Kantendetektion in der Bildverarbeitung verstehen

Als Menschen erkennen wir beim Betrachten eines Bildes ganz natürlich die Kanten von Objekten, folgen ihren Kurven und nehmen die Texturen auf ihren Oberflächen wahr. Für einen Computer beginnt das Verständnis jedoch auf der Ebene einzelner Pixel.

Ein Pixel, die kleinste Einheit eines digitalen Bildes, speichert Farbe und Helligkeit an einem einzigen Punkt. Durch die Verfolgung von Änderungen dieser Pixelwerte in einem Bild kann ein Computer Muster erkennen, die wichtige Details offenbaren.

Insbesondere nutzt die Bildverarbeitung Pixeldaten, um wesentliche Merkmale hervorzuheben und Ablenkungen zu entfernen. Eine gängige Technik der Bildverarbeitung ist die Kanten-Erkennung, die Punkte identifiziert, an denen sich Helligkeit oder Farbe stark ändern, um Objekte zu umreißen, Grenzen zu markieren und Struktur hinzuzufügen.

Dies ermöglicht es Computern, Formen zu trennen, Abmessungen zu messen und zu interpretieren, wie Teile einer Szene zusammenhängen. Die Kanten-Erkennung ist oft der erste Schritt bei der fortgeschrittenen Bildanalyse.

Abb. 1. Beispiel, das das Originalbild neben Ausgaben verschiedener Methoden zur Kanten-Erkennung zeigt. (Quelle)

In diesem Artikel werfen wir einen Blick darauf, was Kanten-Erkennung ist, wie sie funktioniert und welche realen Anwendungen sie hat. Fangen wir an!

Link to this sectionKonzepte der Kanten-Erkennung#

Die Kanten-Erkennung konzentriert sich auf die Suche nach Stellen in einem Bild, an denen sich Helligkeit oder Farbe von einem Punkt zum nächsten merklich ändern. Ist die Änderung gering, erscheint der Bereich glatt. Ist die Änderung scharf, markiert sie oft die Grenze zwischen zwei verschiedenen Regionen.

Hier sind einige der Gründe, warum diese Pixelveränderungen auftreten:

• Oberflächennormalen-Diskontinuitäten: Wenn zwei Oberflächen in einem Winkel aufeinandertreffen, wie an der Ecke einer Wand oder der Kante einer Box, erzeugt diese scharfe Änderung der Ausrichtung eine klare Grenze im Bild.
• Tiefen-Diskontinuitäten: Sie treten auf, wo sich Objekte in unterschiedlichen Abständen von der Kamera befinden, was eine sichtbare Trennung erzeugt, die dem System hilft, sie zu unterscheiden.
• Änderungen von Oberflächenfarbe oder -textur: Dies tritt auf, wenn ein Bereich eine andere Farbe oder Textur als der angrenzende Bereich aufweist, wodurch eine sichtbare Trennung entsteht.
• Beleuchtungsänderungen: Sie entstehen durch Lichtveränderungen, einschließlich Schatten oder Glanzlichtern auf Oberflächen, die sichtbare Trennungen erzeugen, selbst wenn die Oberflächen selbst glatt oder kontinuierlich sind.

Abb. 2. Verschiedene Arten von Kantendiskontinuitäten in Bildern. (Quelle)

Link to this sectionWie funktioniert die Erkennung bei der Kanten-Erkennung?#

Die Kanten-Erkennung beginnt normalerweise damit, ein Farbbild in ein Graustufenbild umzuwandeln, sodass jeder Punkt nur Helligkeit zeigt. Dies macht es für den Algorithmus einfacher, sich auf Helligkeits- und Dunkelheitsunterschiede anstatt auf Farben zu konzentrieren.

Als Nächstes können spezielle Filter das Bild scannen, um Stellen zu finden, an denen sich die Helligkeit plötzlich ändert. Diese Filter berechnen, wie steil sich die Helligkeit ändert, was man Gradient nennt. Ein höherer Gradient wird durch einen größeren Unterschied zwischen nahegelegenen Punkten verursacht, was oft auf eine Kante hinweist.

Der Algorithmus verfeinert dann das Bild weiter, entfernt kleine Details und behält nur die wichtigsten Linien und Formen bei. Das Ergebnis ist eine klare Kontur und ein Ausgabebild, das für weitere Analysen verwendet werden kann.

Link to this sectionEntwicklung der Kanten-Erkennung und Bildverarbeitung#

Bevor wir tiefer in die Kanten-Erkennung eintauchen, lass uns besprechen, wie sie sich im Laufe der Zeit entwickelt hat.

Die Bildverarbeitung begann mit einfachen, regelbasierten Methoden wie Schwellenwertbildung und Filterung, um Bilder zu bereinigen und zu verbessern. Im analogen Zeitalter bedeutete dies die Arbeit mit Fotografien oder Filmen unter Verwendung optischer Filter, Lupen oder chemischer Behandlungen, um Details hervorzuheben.

Techniken wie Kontrastanpassung, Rauschunterdrückung, Anpassung der Bildintensität und grundlegende Kanten-Erkennung trugen dazu bei, Eingangsbilder klarer zu machen sowie Formen und Texturen hervorzuheben. In den 1960er und 70er Jahren ebnete der Übergang von analoger zu digitaler Verarbeitung den Weg für moderne Analysen in Bereichen wie Astronomie, medizinische Bildgebung und Satellitenüberwachung.

In den 1980er und 90er Jahren ermöglichten schnellere Computer komplexere Aufgaben wie Merkmalsextraktion, Formerkennung und grundlegende Objekterkennung. Algorithmen wie der Sobel-Operator und Canny boten eine präzisere Kanten-Erkennung, während Mustererkennung Anwendungen in Bereichen von der industriellen Automatisierung bis hin zum Lesen von gedrucktem Text durch OCR fand.

Link to this sectionKanten-Erkennung und Computer Vision im 21. Jahrhundert#

Heute haben stetige technologische Fortschritte zur Entwicklung von Computer Vision geführt. Vision AI, oder Computer Vision, ist ein Zweig der KI, der sich darauf konzentriert, Maschinen beizubringen, visuelle Informationen zu interpretieren und zu verstehen.

Während traditionelle Bildverarbeitung, wie die doppelte Schwellenwertbildung (die Bilder durch das Beibehalten starker Kanten und das Entfernen schwacher Kanten klarer macht) und Kanten-Erkennung, festen Regeln folgte und nur spezifische Aufgaben bewältigen konnte, verwendet Computer Vision datengesteuerte Modelle, die aus Beispielen lernen und sich an neue Situationen anpassen können.

Heutzutage gehen Bildgebungssysteme weit über das reine Verbessern von Bildern oder das Erkennen von Kanten hinaus. Sie können Objekte erkennen, Bewegungen verfolgen und den Kontext einer ganzen Szene verstehen.

Eine der Schlüsseltechniken, die dies ermöglicht, ist die Faltung. Eine Faltungsoperation ist ein Prozess, bei dem kleine Filter (auch Kernel genannt) ein Bild scannen, um wichtige Muster wie Kanten, Ecken und Texturen zu finden. Diese Muster werden zu den Bausteinen, die Computer-Vision-Modelle verwenden, um Objekte zu erkennen und zu verstehen.

Beispielsweise verwenden Computer-Vision-Modelle wie Ultralytics YOLO11 diese faltungsbasierten Merkmale, um fortgeschrittene Aufgaben wie Instanzsegmentierung auszuführen. Dies ist eng mit der Kanten-Erkennung verwandt, da die Instanzsegmentierung eine genaue Umrisszeichnung der Grenzen jedes Objekts in einem Bild erfordert.

Während sich die Kanten-Erkennung darauf konzentriert, Intensitätsänderungen in Kantenpixeln zu finden, um Objektkanten zu markieren, baut die Instanzsegmentierung auf dieser Idee auf, um Kanten zu erkennen, jedes Objekt zu klassifizieren und in seine eigene Region zu trennen.

Abb. 3. Ein Blick auf die Verwendung von YOLO11 und Instanzsegmentierung. (Quelle)

Link to this sectionAlgorithmen und Ansätze zur Kanten-Erkennung#

Selbst mit dem Wachstum von Computer Vision ist die Bildverarbeitung nach wie vor ein wichtiger Teil vieler Anwendungen. Das liegt daran, dass Computer Vision oft auf grundlegenden Bildvorverarbeitungsschritten aufbaut.

Bevor Systeme Objekte erkennen oder eine Szene verstehen, bereinigen sie normalerweise das Bild, reduzieren Rauschen und finden Kanten, um wichtige Details hervorzuheben. Diese Schritte machen fortgeschrittene Modelle genauer und effizienter.

Als Nächstes erkunden wir einige der gängigsten Algorithmen der Bildverarbeitung, die zur Kanten-Erkennung verwendet werden und wie sie funktionieren.

Link to this sectionSobel-Kanten-Erkennung#

Die Sobel-Kanten-Erkennung ist eine Schlüsselmethode, um die Umrisse von Objekten in einem Bild zu finden. Anstatt jedes Detail auf einmal zu analysieren, konzentriert sie sich auf Bereiche, in denen sich die Helligkeit vom einen Pixel zum nächsten benachbarten Pixel stark ändert.

Diese plötzlichen Verschiebungen markieren normalerweise den Punkt, an dem ein Objekt endet und ein anderes beginnt, oder wo ein Objekt auf den Hintergrund trifft. Durch die Isolierung dieser Kanten verwandelt Sobel ein komplexes Bild in eine sauberere Kontur, die für andere Systeme leichter zu verarbeiten ist, beispielsweise für Aufgaben wie Bewegungsverfolgung, Formerkennung oder Objekterkennung.

Du kannst dir die Sobel-Kanten-Erkennung als einen Gradientendetektor vorstellen, der misst, wie sich die Intensität über ein Bild hinweg ändert. Im Kern funktioniert dies durch eine Faltungsoperation: kleine Matrizen, sogenannte Kernel, werden über das Bild geschoben und gewichtete Summen der benachbarten Pixelwerte berechnet.

Diese Kernel sind darauf ausgelegt, Änderungen der Helligkeit in horizontaler und vertikaler Richtung hervorzuheben. Im Gegensatz zu Deep-Learning-Modellen, bei denen Kernel aus Daten gelernt werden, verwendet Sobel feste Kernel, um Kanten effizient hervorzuheben, ohne dass ein Training erforderlich ist.

Hier ist ein genauerer Blick auf die Funktionsweise der Sobel-Kanten-Erkennung:

• Verwendung von zwei 3×3-Filtern: Diese Methode verwendet zwei winzige 3×3-Gitter, sogenannte Filter. Stell sie dir wie Schablonen vor, die in horizontaler (x-Richtung) und vertikaler Richtung (y-Richtung) über das Bild gleiten. Ein Gitter ist darauf ausgelegt, horizontale Kanten zu finden, das andere für vertikale Kanten.
• Gradientenberechnung: Jeder Filter findet heraus, wie schnell sich die Helligkeit ändert und in welche Richtung der Gradient verläuft. Eine große Änderung bedeutet eine mögliche Kante.
• Ergebnisse kombinieren: Die horizontalen und vertikalen Ergebnisse werden kombiniert, um die gesamte Kantenstärke und -richtung an jedem Pixel zu bestimmen.
• Kanten-Erkennung: Pixel mit einer hohen Gradientengröße werden als starke Kanten markiert.
• Grenzen umreißen: Diese Kanten helfen, Objektformen zu definieren und verschiedene Regionen im Bild zu trennen.

Abb. 4. Die Sobel-Kanten-Erkennung kann die Hauptkonturen eines Eingangsbildes hervorheben und eine Kantenkarte erstellen. (Quelle)

Link to this sectionCanny-Kanten-Erkennung#

Die Canny-Kanten-Erkennung ist eine weitere beliebte Methode zum Finden von Kanten in einem Bild. Sie ist dafür bekannt, saubere und präzise Konturen zu erzeugen. Im Gegensatz zu grundlegenden Kanten-Erkennungstechniken folgt sie einer Reihe sorgfältig konzipierter Schritte, um Rauschen herauszufiltern, Grenzen zu schärfen und sich auf die wichtigsten Kanten zu konzentrieren.

Hier ist ein kurzer Überblick darüber, wie ein Canny-Kantendetektor funktioniert:

• Glättung des Bildes: Das Bild wird zuerst mit einem Gauß-Filter weichgezeichnet, einer Glättungstechnik, die Rauschen und kleine Details reduziert, die fälschlicherweise für Kanten gehalten werden könnten.
• Helligkeitsänderungen erkennen: Der Algorithmus sucht dann nach scharfen Helligkeitsänderungen und verwendet Gradientenberechnungen, um die Stärke und Richtung dieser Änderungen zu messen.
• Ausdünnen der Kanten: Nur die stärksten Punkte entlang jeder erkannten Linie werden beibehalten, während schwächere Punkte entfernt werden, was zu knackigen, sauberen Kanten führt.
• Kanten klassifizieren: Jeder Pixel wird basierend auf Schwellenwerten der Helligkeitsänderung als stark, schwach oder keine Kante markiert.
• Endgültige Bereinigung: Schwache Kanten, die mit starken verbunden sind, werden beibehalten; alle anderen werden verworfen, sodass nur klare, verbundene Grenzen übrig bleiben.

Abb. 5. Originalbild und sein entsprechendes Ausgabebild nach Verwendung des Canny-Kantendetektors. (Quelle)

Da sie genaue Ergebnisse liefert und gleichzeitig Rauschen herausfiltert, wird die Canny-Kanten-Erkennung häufig in Bereichen eingesetzt, in denen Präzision zählt. Zum Beispiel wird sie in Branchen wie medizinische Bildgebung, Satellitenkartierung, Dokumentenscan und Robotik-Vision verwendet.

Link to this sectionGradientenbasierte vs. Gauß-basierte Kanten-Erkennung#

Bisher haben wir uns die zwei Beispiele Sobel und Canny zur Kanten-Erkennung angesehen. Obwohl beide darauf abzielen, Kanten zu finden, gehen sie das Problem unterschiedlich an.

Gradientenbasierte Methoden (wie Sobel, Prewitt und Scharr) erkennen Kanten, indem sie nach scharfen Änderungen der Helligkeit suchen, die als Gradient bekannt sind. Sie scannen das Bild und markieren Stellen, an denen diese Änderung am stärksten ist. Diese Methoden sind einfach, schnell und funktionieren gut, wenn Bilder klar sind. Sie sind jedoch anfällig für Rauschen – winzige Helligkeitsschwankungen können fälschlicherweise für Kanten gehalten werden.

Gauß-basierte Methoden (wie Canny oder Laplacian of Gaussian) fügen einen zusätzlichen Schritt hinzu, um dieses Problem zu bewältigen: das Bild zuerst weichzuzeichnen. Diese Glättung, die oft mit einem Gauß-Filter durchgeführt wird, reduziert kleine Schwankungen, die falsche Kanten erzeugen könnten. Nach der Glättung suchen diese Methoden immer noch nach scharfen Helligkeitsänderungen, aber die Ergebnisse sind sauberer und genauer für verrauschte oder minderwertige Bilder.

Abb. 6. Gradientenbasierte vs. Gauß-basierte Kanten-Erkennung. Bild vom Autor.

Link to this sectionReale Anwendungen der Kanten-Erkennung#

Mit einem besseren Verständnis davon, wie Kanten-Erkennung funktioniert, lass uns untersuchen, wie sie in realen Situationen angewendet wird.

Link to this sectionVerwendung der Kanten-Erkennung zur Identifizierung von Rissen#

Die Inspektion großer Betonstrukturen, wie Brücken und Hochhäuser, ist oft eine herausfordernde und gefährliche Aufgabe. Diese Strukturen können lange Strecken überspannen oder große Höhen erreichen, was herkömmliche Inspektionen langsam, teuer und riskant macht. Diese Inspektionen erfordern zudem normalerweise Gerüste, Seilzugang, manuelle Nahmessungen oder Fotografie.

Ein interessanter Ansatz wurde 2019 untersucht, als Forscher eine sicherere und schnellere Methode unter Verwendung von Drohnen testeten, die mit hochauflösenden Kameras ausgestattet waren, um detaillierte Eingangsbilder von Betonoberflächen aufzunehmen. Diese Bilder wurden dann mit verschiedenen Kanten-Erkennungs-Techniken verarbeitet, um automatisch Risse zu identifizieren.

Die Studie zeigte, dass diese Methode den Bedarf an direktem menschlichem Zugang zu gefährlichen Bereichen erheblich reduzierte und Inspektionen beschleunigte. Ihre Genauigkeit hing jedoch immer noch von Faktoren wie Lichtverhältnissen, Bildklarheit und stabilem Drohnenbetrieb ab. In einigen Fällen war eine menschliche Überprüfung dennoch erforderlich, um falsch-positive Ergebnisse zu eliminieren.

Link to this sectionAnwendung der Kanten-Erkennung in der medizinischen Bildgebung#

Röntgenaufnahmen und MRTs enthalten oft visuelle Störungen, die als Rauschen bekannt sind, was feine Details schwerer erkennbar machen kann. Dies wird für Ärzte zu einer Herausforderung, wenn sie versuchen, die Ränder eines Tumors zu erkennen, den Umriss eines Organs nachzuzeichnen oder subtile Veränderungen im Laufe der Zeit zu überwachen.

Eine aktuelle Studie zur medizinischen Bildgebung testete, wie gut gängige Methoden zur Kanten-Erkennung wie Sobel, Canny, Prewitt und Laplacian mit verrauschten Bildern umgehen. Die Forscher fügten verschiedene Arten und Stärken von Rauschen zu den Bildern hinzu und überprüften, wie genau jede Methode wichtige Merkmale umreißen konnte.

Canny erzeugte normalerweise die saubersten Kanten, selbst bei starkem Rauschen, aber es war nicht in jedem Fall am besten. Einige Methoden funktionierten bei bestimmten Rauschmustern besser, daher gibt es keine perfekte Universallösung.

Abb. 7. Canny (d–f) liefert klarere Kanten als Sobel (g–i) bei zunehmendem Rauschen. (Quelle)

Dies unterstreicht, warum Technologien wie Computer Vision so wichtig sind. Durch die Kombination fortschrittlicher Algorithmen und Vision-AI-Modelle können solche Lösungen über die einfache Kanten-Erkennung hinausgehen, um genauere und zuverlässigere Ergebnisse selbst unter schwierigen Bedingungen zu liefern.

Link to this sectionVorteile der Kanten-Erkennung#

Hier sind einige Vorteile der Verwendung von Kanten-Erkennung und Bildverarbeitung:

• Bessere Datenkompression: Kanten-Erkennung ermöglicht es, Bilder nur mit wichtigen Merkmalen darzustellen, wodurch die Dateigröße reduziert wird, während wesentliche Informationen erhalten bleiben. Dies macht Speicherung und Übertragung effizienter.
• Präzisere Objektlokalisierung: Durch die genaue Identifizierung von Objektgrenzen verbessert die Kanten-Erkennung die Fähigkeit von Systemen, Objekte zu lokalisieren und zu verfolgen, was Anwendungen wie Vision AI in der Robotik und autonomen Fahrzeugen zugutekommt.
• Multiskalen-Merkmalserkennung: Kanten-Erkennungstechniken können Bilder in verschiedenen Maßstäben analysieren und sowohl kleine Details als auch größere Formen erfassen. Diese Flexibilität ist bei verschiedenen Aufgaben nützlich, von der Texturanalyse bis hin zum Szenenverständnis.

Link to this sectionEinschränkungen der Bildverarbeitung für die Kanten-Erkennung#

Obwohl die Kanten-Erkennung in der Bildverarbeitung viele Vorteile bietet, bringt sie auch einige Herausforderungen mit sich. Hier sind einige der wichtigsten Einschränkungen, die zu beachten sind:

• Probleme mit komplexen Texturen: In Bildern mit komplexen oder wiederkehrenden Mustern erzeugt die Kanten-Erkennung oft viele falsche oder irrelevante Kanten, was die weitere Analyse erschwert und die Zuverlässigkeit verringert.
• Empfindlichkeit gegenüber Beleuchtung: Schwankungen in Helligkeit, Schatten und Reflexionen können dazu führen, dass Kantendetektoren Lichtveränderungen fälschlicherweise als Objektgrenzen interpretieren, was zu inkonsistenten Ergebnissen führt.
• Keine Objektidentifikation: Obwohl Kanten hervorheben, wo Objekte beginnen und enden, zeigen sie nicht, um welche Objekte es sich handelt. Zusätzliche Verarbeitung ist erforderlich, um erkannten Kanten Bedeutung oder Bezeichnungen zuzuweisen.

Link to this sectionWann Computer Vision für die Kanten-Erkennung verwendet werden kann#

Die Kanten-Erkennung ist von der Art und Weise inspiriert, wie unsere Augen und unser Gehirn zusammenarbeiten, um die Welt zu verstehen. Wenn es um menschliches Sehen geht, reagieren spezialisierte Neuronen im visuellen Kortex sehr empfindlich auf Kanten, Linien und Grenzen.

Diese visuellen Hinweise helfen uns schnell zu bestimmen, wo ein Objekt endet und ein anderes beginnt. Deshalb ist selbst eine einfache Strichzeichnung sofort erkennbar – unser Gehirn verlässt sich stark auf Kanten, um Formen und Objekte zu identifizieren.

Computer Vision zielt darauf ab, diese Fähigkeit nachzuahmen, geht aber noch einen Schritt weiter. Modelle wie Ultralytics YOLO11 gehen über die einfache Kanten-Hervorhebung und Bildverbesserung hinaus. Sie können Objekte erkennen, sie präzise umreißen und Bewegungen in Echtzeit verfolgen. Dieses tiefere Verständnisniveau macht sie in Szenarien unverzichtbar, in denen die Kanten-Erkennung allein nicht ausreicht.

Link to this sectionVerwendung von Ultralytics YOLO11 zur genaueren Kanten-Erkennung#

Hier sind einige wichtige Computer-Vision-Aufgaben, die von YOLO11 unterstützt werden und die auf der Kanten-Erkennung aufbauen und darüber hinausgehen:

• Objekterkennung: Sie identifiziert und lokalisiert mehrere Objekte in einem Bild oder Video, indem sie Begrenzungsrahmen (Bounding Boxes) um jedes einzelne zeichnet und so einen klaren Überblick darüber gibt, was vorhanden ist und wo sich jedes Objekt befindet.
• Instanzsegmentierung: Dies beinhaltet das Zerlegen von Objekten bis auf Pixelebene, wodurch saubere und präzise Umrisse entstehen, selbst wenn Objekte überlappen oder unregelmäßige Formen aufweisen.
• Pose estimation: Das Ziel ist hier die Bestimmung der Position, Ausrichtung oder Haltung eines Objekts oder einer Person, was bei der Überwachung von Bewegungen oder der Erkennung struktureller Veränderungen im Zeitverlauf hilft.
• Object tracking: Diese Aufgabe verfolgt ein Objekt, während es sich durch Videobilder bewegt, und stellt eine konsistente Identifizierung für eine präzise Langzeitbeobachtung sicher.
• Image classification: Dabei werden Objekten oder ganzen Bildern basierend auf ihren visuellen Merkmalen Labels zugewiesen, was die Organisation und Interpretation großer Datensätze erleichtert.

Link to this sectionErkennung von Kanten in der Infrastruktur mit Computer Vision#

Ein gutes Beispiel für Computer Vision, das eine Anwendung verbessert, die traditionell auf Kanten-Erkennung setzte, ist die Risserkennung bei Infrastrukturen und industriellen Anlagen. Computer-Vision-Modelle wie YOLO11 können trainiert werden, um Risse auf Straßen, Brücken und Pipelines präzise zu identifizieren. Dieselbe Technik lässt sich auch bei der Flugzeugwartung, Gebäudeinspektionen und der Qualitätskontrolle in der Fertigung anwenden, was Inspektionen beschleunigt und die Sicherheit verbessert.

Abb. 8. Ein Beispiel für die Verwendung von YOLO11 zur Risssegmentierung. (Quelle)

Link to this sectionWichtige Erkenntnisse#

Die Kanten-Erkennung hat einen weiten Weg zurückgelegt, von einfachen frühen Methoden bis hin zu fortschrittlichen Techniken, die selbst subtile Grenzen in komplexen Bildern erkennen können. Sie hilft dabei, wichtige Details hervorzuheben, Schlüsselbereiche zu markieren und Bilder für eine tiefere Analyse vorzubereiten, was sie zu einem zentralen Bestandteil der Bildverarbeitung macht.

In der Computer Vision spielt die Kanten-Erkennung eine wichtige Rolle bei der Definition von Formen, der Trennung von Objekten und der Extraktion nützlicher Informationen. Sie wird in vielen Bereichen wie der medizinischen Bildgebung, industriellen Inspektionen, dem autonomen Fahren und der Sicherheit eingesetzt, um ein genaues und zuverlässiges visuelles Verständnis zu liefern.

Tritt unserer Community bei und erkunde unser GitHub repository, um mehr über KI zu erfahren. Wenn du dein eigenes Vision-KI-Projekt starten möchtest, sieh dir unsere Lizenzierungsoptionen an. Entdecke mehr über Anwendungen wie KI im Gesundheitswesen und Vision-KI im Einzelhandel, indem du unsere Lösungsseiten besuchst.