Die besten Modelle zur Objekterkennung

Anfang dieses Jahres stellte Andrew Ng, ein Pionier auf dem Gebiet der künstlichen Intelligenz und des maschinellen Lernens, das Konzept der agentenbasierten Objekterkennung vor. Dieser Ansatz verwendet einen Schlussfolgerungsagenten, um Objekte anhand einer Texteingabe zu erkennen, ohne große Mengen an Trainingsdaten zu benötigen.

Objekte in Bildern und Videos identifizieren zu können, ohne große annotierte Datensätze zu benötigen, ist ein Schritt hin zu intelligenteren und flexibleren Computer-Vision-Systemen. Agentenbasierte visuelle KI befindet sich jedoch noch in einem frühen Entwicklungsstadium.

Obwohl sie allgemeine Aufgaben bewältigen kann, etwa Personen oder Verkehrsschilder in einem Bild zu erkennen, sind für präzisere Computer-Vision-Anwendungen weiterhin herkömmliche Modelle zur Objekterkennung erforderlich. Diese Modelle werden mit großen, sorgfältig annotierten Datensätzen trainiert, um genau zu lernen, wonach sie suchen und wo sich Objekte befinden.

Abb. 1. Ein Beispiel für Objekterkennung. (Quelle)

Die herkömmliche Objekterkennung ist unverzichtbar, weil sie sowohl die Erkennung – also die Bestimmung, um welches Objekt es sich handelt – als auch die Lokalisierung ermöglicht, also die genaue Bestimmung seiner Position im Bild. Diese Kombination ermöglicht es Maschinen, komplexe Aufgaben in der realen Welt zuverlässig auszuführen, von autonomen Fahrzeugen über die industrielle Automatisierung bis hin zur medizinischen Diagnostik.

Dank technischer Fortschritte werden Modelle zur Objekterkennung immer besser: Sie werden schneller, genauer und eignen sich besser für Umgebungen der realen Welt. In diesem Artikel stellen wir einige der besten derzeit verfügbaren Modelle zur Objekterkennung vor. Legen wir los!

Die Notwendigkeit der Objekterkennung#

Computer-Vision-Aufgaben wie die Bildklassifizierung können bestimmen, ob ein Bild ein Auto, eine Person oder ein anderes Objekt enthält. Sie können jedoch nicht feststellen, wo sich das Objekt im Bild befindet.

Hier kommt die Objekterkennung ins Spiel. Modelle zur Objekterkennung können feststellen, welche Objekte vorhanden sind, und außerdem ihre genaue Position bestimmen. Dieser als Lokalisierung bezeichnete Prozess ermöglicht es Maschinen, Szenen genauer zu verstehen und angemessen zu reagieren – etwa ein selbstfahrendes Auto anzuhalten, einen Roboterarm zu steuern oder einen Bereich in medizinischen Aufnahmen hervorzuheben.

Das Aufkommen des Deep Learning hat die Objekterkennung grundlegend verändert. Statt sich auf von Hand programmierte Regeln zu stützen, lernen moderne Modelle Muster direkt aus Annotationen und visuellen Daten. Diese Datensätze zeigen den Modellen, wie Objekte aussehen, wo sie normalerweise vorkommen und wie sie mit Herausforderungen wie kleinen Objekten, unübersichtlichen Szenen oder wechselnden Lichtverhältnissen umgehen.

Moderne Objekterkennungssysteme können tatsächlich mehrere Objekte gleichzeitig präzise erkennen. Dadurch wird die Objekterkennung zu einer Schlüsseltechnologie für Anwendungen wie autonomes Fahren, Robotik, Gesundheitswesen und industrielle Automatisierung.

So funktionieren Aufgaben zur Objekterkennung#

Die Eingabe eines Modells zur Objekterkennung ist ein Bild, das von einer Kamera, einem Videobild oder sogar einer medizinischen Aufnahme stammen kann. Das Eingabebild wird durch ein neuronales Netzwerk verarbeitet, typischerweise ein konvolutionales neuronales Netzwerk (CNN), das darauf trainiert ist, Muster in visuellen Daten zu erkennen.

Im Inneren des Netzwerks wird das Bild in mehreren Stufen analysiert. Auf Grundlage der erkannten Merkmale sagt das Modell voraus, welche Objekte vorhanden sind und wo sie erscheinen.

Diese Vorhersagen werden mithilfe von Begrenzungsrahmen dargestellt, also Rechtecken, die um jedes erkannte Objekt gezeichnet werden. Für jeden Begrenzungsrahmen weist das Modell ein Klassenlabel (zum Beispiel Auto, Person oder Hund) und einen Konfidenzwert zu, der angibt, wie sicher es sich bei der Vorhersage ist (dies kann auch als Wahrscheinlichkeit betrachtet werden).

Abb. 2. Vorhersagen der Objekterkennung können mithilfe von Begrenzungsrahmen visualisiert werden.

Der gesamte Prozess stützt sich maßgeblich auf die Merkmalsextraktion. Das Modell lernt, nützliche visuelle Muster wie Kanten, Formen, Texturen und andere unterscheidende Eigenschaften zu erkennen. Diese Muster werden in Merkmalskarten codiert, die dem Netzwerk helfen, das Bild auf mehreren Detailstufen zu verstehen.

Objekterkennung: zweistufige und einstufige Modelle#

Je nach Modellarchitektur verwenden Objektdetektoren unterschiedliche Strategien zur Lokalisierung von Objekten und wägen dabei Geschwindigkeit, Genauigkeit und Komplexität gegeneinander ab.

Viele Modelle zur Objekterkennung, insbesondere zweistufige Detektoren wie Faster R-CNN, konzentrieren sich auf bestimmte Bildbereiche, die als Interessensbereiche (ROIs) bezeichnet werden. Indem sich das Modell auf diese Bereiche konzentriert, priorisiert es Regionen, die wahrscheinlich Objekte enthalten, anstatt jedes Pixel gleich zu analysieren.

Einstufige Modelle wie die frühen YOLO-Modelle wählen dagegen keine bestimmten ROIs aus, wie es zweistufige Modelle tun. Stattdessen teilen sie das Bild in ein Raster auf und verwenden vordefinierte Rahmen, sogenannte Ankerrahmen, zusammen mit Merkmalskarten, um Objekte in einem einzigen Durchlauf über das gesamte Bild vorherzusagen.

Heutzutage erforschen moderne Modelle zur Objekterkennung anskerfreie Ansätze. Im Gegensatz zu herkömmlichen einstufigen Modellen, die auf vordefinierten Ankerrahmen beruhen, sagen ankerfreie Modelle Objektpositionen und -größen direkt anhand von Merkmalskarten voraus. Das kann die Architektur vereinfachen, den Rechenaufwand verringern und die Leistung verbessern, insbesondere bei der Erkennung von Objekten mit unterschiedlichen Formen und Größen.

Ein Blick auf die besten Modelle zur Objekterkennung#

Heute gibt es viele Modelle zur Objekterkennung, die jeweils für bestimmte Ziele entwickelt wurden. Einige sind für die Verarbeitung in Echtzeit optimiert, während andere sich auf die höchstmögliche Genauigkeit konzentrieren. Die Wahl des richtigen Modells für eine Computer-Vision-Lösung hängt häufig von deinem konkreten Anwendungsfall und den Leistungsanforderungen ab.

Als Nächstes sehen wir uns einige der besten Modelle zur Objekterkennung im Jahr 2026 an.

1. Ultralytics YOLO-Modelle#

Eine der heute am häufigsten verwendeten Familien von Modellen zur Objekterkennung ist die Modellfamilie Ultralytics YOLO. YOLO, kurz für You Only Look Once, ist branchenübergreifend beliebt, weil es eine starke Erkennungsleistung bietet und gleichzeitig schnell, zuverlässig und einfach zu verwenden ist.

Die Ultralytics YOLO-Familie umfasst Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11 und das kommende Ultralytics YOLO26 und bietet damit verschiedene Optionen für unterschiedliche Leistungs- und Anwendungsanforderungen. Dank ihres leichten Designs und ihrer Geschwindigkeitsoptimierung eignen sich Ultralytics YOLO-Modelle ideal für die Erkennung in Echtzeit und können auf Edge-Geräten mit begrenzter Rechenleistung und begrenztem Speicher eingesetzt werden.

Abb. 3. Verwendung von Ultralytics YOLO11 zur Objekterkennung (Quelle)

Über die grundlegende Objekterkennung hinaus sind diese Modelle äußerst vielseitig. Sie unterstützen auch Aufgaben wie die Instanzsegmentierung, bei der Objekte auf Pixelebene umrissen werden, und die Posenschätzung, bei der Schlüsselpunkte auf Personen oder Objekten ermittelt werden. Diese Flexibilität macht Ultralytics YOLO-Modelle zu einer bevorzugten Option für eine Vielzahl von Anwendungen, von Landwirtschaft und Logistik bis hin zu Einzelhandel und Fertigung.

Ein weiterer wichtiger Grund für die Beliebtheit von Ultralytics YOLO-Modellen ist das Ultralytics Python-Paket, das eine einfache und benutzerfreundliche Schnittstelle zum Trainieren, Feinabstimmen und Bereitstellen von Modellen bietet. Entwickler können mit vortrainierten Gewichten beginnen, die Modelle an ihre eigenen Datensätze anpassen und sie mit nur wenigen Codezeilen bereitstellen.

2. RT-DETR und RT-DETRv2#

RT‑DETR (Echtzeit-Erkennungstransformer) und das neuere RT‑DETRv2 sind Modelle zur Objekterkennung, die für den Echtzeiteinsatz entwickelt wurden. Im Gegensatz zu vielen herkömmlichen Modellen können sie ein Bild direkt verarbeiten und die endgültigen Erkennungen ausgeben, ohne eine nichtmaximale Unterdrückung (NMS) zu verwenden.

NMS ist ein Schritt, bei dem zusätzliche überlappende Rahmen entfernt werden, wenn ein Modell dasselbe Objekt mehr als einmal vorhersagt. Der Verzicht auf NMS macht den Erkennungsprozess einfacher und schneller.

Diese Modelle kombinieren CNNs mit Transformern. Das CNN erkennt visuelle Details wie Kanten und Formen, während der Transformer ein neuronales Netzwerk ist, das das gesamte Bild gleichzeitig betrachten und verstehen kann, wie verschiedene Teile miteinander zusammenhängen. Dieses umfassende Verständnis ermöglicht es dem Modell, eng beieinanderliegende oder überlappende Objekte zu erkennen.

RT‑DETRv2 verbessert das ursprüngliche Modell durch Funktionen wie die Erkennung auf mehreren Maßstabsebenen, die beim Auffinden kleiner und großer Objekte hilft, sowie durch eine bessere Verarbeitung komplexer Szenen. Diese Änderungen halten das Modell schnell und verbessern zugleich seine Genauigkeit.

3. RF-DETR#

RF‑DETR ist ein echtzeitfähiges, transformerbasiertes Modell, das die Genauigkeit von Transformer-Architekturen mit der für Anwendungen in der realen Welt erforderlichen Geschwindigkeit verbindet. Wie RT‑DETR und RT‑DETRv2 verwendet es einen Transformer zur Analyse des gesamten Bildes und ein CNN zur Extraktion feiner visueller Merkmale wie Kanten, Formen und Texturen.

Das Modell sagt Objekte direkt aus dem Eingabebild voraus und verzichtet dabei auf Ankerrahmen und nichtmaximale Unterdrückung, wodurch der Erkennungsprozess vereinfacht und die Inferenz schnell gehalten wird. RF‑DETR unterstützt außerdem die Instanzsegmentierung und kann dadurch Objekte zusätzlich zur Vorhersage von Begrenzungsrahmen auf Pixelebene umranden.

4. EfficientDet#

EfficientDet wurde Ende 2019 veröffentlicht und ist ein Modell zur Objekterkennung, das für effiziente Skalierung und hohe Leistung entwickelt wurde. Ein besonderes Merkmal von EfficientDet ist die kombinierte Skalierung: Dabei werden Eingabeauflösung, Netzwerktiefe und Netzwerkbreite gleichzeitig skaliert, anstatt nur einen Faktor anzupassen. Dieser Ansatz hilft dem Modell, eine stabile Genauigkeit beizubehalten, unabhängig davon, ob es für leistungsintensive Aufgaben vergrößert oder für den Einsatz auf leichten Geräten verkleinert wird.

Eine weitere wichtige Komponente von EfficientDet ist sein effizientes Merkmals-Pyramidennetzwerk (FPN), mit dem das Modell Bilder auf mehreren Maßstabsebenen analysieren kann. Diese Analyse auf mehreren Maßstabsebenen ist entscheidend für die Erkennung von Objekten unterschiedlicher Größe und ermöglicht es EfficientDet, sowohl kleine als auch große Objekte im selben Bild zuverlässig zu identifizieren.

5. PP-YOLOE+#

PP-YOLOE+ wurde 2022 veröffentlicht und ist ein YOLO-ähnliches Modell zur Objekterkennung, das Objekte in einem einzigen Durchlauf über das Bild erkennt und klassifiziert. Dieser Ansatz macht es schnell und für Echtzeitanwendungen geeignet, wobei die hohe Genauigkeit erhalten bleibt.

Eine der wichtigsten Verbesserungen in PP-YOLOE+ ist das auf die Aufgabe abgestimmte Lernen, durch das die Konfidenzwerte des Modells besser widerspiegeln, wie genau Objekte lokalisiert werden. Dies ist besonders nützlich für die Erkennung kleiner oder überlappender Objekte.

Abb. 4. Erkennung von Objekten mit PP-YOLOE+ (Quelle)

Das Modell verwendet außerdem eine entkoppelte Kopfarchitektur, die die Aufgaben der Vorhersage von Objektpositionen und Klassenlabels voneinander trennt. Dadurch kann es Begrenzungsrahmen präziser zeichnen und Objekte zugleich korrekt klassifizieren.

6. GroundingDINO#

GroundingDINO ist ein transformerbasiertes Modell zur Objekterkennung, das visuelle Informationen und Sprache miteinander verbindet. Statt auf eine festgelegte Kategorienmenge angewiesen zu sein, ermöglicht es Nutzern, Objekte mithilfe von Texteingaben in natürlicher Sprache zu erkennen.

Indem visuelle Merkmale eines Bildes mit Textbeschreibungen abgeglichen werden, kann das Modell Objekte lokalisieren, selbst wenn die betreffenden Bezeichnungen nicht in den Trainingsdaten enthalten waren. Du kannst das Modell beispielsweise mit Beschreibungen wie „eine Person mit Helm“ oder „ein rotes Auto neben einem Gebäude“ anweisen, woraufhin es genaue Begrenzungsrahmen um passende Objekte erzeugt.

Da GroundingDINO außerdem die Zero-Shot-Erkennung unterstützt, verringert es den Bedarf, das Modell für jeden neuen Anwendungsfall erneut zu trainieren oder feinabzustimmen, und ist dadurch für eine Vielzahl von Anwendungen äußerst flexibel. Diese Kombination aus Sprachverständnis und visueller Erkennung eröffnet neue Möglichkeiten für interaktive und adaptive KI-Systeme.

Gängige Metriken zur Bewertung von Objektdetektoren#

Wenn du verschiedene Modelle zur Objekterkennung vergleichst, fragst du dich vielleicht, woran du erkennst, welches tatsächlich die beste Leistung erzielt. Das ist eine berechtigte Frage, denn neben der Modellarchitektur und der Qualität deiner Daten können viele Faktoren die Leistung beeinflussen.

Forscher stützen sich häufig auf gemeinsame Benchmarks und standardisierte Leistungsmetriken, um Modelle einheitlich zu bewerten, Ergebnisse zu vergleichen und Zielkonflikte zwischen Geschwindigkeit und Genauigkeit zu verstehen. Standardisierte Benchmarks sind besonders wichtig, weil viele Modelle zur Objekterkennung auf denselben Datensätzen bewertet werden, etwa auf dem COCO-Datensatz.

Messung von Erkennungsgenauigkeit und Geschwindigkeit#

Hier ist ein genauerer Blick auf einige gängige Metriken zur Bewertung von Modellen zur Objekterkennung:

• Intersection over Union (IoU): Diese Metrik misst, wie stark ein vorhergesagter Begrenzungsrahmen das tatsächliche Objekt in einem Bild überlappt. Sie vergleicht den vom Modell gezeichneten Rahmen mit dem Referenzrahmen, also der im Datensatz annotierten Position des Objekts. IoU wird als Fläche der Überlappung geteilt durch die Vereinigungsfläche der beiden Rahmen berechnet. Ein höherer IoU-Wert bedeutet, dass das Modell den Rahmen genauer platziert, während ein niedrigerer IoU-Wert auf eine unpräzisere Vorhersage hindeutet. Vereinfacht gesagt zeigt IoU, wie genau die Vorhersagen des Modells mit den tatsächlichen Objektpositionen übereinstimmen.
• Mittlere durchschnittliche Präzision (mAP): Dies ist die wichtigste Metrik zur Bewertung der Gesamtleistung bei der Objekterkennung. Sie berücksichtigt sowohl die Anzahl der Objekte, die das Modell korrekt erkennt, als auch die Genauigkeit dieser Erkennungen über verschiedene Konfidenzniveaus und Objektkategorien hinweg.
• Bilder pro Sekunde (FPS) und Latenz: FPS gibt an, wie viele Bilder oder Videobilder ein Modell in einer Sekunde verarbeiten kann. Ein Modell mit 30 FPS kann beispielsweise 30 Bilder pro Sekunde verarbeiten. Eine höhere FPS-Zahl bedeutet, dass das System schneller reagieren kann, was für Anwendungsfälle wie Livevideo, Verkehrsüberwachung oder Robotik wichtig ist. Die Latenz misst dagegen, wie lange das Modell benötigt, um ein einzelnes Bild oder Videobild vom Empfang bis zur Bereitstellung des Ergebnisses zu verarbeiten.

Vor- und Nachteile der Verwendung von Algorithmen zur Objekterkennung#

Hier sind einige der wichtigsten Vorteile von Modellen zur Objekterkennung in Anwendungen der realen Welt:

• Branchenübergreifend skalierbar: Objekterkennung kann für eine Vielzahl von Anwendungsfällen eingesetzt werden, von Verkehrsüberwachung und Einzelhandelsanalysen bis hin zu Gesundheitswesen, Landwirtschaft und Fertigung.
• Verringert den manuellen Aufwand: Die Automatisierung visueller Inspektions- und Überwachungsaufgaben senkt den Bedarf an ständiger menschlicher Überwachung und hilft Teams, sich auf wertschöpfendere Tätigkeiten zu konzentrieren.
• Profitiert von Open-Source-Ökosystemen: Aktive Open-Source-Communities und Ressourcen auf GitHub erleichtern den Zugriff auf vortrainierte Modelle, das Experimentieren und die Anpassung von Lösungen.

Trotz dieser Vorteile gibt es praktische Einschränkungen, die sich auf die Leistung von Modellen zur Objekterkennung auswirken können. Hier sind einige wichtige Faktoren, die du berücksichtigen solltest:

• Anforderungen an hochwertige Daten: Modelle zur Objekterkennung sind beim Training auf große, gut annotierte Datensätze angewiesen. Die Erstellung und Pflege dieser Daten kann zeitaufwendig, kostspielig und schwer skalierbar sein.
• Rechenaufwand: Modelle mit höherer Erkennungsgenauigkeit benötigen häufig sowohl beim Training als auch bei der Bereitstellung in Echtzeit erhebliche Rechenleistung. Dies bedeutet typischerweise den Einsatz leistungsstarker GPUs, wodurch die Infrastrukturkosten steigen können.
• Empfindlichkeit gegenüber Bedingungen der realen Welt: Unterschiede bei Beleuchtung, Kamerawinkeln, Wetter und dicht besiedelten Szenen können die Erkennungsleistung beeinträchtigen und fortlaufende Tests und Anpassungen erforderlich machen.

Wichtige Erkenntnisse#

Welches Modell zur Objekterkennung für dein Computer-Vision-Projekt am besten geeignet ist, hängt von deinem Anwendungsfall, deiner Datenkonfiguration, den Leistungsanforderungen und den Einschränkungen deiner Hardware ab. Einige Modelle sind auf Geschwindigkeit optimiert, während andere den Schwerpunkt auf Genauigkeit legen; die meisten Anwendungen in der realen Welt benötigen eine ausgewogene Kombination aus beidem. Dank Open-Source-Frameworks und aktiver Communities auf GitHub lassen sich diese Modelle immer einfacher bewerten, anpassen und für praktische Anwendungen bereitstellen.

Weitere Informationen findest du in unserem GitHub-Repository. Tritt unserer Community bei und sieh dir unsere Lösungsseiten an, um mehr über Anwendungen wie KI im Gesundheitswesen und Computer Vision in der Automobilindustrie zu erfahren. Entdecke unsere Lizenzoptionen, um noch heute mit visueller KI zu beginnen.