Was ist Objekterkennung? Wie Computer Dinge in Bildern finden

Wenn Sie ein Straßenfoto betrachten, sehen Sie sofort drei Personen, zwei Autos, einen Hund und eine Ampel. Für einen Computer ist dasselbe Foto nur eine Reihe von Millionen Zahlen, die Pixelfarben beschreiben. Objekterkennung ist die Technik, die aus diesen Zahlen eine Liste von Dingen und ihren Positionen macht.

Objekterkennung, Klassifizierung und Segmentierung im Vergleich

Das maschinelle Sehen kennt einige eng verwandte Aufgaben, die man leicht verwechselt:

Aufgabe	Beantwortete Frage	Ergebnis
Bildklassifizierung	Was zeigt dieses Bild?	Ein Label für das ganze Bild („Hund“)
Objekterkennung	Welche Objekte sind hier, und wo?	Rahmen, Label und Wert für jedes Objekt
Semantische Segmentierung	Welche Pixel gehören zu welcher Klasse?	Eine farbige Maske über dem Bild
Instanzsegmentierung	Welche Pixel gehören genau zu jedem Objekt?	Eine eigene Maske pro Objekt

Die Erkennung liegt in der Mitte: detaillierter als die Klassifizierung, aber schneller und einfacher als die Segmentierung jedes Pixels. Ein Hintergrundentferner nutzt zum Beispiel Segmentierung, weil er die exakte Kontur braucht.

So funktioniert Objekterkennung

Jeder moderne Detektor hat zwei Aufgaben: verstehen, was im Bild ist, und genau bestimmen, wo sich jedes Ding befindet.

1. Merkmalsextraktion. Ein neuronales Netz, das sogenannte Backbone (oft ein Faltungsnetz wie ResNet), durchläuft das Bild und verwandelt es in eine kompakte Karte visueller Merkmale: Kanten, Texturen, Formen und schließlich ganze Teile wie Räder oder Gesichter.
2. Vorhersage. Ein Detection Head nutzt diese Merkmale, um Rahmen vorherzusagen, jeweils mit Klasse und Konfidenzwert.
3. Bereinigung. Überlappende Vorhersagen für dasselbe Objekt werden zusammengeführt oder entfernt, und unsichere Ergebnisse werden herausgefiltert.

Die wichtigsten Detektor-Familien

• Zweistufige Detektoren (wie Faster R-CNN) schlagen zuerst Regionen vor, die Objekte enthalten könnten, und klassifizieren dann jede Region. Genau, aber langsamer.
• Einstufige Detektoren (wie YOLO, „You Only Look Once“) sagen Rahmen und Klassen in einem einzigen Durchlauf voraus. Sie sind schnell genug für Echtzeit-Video.
• Transformer-Detektoren (wie DETR von Meta AI) betrachten mithilfe von Attention das ganze Bild auf einmal und sagen direkt eine Menge von Objekten voraus, ohne von Hand abgestimmte Bereinigungsschritte.

Was ist der COCO-Datensatz?

Die meisten universellen Detektoren werden mit COCO (Common Objects in Context) trainiert, einem öffentlichen Datensatz mit über 200.000 beschrifteten Bildern. Er umfasst 80 Alltagskategorien: Personen, Tiere, Fahrzeuge, Möbel, Elektronik, Küchenutensilien, Lebensmittel und Sportgeräte. Wenn ein Modell angibt, „80 Klassen“ zu erkennen, sind fast immer diese gemeint.

Die Kehrseite: Ein mit COCO trainiertes Modell kennt nur diese 80 Klassen. Bitten Sie es, Schraubenzieher oder bestimmte Marken zu finden, ignoriert es sie oder wählt die nächstliegende Kategorie. Für eigene Objekte feinjustieren Unternehmen einen Detektor mit ihren eigenen beschrifteten Fotos.

Objekterkennung im Browser ausprobieren

1. Öffnen Sie das kostenlose Tool Objekterkennung.
2. Legen Sie ein Foto ab. Das DETR-Modell (ca. 43 MB) wird einmal heruntergeladen und läuft auf Ihrem Gerät.
3. Jedes Objekt wird umrahmt und mit einem Konfidenzwert beschriftet.
4. Verschieben Sie die Konfidenzschwelle, um mehr oder weniger Erkennungen anzuzeigen.
5. Laden Sie das beschriftete Bild herunter oder exportieren Sie die Ergebnisse als JSON für Ihren eigenen Code.

Konfidenzwerte verstehen

Jede Erkennung hat einen Wert zwischen 0 und 1 (bzw. 0 % und 100 %). Er ist die Schätzung des Modells, wie wahrscheinlich der Rahmen wirklich dieses Objekt enthält. Die Schwelle bestimmt, welche Erkennungen Sie sehen:

• Hohe Schwelle (z. B. 0,9): weniger Fehlalarme, aber kleine oder teilweise verdeckte Objekte werden eventuell übersehen.
• Niedrige Schwelle (z. B. 0,5): mehr gefundene Objekte, aber mehr Fehler.

Die richtige Einstellung hängt von der Aufgabe ab. Ein Sicherheitssystem, das einen Menschen alarmiert, kann einige Fehlalarme verkraften. Eine automatische Zählung für einen Bericht braucht hohe Präzision.

Praktische Anwendungen der Objekterkennung

• Autonome Fahrzeuge erkennen Fußgänger, Radfahrer, Autos, Schilder und Ampeln.
• Der Handel nutzt sie für Selbstbedienungskassen, Regalüberwachung und Besucherzählung.
• Die Industrie erkennt Defekte und prüft, ob Bauteile vorhanden sind.
• Die Landwirtschaft zählt Früchte, erkennt Unkraut und überwacht Nutztiere.
• Barrierefreiheits-Apps beschreiben blinden und sehbehinderten Menschen ihre Umgebung.
• Foto-Apps ordnen damit Bibliotheken („zeig mir Fotos mit Hunden“).

Häufige Fragen

Ist Objekterkennung dasselbe wie Gesichtserkennung im Sinne von Identifizierung?

Nein. Ein Gesicht zu erkennen (detektieren) heißt, herauszufinden, wo Gesichter sind. Ein Gesicht zu identifizieren heißt, festzustellen, wer die Person ist. Das ist eine eigene, viel sensiblere Aufgabe.

Was ist ein Begrenzungsrahmen?

Ein Rechteck, das markiert, wo sich ein Objekt befindet, meist gespeichert als x- und y-Position einer Ecke plus Breite und Höhe in Pixeln.

Was ist besser, YOLO oder DETR?

Das hängt von der Aufgabe ab. YOLO-Modelle sind auf Echtzeitgeschwindigkeit optimiert. DETR ist einfacher aufgebaut und kommt gut mit vollen Szenen zurecht. Beide sind weit verbreitet.

Kann ich die Ergebnisse in meinem eigenen Projekt nutzen?

Ja. Der JSON-Export liefert jedes Label, jeden Wert und jeden Rahmen in Pixelkoordinaten, ein guter Ausgangspunkt für Prototypen oder das Labeling.

Fazit

Objekterkennung beantwortet zwei Fragen auf einmal: Was ist auf dem Bild, und wo? Moderne Modelle schaffen das in Sekundenbruchteilen, und Sie können sie inzwischen direkt im Browser ausführen, um zu sehen, wie sie mit Ihren eigenen Fotos arbeiten.