. Das Grundmodell schaffte 45 Bilder pro Sekunde, eine kleinere Fassung 155⁠1. Dafür lagen die Rahmen etwas häufiger ungenau als bei den langsameren Spitzenverfahren, Fehlalarme im Hintergrund kamen seltener vor⁠1.

Trainiert und verglichen werden solche Modelle auf großen, von Hand beschrifteten Bildsammlungen. Der Datensatz COCO von 2014 enthält 328.000 Bilder mit 2,5 Millionen markierten Objekten aus 91 Klassen, jedes einzeln umrissen⁠2. Diese Beschriftung heißt Data Labeling und ist bei der Objekterkennung Handarbeit: Jemand muss jeden Rahmen von Hand ziehen.

Segmentierung: Pixel statt Rahmen

Ein Rahmen ist grob. Ein schräg geparktes Auto füllt ihn nur zum Teil, und zwei dicht nebeneinander stehende Menschen teilen sich Rahmenecken. Genauer wird es mit der Segmentierung, die jedem Bildpunkt eine Bedeutung gibt. Die semantische Segmentierung färbt alle Autos in derselben Farbe ein und die Straße in einer anderen. Die Instanzsegmentierung unterscheidet zusätzlich, welches Auto welches ist.

Ein verbreitetes Verfahren dafür ist Mask R-CNN aus dem Jahr 2017. Es erweitert einen Objektdetektor um einen Zweig, der für jedes gefundene Objekt eine Maske berechnet, und lief laut Aufsatz mit 5 Bildern pro Sekunde⁠3. Zum Zählen reichen Rahmen. Masken lohnen sich dort, wo Form und Fläche zählen, etwa beim Vermessen von Schäden oder beim Freistellen von Produkten.

Posen erkennen

Gesichter zu finden und Personen wiederzuerkennen, ist ein eigenes Feld mit eigenen Risiken, bis hin zur Überwachung öffentlicher Plätze. Die Posenschätzung fragt bei Menschen nur nach der Haltung. Sie findet Gelenkpunkte wie Schultern, Ellbogen und Knie und verbindet sie zu einem Strichmännchen. OpenPose wurde 2018 nach Angabe seiner Autoren als erstes quelloffenes System vorgestellt, das in Echtzeit die Körperhaltung mehrerer Personen gleichzeitig in 2D erkennt, mit Punkten für Körper, Füße, Hände und Gesicht⁠4. Auch Mask R-CNN lässt sich laut seinen Entwicklern für die Posenschätzung erweitern⁠3. Eingesetzt wird das in der Sportanalyse, bei Fitness-Apps und bei der Prüfung von Arbeitshaltungen.

Häufige Fragen

Was bedeutet der Wert neben dem Rahmen?

Er gibt an, wie sicher das Modell ist, dass dort ein Objekt dieser Klasse liegt. Unterhalb einer Schwelle, die du selbst einstellst, werden Rahmen verworfen. Eine hohe Zahl ist aber keine Garantie für einen Treffer.

Kann ich Objekterkennung ohne Programmierung ausprobieren?

Ja, mehrere Anbieter haben Weboberflächen, in die du ein Foto hochlädst. Auch multimodale Chatbots benennen Objekte in Fotos, Rahmen mit Koordinaten liefern sie aber nur auf ausdrückliche Bitte und nicht immer genau.

Wie viele Bilder braucht ein eigenes Modell?

Mit einem vortrainierten Modell als Ausgangspunkt kommst du für einen ersten Versuch mit deutlich weniger Bildern aus als beim Training von Grund auf. Je unterschiedlicher Licht, Hintergrund und Blickwinkel im Einsatz sind, desto mehr Beispiele brauchst du.

Quellen

Stand:

  1. arXiv (Redmon u. a.): You Only Look Once: Unified, Real-Time Object Detection, Stand 09.05.2016, abgerufen am 22.11.2026. zurück
  2. arXiv (Lin u. a.): Microsoft COCO: Common Objects in Context, Stand 21.02.2015, abgerufen am 22.11.2026. zurück
  3. arXiv (He, Gkioxari, Dollár, Girshick): Mask R-CNN, Stand 24.01.2018, abgerufen am 22.11.2026. zurück
  4. arXiv (Cao u. a.): OpenPose: Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields, Stand 30.05.2019, abgerufen am 22.11.2026. zurück

Weiterlesen

Bilder: KI-generiert

Aus dem Lexikon

Bilder: KI-generiert