Ein kurzer Überblick über Vision AI und ihre Funktionsweise

Jeden Tag erfassen Kameras in Fabriken, Krankenhäusern, Städten, Fahrzeugen und Geräten für Verbraucher riesige Mengen an Bildern und Videos. Dieser kontinuierliche Strom visueller Daten eröffnet neue Möglichkeiten, macht es aber auch schwierig, schnell zu verstehen, was geschieht, und entsprechend zu handeln.

Belebte Kreuzungen oder stark frequentierte öffentliche Bereiche können sich beispielsweise von einem Moment zum nächsten verändern. Die manuelle Überwachung solcher Umgebungen ist langsam und oft ungenau, insbesondere wenn schnelle und zuverlässige Entscheidungen erforderlich sind.

Um solche Situationen zu bewältigen, benötigen 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 extrahieren können.

Frühere Computer-Vision-Systeme waren auf feste Regeln angewiesen. Diese funktionierten in kontrollierten Umgebungen, versagten aber häufig, wenn sich Bedingungen wie die Beleuchtung oder der Kamerawinkel änderten. Moderne Vision AI verbessert diesen Ansatz durch den Einsatz von künstlicher Intelligenz und maschinellem Lernen.

Statt visuelle Daten nur zu erfassen oder zu speichern, analysieren diese Systeme sie in Echtzeit, lernen aus Beispielen und passen sich an wechselnde Umgebungen an. Dadurch ist Vision AI in realen Situationen effektiver und kann sich im Laufe der Zeit verbessern, wenn sie in weiteren Anwendungen eingesetzt wird.

In diesem Artikel sehen wir uns genauer an, was Vision AI ist und wie du damit durchgängige intelligente Arbeitsabläufe entwickeln kannst. Legen wir los!

Was ist Vision AI?#

Vision AI ist ein Teilgebiet der künstlichen Intelligenz, das Maschinen befähigt, Bilder und Videos zu verstehen und zu interpretieren. Mit anderen Worten: Vision-AI-Systeme analysieren, was sie sehen, und nutzen diese Informationen, um Aktionen zu unterstützen, Vorhersagen zu optimieren oder Entscheidungen als Teil eines größeren Arbeitsablaufs zu treffen. Im Gegensatz zu generativer KI, die neue Inhalte erstellt, konzentriert sich Vision AI darauf, vorhandene visuelle Daten zu verstehen und Informationen daraus zu extrahieren.

Die Überwachung von Aktivitäten auf einer Fabrikfläche oder in einem öffentlichen Raum über längere Zeiträume erfordert beispielsweise eine Geschwindigkeit und Beständigkeit, die manuell nur schwer aufrechtzuerhalten sind. Vision-AI-Systeme können diese Herausforderung bewältigen, indem sie Verfahren des maschinellen Lernens und des Deep Learnings anwenden, um Muster zu erkennen, relevante Details zu identifizieren und auf neue visuelle Informationen zu reagieren.

Abb. 1. Beispiel für die Verwendung von Vision AI zur Erkennung von Objekten in einem Bild (Quelle)

Da Bilder und Videos oft in großen Mengen und mit hoher Geschwindigkeit erzeugt werden, können Vision-AI-Systeme visuelle Daten kontinuierlich verarbeiten und auf jedes Bild dieselben Regeln anwenden. Dadurch werden die Ergebnisse konsistenter, und Teams können ihre Abläufe verbessern und auch bei wechselnden Bedingungen präzise arbeiten.

In der Praxis ist Vision AI meist Teil eines durchgängigen KI-Systems. Sie verbindet Vision-AI-Modelle mit Entscheidungslogik und anderen Werkzeugen, die auf Grundlage der Ergebnisse Aktionen ausführen. Indem Vision AI visuelle Eingaben in nützliche Erkenntnisse umwandelt, kann sie Routineaufgaben automatisieren und in vielen Computer-Vision-Anwendungen schnellere und fundiertere Entscheidungen unterstützen.

So funktioniert Vision AI: Von visuellen Daten zu umsetzbaren Erkenntnissen#

Wie gelangt also ein System oder eine Maschine vom Erfassen 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 Sensorströmen. Da diese Daten sich in Qualität, Beleuchtung und Kamerawinkel stark unterscheiden können, müssen sie vor der Analyse in der Regel aufbereitet werden.

Diese Aufbereitung kann das Ändern der Bildgröße, die Anpassung der Beleuchtung und das Überführen von Videobildern in ein einheitliches Format umfassen. Zusätzlicher Kontext wie Zeitstempel oder Kamerastandort wird häufig einbezogen, um eine genauere Analyse zu ermöglichen.

Die aufbereiteten Daten werden anschließend in einem Lernrahmen verwendet, der es dem System ermöglicht, visuelle Muster zu erkennen. Durch das Training mit annotierten Bildern und Videos lernt ein Vision-AI-Modell, wie Objekte, Muster und Ereignisse unter unterschiedlichen Bedingungen erscheinen.

Dieses erlernte Verständnis bildet die Grundlage für viele gängige Computer-Vision-Aufgaben wie die Objekterkennung (Identifizierung und Lokalisierung von Objekten in einem Bild) und die Instanzsegmentierung (Trennung und Kennzeichnung einzelner Objekte auf Pixelebene). Modernste Vision-AI-Modelle wie Ultralytics YOLO26 sind darauf ausgelegt, diese Aufgaben zu unterstützen und zugleich in realen Umgebungen schnell und präzise zu bleiben.

Abb. 2. Einblick in die Verwendung von YOLO für die Instanzsegmentierung (Quelle)

Nach der Bereitstellung werden visuelle Eingaben kontinuierlich als Teil eines durchgängigen Arbeitsablaufs verarbeitet. Das Modell analysiert Bilder und Videos und sendet seine Ausgaben an Dashboards, Automatisierungswerkzeuge oder andere KI-Systeme. In manchen Fällen nutzen Vision-AI-Agenten diese Ergebnisse, um Aktionen auszulösen oder Entscheidungen zu unterstützen, und machen so aus visuellem Verständnis praktische, umsetzbare Erkenntnisse.

Die Entwicklung von Vision-Modellen und Architekturen#

Wenn du mehr über Vision AI lernst, fragst du dich vielleicht, warum Modelle und Architekturen wichtig sind und wie sie die Systemleistung beeinflussen. Vision-AI-Modelle sind entscheidend für die heutigen Innovationen im Bereich Computer Vision.

Die meisten Vision-AI-Systeme basieren auf einem Modell, das bestimmt, wie Bilder und Videos analysiert werden. Das Modell legt fest, welche Elemente das System in einer Szene erkennen kann und wie gut es unter unterschiedlichen Bedingungen arbeitet.

Da Vision-AI-Anwendungen vielfältiger und komplexer geworden sind, wurden Vision-AI-Modelle und ihre zugrunde liegenden Architekturen weiterentwickelt, um Schritt zu halten und benutzerfreundlich zu bleiben. Frühe Computer-Vision-Systeme erforderten, dass Ingenieure manuell festlegten, wonach das System suchen sollte, etwa nach bestimmten Kanten, Farben oder Formen.

Diese regelbasierten Ansätze funktionierten in kontrollierten Umgebungen gut, versagten aber häufig, wenn sich die Beleuchtung änderte, die Kameraqualität schwankte oder Szenen komplexer wurden. Moderne Vision-AI-Modelle verfolgen einen anderen Ansatz.

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

Die Ultralytics YOLO-Modelle sind ein gutes Beispiel für diesen Wandel. Modelle wie YOLO26 werden häufig für Aufgaben der Objekterkennung eingesetzt, die Geschwindigkeit und Beständigkeit erfordern, insbesondere bei Live-Videoanwendungen.

Zentrale Aufgaben von Vision AI#

Hier sind einige der wichtigsten Computer-Vision-Aufgaben, auf die KI-gestützte Bildverarbeitungssysteme angewiesen sind, um visuelle Informationen zu verstehen und Abläufe in realen Umgebungen zu optimieren:

• Objekterkennung: Diese Aufgabe ermöglicht es einem System, die in einem Bild oder Video vorhandenen Objekte zu identifizieren und ihre Position zu bestimmen, üblicherweise durch das Zeichnen von Begrenzungsrahmen um jedes Objekt.
• Bildklassifizierung: Bei diesem Ansatz wird ein gesamtes Bild analysiert und anhand seines Gesamtinhalts mit einem oder mehreren Etiketten versehen. Das hilft dabei, visuelle Inhalte zu organisieren und Entscheidungen zu unterstützen.
• Instanzsegmentierung: Bei Aufgaben, die eine höhere Präzision erfordern, wird ein Bild bei dieser Aufgabe auf Pixelebene aufgeteilt, um Objekte oder Bereiche innerhalb einer Szene voneinander zu trennen.
• Objektverfolgung: Bei videobasierten Anwendungen ermöglicht diese Funktion, Objekte über mehrere Bilder hinweg zu verfolgen und dabei ihre Identität und Bewegung im Zeitverlauf beizubehalten.
• Posenschätzung: Dabei werden Schlüsselpunkte an Personen oder Objekten identifiziert, etwa Gelenke oder Referenzpunkte, um ihre Position, Körperhaltung und Bewegung in dynamischen Umgebungen zu bestimmen.

Abb. 3. Erkennung und Verfolgung von Fahrzeugen mit YOLO (Quelle)

Die Rolle von Datensätzen für Vision AI#

Hinter jedem leistungsfähigen Vision-AI-System steht ein sorgfältig zusammengestellter Datensatz. Diese Vision-AI-Datensätze liefern die Bilder und Videos, aus denen Vision-AI-Modelle lernen, und helfen ihnen, Objekte, Muster und Szenen in realen Umgebungen zu erkennen.

Die Qualität der Daten wirkt sich unmittelbar darauf aus, wie präzise und zuverlässig das System sein wird. Damit visuelle Daten aussagekräftig werden, werden Datensätze annotiert. Das bedeutet, dass jedem Bild oder Video wichtige Details hinzugefügt werden, etwa durch die Kennzeichnung von Objekten, die Hervorhebung bestimmter Bereiche oder die Zuweisung von Kategorien.

Zusätzlich zu den Labels können weitere Metadaten wie Zeit, Ort oder Szenentyp einbezogen werden, um die Daten zu organisieren und das Verständnis zu verbessern. Datensätze werden außerdem häufig in Trainings-, Validierungs- und Testmengen aufgeteilt, damit Systeme mit visuellen Inhalten bewertet werden können, die sie zuvor noch nicht gesehen haben.

Beliebte Datensätze wie ImageNet, COCO und Open Images haben durch die Bereitstellung großer, vielfältiger Sammlungen annotierter Bilder maßgeblich zur Weiterentwicklung von Vision AI beigetragen. Trotzdem bleibt die Erfassung realer Daten schwierig.

Verzerrungen, Lücken bei der Abdeckung und sich ständig verändernde Umgebungen erschweren die Erstellung von Datensätzen, die reale Bedingungen tatsächlich widerspiegeln. Das richtige Gleichgewicht bei der Datenerfassung in großem Umfang ist entscheidend für den Aufbau zuverlässiger Vision-AI-Systeme.

Ein Blick auf verschiedene Anwendungsfälle von Vision AI#

Nachdem wir nun besser verstehen, wie Vision AI funktioniert, sehen wir uns an, wie sie in realen Anwendungen eingesetzt wird. In vielen Branchen hilft Vision AI Teams dabei, visuelle Aufgaben in großem Maßstab zu bewältigen, was zu schnelleren Reaktionen und effizienteren Abläufen führt.

Hier sind einige gängige Einsatzmöglichkeiten von Vision AI in verschiedenen Branchen:

• Fertigung: In der Fabrik kann Vision AI eingesetzt werden, um Produkte auf ihrem Weg durch die einzelnen Produktionsphasen zu überwachen. Sie kann frühzeitig Fehler, fehlende Teile oder Unregelmäßigkeiten erkennen und Teams so dabei helfen, Nacharbeit zu reduzieren, die Qualität zu sichern und unerwartete Ausfallzeiten zu vermeiden.
• Einzelhandel: In Verkaufsräumen können Vision-AI-Lösungen den Bestand verfolgen, den Zustand von Regalen prüfen und Verluste reduzieren. Durch die Analyse visueller Eindrücke im Geschäft können diese Systeme Mitarbeitenden helfen, die Vorgänge auf der Verkaufsfläche besser zu verstehen und schneller Anpassungen vorzunehmen, damit der Betrieb reibungslos läuft.
• Gesundheitswesen: Vision AI kann Fachkräfte im Gesundheitswesen unterstützen, indem sie bei der Auswertung medizinischer Bilder wie Aufnahmen oder Testergebnisse hilft. Sie kann Bereiche markieren, die genauer untersucht werden sollten, sodass medizinisches Personal effizienter arbeiten kann, während die endgültigen Entscheidungen beim Menschen bleiben.
• Verkehr und intelligente Städte: Auf Straßen und in öffentlichen Bereichen hilft Vision AI Städten dabei, den Verkehrsfluss zu überwachen, Vorfälle zu erkennen und die Sicherheit auf ein höheres Niveau zu heben. Die Echtzeitanalyse von Kamerabildern ermöglicht schnellere Reaktionen auf veränderte Bedingungen und unterstützt eine bessere Verwaltung der städtischen Infrastruktur.

Abb. 4. Automatisierte Produktüberwachung mit Vision AI in der Fertigung (Quelle)

Vor- und Nachteile von Vision-AI-Werkzeugen#

Hier sind einige der wichtigsten Vorteile des Einsatzes von Vision AI in realen Anwendungen:

• Für verschiedene Anwendungsfälle skalierbar: Nach dem Training können Vision-AI-Systeme mit minimalen Änderungen an mehreren Standorten oder in verschiedenen Anwendungen eingesetzt werden.
• Schnellere Unterstützung durch KI: Durch die Analyse von Bildern und Videos bereits während ihrer Aufnahme können Vision-AI-gestützte Systeme Erkenntnisse in Echtzeit liefern und so schnellere Reaktionen und bessere Entscheidungen unterstützen.
• Einfache Integration in bestehende Arbeitsabläufe: Die Ausgaben von Vision AI können mit nachgelagerten Systemen, Dashboards oder Automatisierungsprozessen verbunden werden.

Trotz dieser Vorteile gibt es Einschränkungen, die sich auf die Leistung von Vision-AI-Systemen auswirken können. Hier sind einige Faktoren, die du beachten solltest:

• Abhängigkeit von Datenqualität und -verfügbarkeit: Vision-AI-Systeme sind stark auf große, gut vorbereitete Datensätze angewiesen. Das Erfassen und Pflegen hochwertiger visueller Daten kann zeitaufwendig und kostspielig sein.
• Empfindlichkeit gegenüber Veränderungen der Umgebung: Die Leistung kann nachlassen, wenn sich Kameras bewegen, sich die Beleuchtung verändert oder sich Szenen ohne erneutes Training oder Anpassung erheblich ändern.
• Anforderungen an Rechenleistung und Infrastruktur: Der Betrieb von Vision-AI-Modellen, insbesondere in Echtzeit oder in großem Maßstab, kann erhebliche Rechenressourcen und spezialisierte Hardware erfordern.

Wichtige Erkenntnisse#

Vision AI wandelt Bilder und Videos in aussagekräftige Informationen um, die Systeme verstehen und nutzen können. Das hilft dabei, visuelle Aufgaben zu automatisieren und schnellere, zuverlässigere Entscheidungen zu unterstützen. Ihre Wirksamkeit hängt vom Zusammenspiel leistungsfähiger Modelle, hochwertiger Datensätze und gut konzipierter Arbeitsabläufe ab.

Interessierst du dich für Vision AI? Tritt unserer Community bei und erfahre mehr über Computer Vision in der Landwirtschaft und Vision AI in der Automobilindustrie. Sieh dir unsere Lizenzoptionen an, um mit Computer Vision zu beginnen. Besuche unser GitHub-Repository, um dich weiter mit KI zu beschäftigen.