Ein kurzer Überblick über visuelle KI und ihre Funktionsweise

Jeden Tag erfassen Kameras in Fabriken, Krankenhäusern, Städten, Fahrzeugen und Verbrauchergeräten riesige Mengen an Bildern und Videos. Dieser stetige Strom visueller Daten eröffnet neue Möglichkeiten, erschwert aber auch das Verständnis der Vorgänge und ein schnelles Eingreifen.

Belebte Kreuzungen oder überfüllte öffentliche Plätze können sich beispielsweise von einem Moment auf den anderen verändern. Diese Umgebungen manuell zu überwachen ist langsam und oft ungenau – vor allem, wenn schnelle und zuverlässige Entscheidungen nötig sind.

Um solche Situationen zu bewältigen, brauchen Systeme eine Möglichkeit, visuelle Informationen unmittelbar zu verstehen und in Echtzeit zu reagieren. Computer Vision macht dies möglich, indem Maschinen Bilder und Videos analysieren, Muster erkennen und nützliche Informationen daraus gewinnen können.

Frühere Computer-Vision-Systeme stützten sich auf feste Regeln. Diese funktionierten in kontrollierten Umgebungen, versagten aber oft, wenn sich die Lichtverhältnisse oder Kamerawinkel änderten. Moderne visuelle KI verbessert diesen Ansatz mithilfe von künstlicher Intelligenz und maschinellem Lernen.

Statt visuelle Daten nur aufzunehmen oder zu speichern, analysieren diese Systeme sie in Echtzeit, lernen aus Beispielen und passen sich an wechselnde Umgebungen an. Dadurch eignet sich visuelle KI besser für reale Einsatzbedingungen und kann sich mit zunehmender Nutzung in weiteren Anwendungen kontinuierlich verbessern.

In diesem Artikel sehen wir uns genauer an, was KI für Computer Vision ist und wie sie zum Aufbau intelligenter, durchgängiger Arbeitsabläufe eingesetzt werden kann.

Was ist visuelle KI?#

Visuelle KI ist ein Teilgebiet der künstlichen Intelligenz, das Maschinen in die Lage versetzt, Bilder und Videos zu verstehen und zu interpretieren. Anders gesagt: Systeme für visuelle KI analysieren, was sie sehen, und nutzen diese Informationen, um Aktionen zu unterstützen, Vorhersagen zu optimieren oder Entscheidungen als Teil eines umfassenderen Arbeitsablaufs zu treffen. Generative KI erzeugt neue Inhalte; visuelle KI konzentriert sich dagegen darauf, bestehende visuelle Daten zu verstehen und daraus Informationen zu gewinnen.

Aktivitäten über längere Zeit in einer Fabrikhalle oder an einem öffentlichen Ort zu überwachen, erfordert beispielsweise eine Geschwindigkeit und Beständigkeit, die manuell nur schwer aufrechtzuerhalten sind. Systeme für visuelle KI können diese Herausforderung bewältigen, indem sie Verfahren des maschinellen Lernens und des Deep Learning einsetzen, um Muster zu erkennen, relevante Details zu identifizieren und auf neue visuelle Informationen zu reagieren.

Abb. 1. Beispiel für den Einsatz visueller KI zur Objekterkennung in einem Bild (Quelle)

Da Bilder und Videos oft in großen Mengen und mit hoher Geschwindigkeit entstehen, können KI-Systeme für Computer Vision visuelle Daten kontinuierlich verarbeiten und dasselbe Modell auf jedes Bild anwenden. Dadurch werden die Ergebnisse konsistenter und Teams können ihre Abläufe verbessern und auch bei veränderten Bedingungen präzise bleiben.

In der Praxis ist visuelle KI meist Teil eines durchgängigen KI-Systems. Sie verbindet Modelle für visuelle KI mit Entscheidungslogik und anderen Werkzeugen, die auf Grundlage der Ergebnisse handeln. Indem visuelle Eingaben in nützliche Erkenntnisse umgewandelt werden, kann visuelle KI Routineaufgaben automatisieren und schnellere, fundiertere Entscheidungen bei zahlreichen Computer-Vision-Anwendungen unterstützen.

So funktioniert visuelle KI: von visuellen Daten zu umsetzbaren Erkenntnissen#

Wie gelangt ein System oder eine Maschine also vom Betrachten eines Bildes oder Videos dazu, zu verstehen, was geschieht, und zu entscheiden, was als Nächstes zu tun ist?

Der Prozess beginnt mit visuellen Eingaben aus der realen Welt, etwa Fotos, Videoclips, Live-Kamerabildern oder Sensordatenströmen. Da sich diese Daten in Qualität, Beleuchtung und Kamerawinkel stark unterscheiden können, müssen sie vor der Analyse in der Regel aufbereitet werden.

Zu dieser Vorverarbeitung können das Ändern der Bildgröße, die Anpassung der Beleuchtung und die Vereinheitlichung des Formats von Videobildern gehören. Zusätzliche Kontextinformationen wie Zeitstempel oder Kamerastandort werden oft ergänzt, um eine genauere Analyse zu ermöglichen.

Anschließend werden die aufbereiteten Daten in einem Lernverfahren verwendet, mit dem das System visuelle Muster erkennen kann. Durch das Training mit beschrifteten Bildern und Videos lernt ein Modell für visuelle KI, wie Objekte, Muster und Ereignisse unter unterschiedlichen Bedingungen aussehen.

Dieses erlernte Verständnis bildet die Grundlage für viele gängige Computer-Vision-Aufgaben, etwa die Objekterkennung (Objekte in einem Bild identifizieren und lokalisieren) und die Instanzsegmentierung (einzelne Objekte auf Pixelebene voneinander trennen und kennzeichnen). Hochmoderne Modelle für visuelle KI wie Ultralytics YOLO26 sind für diese Aufgaben ausgelegt und bleiben dabei in realen Umgebungen schnell und präzise.

Abb. 2. YOLO zur Instanzsegmentierung im Einsatz (Quelle)

Nach der Bereitstellung verarbeitet das System visuelle Eingaben kontinuierlich als Teil eines durchgängigen Arbeitsablaufs. Das Modell analysiert Bilder und Videos und übermittelt die Ergebnisse an Dashboards, Automatisierungswerkzeuge oder andere KI-Systeme. In manchen Fällen nutzen KI-Agenten für Computer Vision diese Ergebnisse, um Aktionen auszulösen oder Entscheidungen zu unterstützen. So wird das visuelle Verständnis in praktische, umsetzbare Erkenntnisse übersetzt.

Die Entwicklung visueller Modelle und Architekturen#

Wenn du mehr über visuelle KI erfährst, fragst du dich vielleicht, warum Modelle und Architekturen wichtig sind und wie sie die Systemleistung beeinflussen. Modelle für visuelle KI sind für die heutigen Innovationen im Bereich Computer Vision von zentraler Bedeutung.

Die meisten Systeme für visuelle KI basieren auf einem Modell, das festlegt, wie Bilder und Videos analysiert werden. Das Modell bestimmt, was das System in einer Szene erkennen kann und wie gut es unter verschiedenen Bedingungen funktioniert.

Mit der zunehmenden Vielfalt und Komplexität der Anwendungen für KI-gestützte Computer Vision haben sich auch die Modelle und ihre zugrunde liegenden Architekturen weiterentwickelt, um den Anforderungen gerecht zu werden und einfacher nutzbar zu sein. Bei frühen Computer-Vision-Systemen mussten Entwickler manuell festlegen, wonach das System suchen sollte, zum Beispiel nach bestimmten Kanten, Farben oder Formen.

Diese regelbasierten Ansätze funktionierten in kontrollierten Umgebungen gut, versagten aber oft bei veränderten Lichtverhältnissen, unterschiedlicher Kameraqualität oder komplexeren Szenen. Moderne Modelle für visuelle KI gehen anders vor.

Viele Open-Source-Modelle lernen visuelle Muster direkt aus Daten. Dadurch sind sie flexibler und besser für reale Umgebungen geeignet, in denen die Bedingungen unvorhersehbar sind. Fortschritte bei der Modellarchitektur haben außerdem die Verarbeitung von Bildern und Videos vereinfacht. Dadurch lassen sich diese Systeme leichter bereitstellen und in praktische Plattformen für visuelle KI integrieren.

Die YOLO-Modelle von Ultralytics sind ein gutes Beispiel für diesen Wandel. Modelle wie YOLO26 werden häufig für Objekterkennungsaufgaben eingesetzt, bei denen Geschwindigkeit und Einheitlichkeit gefragt sind – insbesondere bei Live-Videoanwendungen.

Zentrale Aufgaben der visuellen KI im Überblick#

Hier sind einige zentrale Computer-Vision-Aufgaben, auf die sich KI-gestützte Bildverarbeitungssysteme stützen, um visuelle Informationen zu verstehen und Abläufe in der Praxis zu optimieren:

• Objekterkennung: Mit dieser Aufgabe kann ein System erkennen, welche Objekte in einem Bild oder Video vorkommen und wo sie sich befinden. In der Regel werden dazu Begrenzungsrahmen um jedes Objekt gezeichnet.
• Instanzsegmentierung: Wenn eine höhere Genauigkeit erforderlich ist, teilt diese Aufgabe ein Bild auf Pixelebene auf, um einzelne Objekte oder Bereiche einer Szene voneinander abzugrenzen.
• Bildklassifizierung: Bei diesem Ansatz wird ein ganzes Bild analysiert und anhand seines Gesamtinhalts mit einem oder mehreren Kennzeichen versehen. Das erleichtert die Organisation visueller Daten und unterstützt Entscheidungen.
• Posenschätzung: Dabei werden wichtige Punkte an Personen oder Objekten, etwa Gelenke oder Referenzpunkte, erkannt, um Position, Körperhaltung und Bewegung in dynamischen Umgebungen zu bestimmen.
• Objektverfolgung: Bei Videoanwendungen lassen sich mit dieser Funktion Objekte über mehrere Bilder hinweg verfolgen, wobei ihre Identität und Bewegung im Zeitverlauf erhalten bleiben.

Abb. 3. Fahrzeuge mit YOLO erkennen und verfolgen (Quelle)

Die Rolle von Datensätzen in der visuellen KI#

Hinter jedem leistungsfähigen System für visuelle KI steckt ein sorgfältig zusammengestellter Datensatz. Diese Datensätze liefern die Bilder und Videos, aus denen Modelle für visuelle KI lernen. So können die Modelle Objekte, Muster und Szenen in realen Umgebungen erkennen.

Die Datenqualität wirkt sich direkt darauf aus, wie genau und zuverlässig das System arbeitet. Damit visuelle Daten genutzt werden können, werden Datensätze annotiert. Das bedeutet, dass jedem Bild oder Video wichtige Informationen hinzugefügt werden, etwa durch das Beschriften von Objekten, das Hervorheben bestimmter Bereiche oder das Zuweisen von Kategorien.

Zusätzlich zu den Beschriftungen können weitere Metadaten wie Zeit, Ort oder Szenentyp ergänzt werden, um die Daten zu organisieren und besser zu erschließen. Datensätze werden außerdem häufig in Trainings-, Validierungs- und Testdatensätze aufgeteilt, damit Systeme anhand von Bildern bewertet werden können, die sie zuvor noch nicht gesehen haben.

Beliebte Datensätze wie ImageNet, COCO und Open Images haben mit ihren umfangreichen, vielfältigen Sammlungen beschrifteter Bilder maßgeblich zur Weiterentwicklung der visuellen KI beigetragen. Trotzdem ist es weiterhin schwierig, Daten aus der realen Welt zu sammeln.

Verzerrungen, Lücken in der Abdeckung und ständig wechselnde Umgebungen erschweren die Erstellung von Datensätzen, die reale Bedingungen tatsächlich widerspiegeln. Für zuverlässige Systeme der visuellen KI ist es entscheidend, in großem Maßstab die richtige Datenbalance zu erreichen.

Verschiedene Anwendungsfälle visueller KI im Überblick#

Nachdem wir nun besser verstehen, wie visuelle KI funktioniert, sehen wir uns an, wie sie in der Praxis eingesetzt wird. In vielen Branchen unterstützt visuelle KI Teams dabei, visuelle Aufgaben in großem Maßstab zu bewältigen. Das ermöglicht schnellere Reaktionen und effizientere Abläufe.

Hier sind einige gängige Einsatzmöglichkeiten visueller KI in verschiedenen Bereichen:

• Fertigung: In der Fabrik kann KI für Computer Vision Produkte in jeder Produktionsphase überwachen. Sie kann frühzeitig Fehler erkennen, fehlende Teile oder Unregelmäßigkeiten aufspüren und Teams so dabei helfen, Nacharbeit zu verringern, die Qualität zu sichern und unerwartete Ausfallzeiten zu vermeiden.
• Einzelhandel: Im Einzelhandel können Lösungen für visuelle KI den Warenbestand überwachen, den Zustand der Regale prüfen und Verluste verringern. Durch die Analyse visueller Daten im Geschäft können diese Systeme Mitarbeitern helfen, die Vorgänge auf der Verkaufsfläche besser zu verstehen und schneller Anpassungen vorzunehmen, damit der Betrieb reibungslos läuft.
• Gesundheitswesen: Visuelle KI kann Fachkräfte im Gesundheitswesen bei der Auswertung medizinischer Bilder wie Aufnahmen oder Testergebnissen unterstützen. Sie kann Bereiche markieren, die genauer untersucht werden sollten. So können Ärzte und medizinisches Personal effizienter arbeiten, während die endgültigen Entscheidungen weiterhin Menschen treffen.
• Verkehr und Smart Cities: Auf Straßen und öffentlichen Plätzen hilft KI für Computer Vision Städten, den Verkehrsfluss zu überwachen, Vorfälle zu erkennen und die Sicherheit zu verbessern. Die Echtzeitanalyse von Kameraaufnahmen ermöglicht schnellere Reaktionen auf veränderte Bedingungen und unterstützt eine bessere Verwaltung der städtischen Infrastruktur.

Abb. 4. Automatisierte Produktüberwachung in der Fertigung mit visueller KI (Quelle)

Vor- und Nachteile von Werkzeugen für visuelle KI#

Hier sind einige der wichtigsten Vorteile des Einsatzes visueller KI in praktischen Anwendungen:

• Skaliert über verschiedene Anwendungsfälle hinweg: Nach dem Training lassen sich Computer-Vision-KI-Systeme mit minimalen Anpassungen an mehreren Standorten oder in verschiedenen Anwendungen einsetzen.
• Schnellere KI-Unterstützung: Indem Bilder und Videos bereits während der Aufnahme analysiert werden, können KI-gestützte Bildverarbeitungssysteme Erkenntnisse in Echtzeit liefern und so schnellere Reaktionen und bessere Entscheidungen ermöglichen.
• Lässt sich leicht in bestehende Arbeitsabläufe integrieren: Die Ergebnisse der Bildverarbeitung lassen sich mit nachgelagerten Systemen, Dashboards oder Automatisierungsabläufen verbinden.

Trotz dieser Vorteile gibt es Einschränkungen, die die Leistung von Computer-Vision-KI-Systemen beeinträchtigen können. Hier sind einige Faktoren, die du beachten solltest:

• Abhängigkeit von Datenqualität und -verfügbarkeit: Computer-Vision-KI-Systeme sind stark auf umfangreiche, sorgfältig aufbereitete Datensätze angewiesen. Das Sammeln und Pflegen hochwertiger visueller Daten kann zeitaufwendig und kostspielig sein.
• Empfindlichkeit gegenüber Veränderungen der Umgebung: Die Leistung kann nachlassen, wenn Kameras bewegt werden, sich die Lichtverhältnisse ändern oder sich Szenen erheblich verändern, ohne dass ein erneutes Training oder eine Anpassung erfolgt.
• Anforderungen an Rechenleistung und Infrastruktur: Für den Betrieb von Bildverarbeitungsmodellen, insbesondere in Echtzeit oder in großem Maßstab, können erhebliche Rechenressourcen und spezialisierte Hardware erforderlich sein.

Die wichtigsten Erkenntnisse#

Computer-Vision-KI wandelt Bilder und Videos in aussagekräftige Informationen um, die Systeme verstehen und nutzen können. So lassen sich visuelle Aufgaben automatisieren und schnellere, zuverlässigere Entscheidungen treffen. Wie gut das funktioniert, hängt davon ab, dass leistungsfähige Modelle, hochwertige Datensätze und gut durchdachte Arbeitsabläufe zusammenspielen.

Interessierst du dich für KI-gestützte Computer Vision? Werde Teil unserer Community und erfahre mehr über Computer Vision in der Landwirtschaft und KI für Computer Vision in der Automobilbranche. Sieh dir unsere Lizenzoptionen an und starte mit Computer Vision. Besuche unser GitHub-Repository, um mehr über KI zu erfahren.