Ein Leitfaden zur ausführlichen Analyse der Objekterkennung im Jahr 2025

Viele Branchen integrieren rasch Lösungen für künstliche Intelligenz (AI) in ihre Abläufe. Unter den heute verfügbaren AI-Technologien ist Computer Vision eine der beliebtesten. Computer Vision ist ein Teilbereich der AI, der Computern hilft, den Inhalt von Bildern und Videos zu sehen und zu verstehen – genau wie Menschen. Dadurch können Maschinen Objekte erkennen, Muster identifizieren und erfassen, was sie sehen.

Der weltweite Marktwert von Computer Vision wird bis 2032 voraussichtlich auf 175,72 Milliarden US-Dollar anwachsen. Computer Vision umfasst verschiedene Aufgaben, die es Vision-AI-Systemen ermöglichen, visuelle Daten zu analysieren und zu interpretieren. Eine der am häufigsten eingesetzten und wichtigsten Aufgaben von Computer Vision ist die Objekterkennung.

Die Objekterkennung konzentriert sich darauf, Objekte in visuellen Daten zu lokalisieren und zu klassifizieren. Wenn du einem Computer beispielsweise ein Bild einer Kuh zeigst, kann er die Kuh erkennen und einen Begrenzungsrahmen um sie zeichnen. Diese Fähigkeit ist in realen Anwendungen wie der Tierüberwachung, selbstfahrenden Autos und Überwachungssystemen nützlich.

Wie kann Objekterkennung also durchgeführt werden? Eine Möglichkeit ist der Einsatz von Computer-Vision-Modellen. Ultralytics YOLO11 ist beispielsweise ein Computer-Vision-Modell, das Computer-Vision-Aufgaben wie Objekterkennung unterstützt.

In diesem Leitfaden sehen wir uns die Objekterkennung und ihre Funktionsweise an. Außerdem besprechen wir einige reale Anwendungen der Objekterkennung und von Ultralytics YOLO11.

Abb. 1 Verwendung der Objekterkennung von YOLO11 zur Überwachung von Rindern.

Was ist Objekterkennung?#

Objekterkennung ist eine Computer-Vision-Aufgabe, die Objekte in Bildern oder Videos identifiziert und lokalisiert. Sie beantwortet zwei zentrale Fragen: „Welche Objekte befinden sich im Bild?“ und „Wo befinden sie sich?“

Du kannst dir die Objekterkennung als einen Prozess mit zwei zentralen Schritten vorstellen. Der erste Schritt, die Objektklassifizierung, ermöglicht es dem System, Objekte zu erkennen und zu beschriften, etwa eine Katze, ein Auto oder eine Person anhand erlernter Muster zu identifizieren. Der zweite Schritt, die Lokalisierung, bestimmt die Position des Objekts, indem ein Begrenzungsrahmen darum gezeichnet wird, der angibt, wo es im Bild erscheint. Zusammen ermöglichen diese Schritte Maschinen, Objekte in einer Szene zu erkennen und zu verstehen.

Der Aspekt der Objekterkennung, der sie einzigartig macht, ist ihre Fähigkeit, Objekte zu erkennen und ihre Position präzise zu bestimmen. Andere Computer-Vision-Aufgaben verfolgen andere Ziele.

Die Bildklassifizierung weist beispielsweise einem gesamten Bild ein Label zu. Die Bildsegmentierung hingegen ermöglicht ein Verständnis der verschiedenen Elemente auf Pixelebene. Die Objekterkennung verbindet dagegen Erkennung und Lokalisierung. Dadurch eignet sie sich besonders für Aufgaben wie das Zählen mehrerer Objekte in Echtzeit.

Abb. 2 Vergleich von Computer-Vision-Aufgaben.

Objekterkennung und Objekterfassung im Vergleich#

Wenn du dich mit verschiedenen Begriffen aus dem Bereich Computer Vision beschäftigst, könnte es so wirken, als seien Objekterfassung und Objekterkennung austauschbar – doch sie dienen unterschiedlichen Zwecken. Ein guter Weg, den Unterschied zu verstehen, ist der Vergleich von Gesichtserkennung und Gesichtserfassung.

Gesichtserfassung ist eine Form der Objekterkennung. Sie identifiziert das Vorhandensein eines Gesichts in einem Bild und markiert seine Position mit einem Begrenzungsrahmen. Sie beantwortet die Frage: „Wo befindet sich das Gesicht im Bild?“ Diese Technologie wird häufig in Smartphone-Kameras eingesetzt, die automatisch auf Gesichter fokussieren, oder in Überwachungskameras, die erkennen, wenn eine Person anwesend ist.

Gesichtserkennung hingegen ist eine Form der Objekterfassung. Sie erkennt nicht nur ein Gesicht, sondern identifiziert anhand einzigartiger Merkmale und eines Datenbankvergleichs auch, wem es gehört. Sie beantwortet die Frage: „Wer ist diese Person?“ Diese Technologie steckt hinter dem Entsperren deines Telefons mit Face ID oder Sicherheitssystemen an Flughäfen, die Identitäten überprüfen.

Kurz gesagt: Die Objekterkennung findet und lokalisiert Objekte, während die Objekterfassung sie klassifiziert und identifiziert.

Abb. 3. Objekterkennung und Objekterfassung im Vergleich. Bild vom Autor.

Viele Modelle zur Objekterkennung, darunter Ultralytics YOLO11, unterstützen die Gesichtserfassung, nicht jedoch die Gesichtserkennung. YOLO11 kann das Vorhandensein eines Gesichts in einem Bild effizient erkennen und einen Begrenzungsrahmen darum zeichnen. Dadurch eignet es sich für Anwendungen wie Überwachungssysteme, die Beobachtung von Menschenmengen und die automatische Verschlagwortung von Fotos. Es kann jedoch nicht bestimmen, wem das Gesicht gehört. YOLO11 lässt sich mit speziell für die Gesichtserkennung trainierten Modellen wie Facenet oder DeepFace integrieren, um Erkennung und Identifizierung in einem einzigen System zu ermöglichen.

So funktioniert die Objekterkennung#

Bevor wir die Funktionsweise der Objekterkennung besprechen, sehen wir uns zunächst genauer an, wie ein Computer ein Bild analysiert. Ein Computer sieht ein Bild nicht so wie wir, sondern zerlegt es in ein Raster aus winzigen Quadraten, die Pixel genannt werden. Jedes Pixel enthält Informationen zu Farbe und Helligkeit, die Computer verarbeiten können, um visuelle Daten zu interpretieren.

Um diese Pixel sinnvoll zu verarbeiten, gruppieren Algorithmen sie anhand von Form, Farbe und räumlicher Nähe zu bedeutungsvollen Bereichen. Modelle zur Objekterkennung wie Ultralytics YOLO11 können Muster oder Merkmale in diesen Pixelgruppen erkennen.

Ein selbstfahrendes Auto sieht einen Fußgänger beispielsweise nicht so wie wir – es erkennt Formen und Muster, die den Merkmalen eines Fußgängers entsprechen. Diese Modelle werden mit umfangreichen, beschrifteten Bilddatensätzen trainiert, sodass sie die charakteristischen Eigenschaften von Objekten wie Autos, Verkehrsschildern und Personen erlernen können.

Ein typisches Modell zur Objekterkennung besteht aus drei zentralen Teilen: Backbone, Neck und Head. Das Backbone extrahiert wichtige Merkmale aus einem Bild. Der Neck verarbeitet und verfeinert diese Merkmale, während der Head für die Vorhersage von Objektpositionen und deren Klassifizierung zuständig ist.

Erkennungen verfeinern und Ergebnisse darstellen#

Sobald die ersten Erkennungen vorliegen, werden Techniken zur Nachbearbeitung eingesetzt, um die Genauigkeit zu verbessern und redundante Vorhersagen herauszufiltern. Überlappende Begrenzungsrahmen werden beispielsweise entfernt, sodass nur die relevantesten Erkennungen erhalten bleiben. Außerdem werden jedem erkannten Objekt Konfidenzwerte zugewiesen, also numerische Werte, die angeben, wie sicher sich das Modell ist, dass ein erkanntes Objekt zu einer bestimmten Klasse gehört.

Schließlich wird die Ausgabe mit Begrenzungsrahmen um die erkannten Objekte sowie den vorhergesagten Klassenlabels und Konfidenzwerten dargestellt. Diese Ergebnisse können anschließend für reale Anwendungen genutzt werden.

Beliebte Modelle zur Objekterkennung#

Heutzutage sind viele Computer-Vision-Modelle verfügbar. Zu den beliebtesten gehören die Ultralytics-YOLO-Modelle. Sie sind für ihre Geschwindigkeit, Genauigkeit und Vielseitigkeit bekannt. Im Laufe der Jahre sind diese Modelle schneller und präziser geworden und können eine größere Bandbreite an Aufgaben bewältigen. Die Veröffentlichung von Ultralytics YOLOv5 erleichterte die Bereitstellung mit Frameworks wie PyTorch, sodass mehr Menschen fortschrittliche Vision-AI nutzen können, ohne umfassende technische Kenntnisse zu benötigen.

Auf dieser Grundlage führte Ultralytics YOLOv8 neue Funktionen wie Instanzsegmentierung, Posenschätzung und Bildklassifizierung ein. Jetzt geht YOLO11 mit einer besseren Leistung bei mehreren Aufgaben noch einen Schritt weiter. Mit 22 % weniger Parametern als YOLOv8m erreicht YOLO11m eine höhere mittlere durchschnittliche Präzision (mAP) auf dem COCO-Datensatz. Einfach ausgedrückt kann YOLO11 Objekte präziser erkennen und benötigt dabei weniger Ressourcen, wodurch es schneller und zuverlässiger ist.

Egal, ob du AI-Experte bist oder gerade erst anfängst: Ultralytics YOLO11 bietet eine leistungsstarke und zugleich benutzerfreundliche Lösung für Computer-Vision-Anwendungen.

Ein Modell für die Objekterkennung individuell trainieren#

Beim Training von Vision-AI-Modellen lernen Computer, Bilder und Videos zu erkennen und zu verstehen. Das Training kann jedoch zeitaufwendig sein. Anstatt ganz von vorn zu beginnen, beschleunigt Transfer Learning den Prozess, indem bereits vortrainierte Modelle verwendet werden, die gängige Muster erkennen.

Ultralytics YOLO11 wurde beispielsweise bereits auf dem COCO-Datensatz trainiert, der eine vielfältige Auswahl alltäglicher Objekte enthält. Dieses vortrainierte Modell kann anschließend individuell weitertrainiert werden, um bestimmte Objekte zu erkennen, die im ursprünglichen Datensatz möglicherweise nicht enthalten sind.

Um Ultralytics YOLO11 individuell zu trainieren, benötigst du einen beschrifteten Datensatz mit Bildern der Objekte, die du erkennen möchtest. Wenn du beispielsweise ein Modell erstellen möchtest, das verschiedene Obstsorten in einem Lebensmittelgeschäft identifiziert, würdest du einen Datensatz mit beschrifteten Bildern von Äpfeln, Bananen, Orangen usw. erstellen. Sobald der Datensatz vorbereitet ist, kann YOLO11 trainiert werden. Dabei werden Parameter wie Batchgröße, Lernrate und Epochen angepasst, um die Leistung zu optimieren.

Mit diesem Ansatz können Unternehmen Ultralytics YOLO11 für die Erkennung beliebiger Objekte trainieren – von fehlerhaften Bauteilen in der Fertigung bis hin zu Wildtierarten in Naturschutzprojekten – und das Modell genau an ihre Anforderungen anpassen.

Anwendungen der Objekterkennung#

Sehen wir uns nun einige reale Anwendungsfälle der Objekterkennung und ihre Auswirkungen auf verschiedene Branchen an.

Gefahrenerkennung für autonomes Fahren#

Selbstfahrende Autos nutzen Computer-Vision-Aufgaben wie Objekterkennung, um sicher zu navigieren und Hindernissen auszuweichen. Diese Technologie hilft ihnen, Fußgänger, andere Fahrzeuge, Schlaglöcher und Gefahren auf der Straße zu erkennen, sodass sie ihre Umgebung besser verstehen können. Durch die kontinuierliche Analyse ihrer Umgebung können sie schnell Entscheidungen treffen und sich sicher durch den Verkehr bewegen.

Abb. 4 Beispiel für die Erkennung von Schlaglöchern mit Ultralytics YOLO11.

Analyse medizinischer Bilder im Gesundheitswesen#

Medizinische Bildgebung mit Verfahren wie Röntgenaufnahmen, MRTs, CT-Scans und Ultraschall erzeugt hochdetaillierte Bilder des menschlichen Körpers, die bei der Diagnose und Behandlung von Krankheiten helfen. Diese Untersuchungen erzeugen große Datenmengen, die Ärzte wie Radiologen und Pathologen sorgfältig analysieren müssen, um Krankheiten zu erkennen. Die detaillierte Prüfung jedes Bildes kann jedoch zeitaufwendig sein, und menschliche Experten übersehen aufgrund von Ermüdung oder Zeitmangel möglicherweise wichtige Details.

Modelle zur Objekterkennung wie Ultralytics YOLO11 können helfen, indem sie wichtige Merkmale in medizinischen Aufnahmen, etwa Organe, Tumore oder Anomalien, automatisch und mit hoher Genauigkeit identifizieren. Individuell trainierte Modelle können problematische Bereiche mit Begrenzungsrahmen hervorheben, sodass sich Ärzte schneller auf mögliche Befunde konzentrieren können. Das reduziert den Arbeitsaufwand, steigert die Effizienz und liefert schnelle Erkenntnisse.

Abb. 5 Analyse medizinischer Bilder mit Ultralytics YOLO11.

Mehr Sicherheit durch Personen- und Anomalieerkennung#

Objektverfolgung ist eine von Ultralytics YOLO11 unterstützte Computer-Vision-Aufgabe, die Überwachung in Echtzeit und eine höhere Sicherheit ermöglicht. Sie baut auf der Objekterkennung auf, indem sie Objekte identifiziert und ihre Bewegung über mehrere Einzelbilder hinweg kontinuierlich verfolgt. Diese Technologie wird häufig in Überwachungssystemen eingesetzt, um die Sicherheit in verschiedenen Umgebungen zu verbessern.

In Schulen und Kindertagesstätten kann die Objektverfolgung beispielsweise helfen, Kinder zu überwachen und zu verhindern, dass sie sich entfernen. Bei Sicherheitsanwendungen spielt sie eine wichtige Rolle bei der Erkennung von Eindringlingen in gesperrten Bereichen, der Überwachung von Menschenmengen auf Überfüllung oder verdächtiges Verhalten sowie beim Senden von Echtzeitwarnungen, wenn unbefugte Aktivitäten erkannt werden. Durch die Verfolgung von Objekten während ihrer Bewegung erhöhen mit Ultralytics YOLO11 betriebenen Verfolgungssysteme die Sicherheit, automatisieren die Überwachung und ermöglichen schnellere Reaktionen auf potenzielle Bedrohungen.

Vor- und Nachteile der Objekterkennung#

Hier sind einige der wichtigsten Vorteile, die Objekterkennung für verschiedene Branchen bieten kann:

• Automatisierung: Objekterkennung kann den Bedarf an menschlicher Überwachung bei Aufgaben wie der Kontrolle von CCTV-Aufnahmen reduzieren.
• Funktioniert mit anderen AI-Modellen: Sie kann mit Systemen zur Gesichtserkennung, Handlungserkennung und Objektverfolgung integriert werden, um Genauigkeit und Funktionalität zu verbessern.
• Verarbeitung in Echtzeit: Viele Modelle zur Objekterkennung wie Ultralytics YOLO11 sind schnell und effizient und eignen sich daher ideal für Echtzeitanwendungen, die sofortige Ergebnisse erfordern.

Diese Vorteile zeigen zwar, wie sich Objekterkennung auf verschiedene Anwendungsfälle auswirkt, doch es ist ebenso wichtig, die Herausforderungen ihrer Implementierung zu berücksichtigen. Hier sind einige der wichtigsten Herausforderungen:

• Datenschutz: Die Nutzung visueller Daten, insbesondere in sensiblen Bereichen wie Überwachung oder Gesundheitswesen, kann Datenschutzprobleme und Sicherheitsbedenken aufwerfen.

• Verdeckung: Bei der Verdeckung in der Objekterkennung sind Objekte teilweise blockiert oder aus dem Sichtfeld verborgen, wodurch das Modell sie nur schwer genau erkennen und klassifizieren kann.

• Hoher Rechenaufwand: Leistungsstarke Modelle benötigen für die Verarbeitung häufig leistungsfähige GPUs (Grafikprozessoren), wodurch die Bereitstellung in Echtzeit kostspielig wird.

Wichtige Erkenntnisse#

Objekterkennung ist ein wegweisendes Werkzeug im Bereich Computer Vision, das Maschinen hilft, Objekte in Bildern und Videos zu erkennen und zu lokalisieren. Sie wird in Bereichen eingesetzt, die von selbstfahrenden Autos bis zum Gesundheitswesen reichen, und macht Aufgaben einfacher, sicherer und effizienter. Mit neueren Modellen wie Ultralytics YOLO11 können Unternehmen problemlos individuelle Modelle zur Objekterkennung erstellen und spezialisierte Computer-Vision-Anwendungen entwickeln.

Obwohl es Herausforderungen wie Datenschutzbedenken und verdeckte Objekte gibt, ist Objekterkennung eine zuverlässige Technologie. Ihre Fähigkeit, Aufgaben zu automatisieren, visuelle Daten in Echtzeit zu verarbeiten und sich in andere Vision-AI-Werkzeuge zu integrieren, macht sie zu einem wesentlichen Bestandteil moderner Innovationen.

Weitere Informationen findest du in unserem GitHub-Repository und in unserer Community. Entdecke auf unseren Lösungsseiten Innovationen in Bereichen wie AI in selbstfahrenden Autos und Computer Vision in der Landwirtschaft. Sieh dir unsere YOLO-Lizenzoptionen an und erwecke deine Vision-AI-Projekte zum Leben. 🚀