Alles Wissenswerte über Computervision 2025

Vor zwanzig Jahren war die Vorstellung, dass Maschinen und Computer die Welt sehen und verstehen können, reine Science-Fiction. Heute ist diese Vorstellung dank der Fortschritte im Bereich der künstlichen Intelligenz (KI) Wirklichkeit geworden. Insbesondere Computer Vision (CV), ein Teilgebiet der KI, ermöglicht es Maschinen, Bilder und Videos zu verstehen und zu analysieren. Ob es darum geht, Objekte in Echtzeit zu erkennen, Sicherheitssysteme zu verbessern oder komplexe Aufgaben zu automatisieren – Computer Vision erweitert kontinuierlich die Fähigkeiten von Maschinen.

Computer Vision prägt die Zukunft der Technologie rasant, während verschiedene Branchen nach Wegen suchen, die einzigartigen Möglichkeiten dieser Technologie zu nutzen. Der weltweite Markt für Computer Vision erreichte 2024 ein Volumen von 19,83 Milliarden US-Dollar und soll in den kommenden Jahren jährlich um 19,8 % wachsen.

Abb. 1. Weltweites Marktvolumen von Computer Vision.

In diesem Artikel werfen wir einen genaueren Blick auf Computer Vision: Was ist Computer Vision, wie hat sich das Gebiet entwickelt und wie funktioniert es heute? Außerdem beschäftigen wir uns mit einigen der interessantesten Anwendungen.

Was ist Computer Vision?#

Computer Vision ist ein Teilgebiet der KI, das maschinelles Lernen und neuronale Netze nutzt, um Computern beizubringen, visuelle Daten wie Bilder oder Videodateien zu verstehen. Die Erkenntnisse aus der Verarbeitung von Bildern können bessere Entscheidungen ermöglichen. Im Einzelhandel lässt sich Computer Vision beispielsweise einsetzen, um Lagerbestände anhand von Regalbildern zu überwachen oder das Einkaufserlebnis durch automatisierte Kassensysteme zu verbessern. Viele Unternehmen setzen Computer-Vision-Technologie bereits für verschiedenste Anwendungen ein – von Filtern für Smartphone-Fotos bis zur Qualitätskontrolle in der Fertigung.

Du fragst dich vielleicht, warum Computer-Vision-Lösungen so wichtig sind. Aufgaben, die ständige Aufmerksamkeit erfordern, wie das Erkennen von Fehlern oder Mustern, können für Menschen schwierig sein. Die Augen ermüden, und Details können übersehen werden – besonders in schnelllebigen oder komplexen Umgebungen.

Menschen können zwar Objekte unterschiedlicher Größe und Farbe sowie bei verschiedenen Lichtverhältnissen und aus unterschiedlichen Blickwinkeln gut erkennen, haben unter Druck jedoch oft Schwierigkeiten, gleichbleibende Ergebnisse zu erzielen. Computer-Vision-Lösungen hingegen arbeiten ununterbrochen und verarbeiten große Mengen visueller Daten schnell und genau. Sie können beispielsweise den Verkehr in Echtzeit analysieren, um Staus zu erkennen, Ampelschaltungen zu optimieren oder Unfälle schneller als ein menschlicher Beobachter zu identifizieren.

Die Geschichte der Computer Vision verstehen#

Im Laufe der Jahre hat sich Computer Vision von einem theoretischen Konzept zu einer zuverlässigen Technologie entwickelt, die Innovationen in zahlreichen Branchen vorantreibt. Sehen wir uns einige der wichtigsten Meilensteine an, die ihre Entwicklung geprägt haben:

• 1950er- bis 1960er-Jahre: Forschende begannen, Algorithmen zur Verarbeitung und Analyse visueller Daten zu entwickeln. Aufgrund der begrenzten Rechenleistung waren die Fortschritte jedoch langsam.
• 1970er-Jahre: In diesem Jahrzehnt wurden wichtige Verbesserungen bei Algorithmen erzielt, etwa mit der Hough-Transformation, die das Erkennen von Linien und geometrischen Formen in Bildern verbesserte. Auch die optische Zeichenerkennung (OCR) kam auf und ermöglichte es Maschinen, gedruckten Text zu lesen.
• 1980er- bis 1990er-Jahre: Maschinelles Lernen begann, eine Rolle in der Computer Vision zu spielen, und ebnete den Weg für fortschrittlichere Funktionen und künftige Durchbrüche.
• 2000er- bis 2010er-Jahre: Deep Learning eröffnete der Computer Vision neue Möglichkeiten und versetzte Maschinen in die Lage, visuelle Daten effektiver zu interpretieren. Dadurch verbesserten sich Funktionen wie Objekterkennung, Bewegungsanalyse und die Ausführung komplexer Aufgaben.

Computer Vision entwickelt sich heute rasant weiter und verändert, wie wir Probleme in Bereichen wie dem Gesundheitswesen, bei autonomen Fahrzeugen und in intelligenten Städten lösen. Die für Computer-Vision-Aufgaben in Echtzeit entwickelten Ultralytics-YOLO-Modelle (You Only Look Once) erleichtern es, Vision-KI branchenübergreifend effektiv und präzise einzusetzen. Mit den Fortschritten bei KI und Hardware helfen diese Modelle Unternehmen, mithilfe fortschrittlicher visueller Datenanalyse fundiertere Entscheidungen zu treffen und Abläufe zu optimieren.

So funktioniert Computer Vision#

Computer-Vision-Systeme analysieren Bilder mithilfe neuronaler Netze, also Algorithmen, die von der Funktionsweise des menschlichen Gehirns inspiriert sind. Ein bestimmter Typ neuronaler Netze, die Faltungsneuronalen Netze (CNNs), eignet sich besonders gut dafür, Muster wie Kanten und Formen in Bildern zu erkennen.

Um visuelle Daten zu vereinfachen, konzentrieren sich Verfahren wie Pooling auf die wichtigsten Bildbereiche. Zusätzliche Schichten verarbeiten diese Informationen und führen Aufgaben wie die Erkennung von Merkmalen oder Objekten aus. Fortschrittliche Modelle wie Ultralytics YOLO11, das auf Geschwindigkeit und Genauigkeit ausgelegt ist, ermöglichen die Bildverarbeitung in Echtzeit.

Abb. 2. Ein Beispiel für die Objekterkennung mit Ultralytics YOLO11.

Eine typische Computer-Vision-Anwendung umfasst mehrere Schritte, um aus Rohbildern nützliche Erkenntnisse zu gewinnen. Dies sind die vier wichtigsten Phasen:

• Bilderfassung: Visuelle Daten werden mithilfe von Kameras oder Sensoren erfasst. Die Bildqualität hängt vom verwendeten Sensortyp ab.
• Bildverarbeitung: Anschließend wird das erfasste Material durch Vorverarbeitung verbessert, etwa indem Rauschen reduziert und Kanten hervorgehoben werden, um die Analyse zu erleichtern.
• Merkmalsextraktion: Wichtige Details wie Formen und Texturen werden herausgearbeitet, wobei der Schwerpunkt auf den relevantesten Bildbereichen liegt.
• Mustererkennung: Die erkannten Merkmale werden mithilfe maschinellen Lernens analysiert, um Aufgaben wie Objekterkennung, Bewegungsverfolgung oder Mustererkennung auszuführen.

Computer-Vision-Aufgaben im Überblick#

Vielleicht ist dir aufgefallen, dass wir bei der Beschreibung der Funktionsweise von Computer Vision Computer-Vision-Aufgaben erwähnt haben. Modelle wie Ultralytics YOLO11 unterstützen diese Aufgaben und bieten schnelle, genaue Lösungen für Anwendungen in der Praxis. YOLO11 bewältigt Aufgaben wie das Erkennen von Objekten und das Verfolgen ihrer Bewegungen effizient. Sehen wir uns einige der wichtigsten Computer-Vision-Aufgaben an, die das Modell unterstützt, und wie sie funktionieren.

Objekterkennung#

Die Objekterkennung ist eine wichtige Computer-Vision-Aufgabe, bei der interessante Objekte in einem Bild identifiziert werden. Das Ergebnis besteht aus Begrenzungsrahmen (Rechtecken um erkannte Objekte im Bild), Klassenbezeichnungen (Kategorie oder Typ des jeweiligen Objekts, etwa „Auto“ oder „Person“) und Konfidenzwerten (Zahlen, die angeben, wie sicher sich das Modell bei der jeweiligen Erkennung ist). Mit der Objekterkennung lässt sich beispielsweise ein Fußgänger auf einer Straße oder ein Auto im Verkehr identifizieren und lokalisieren.

Abb. 3. Objekterkennung mit Ultralytics YOLO11.

Bildklassifizierung#

Das Hauptziel der Bildklassifizierung besteht darin, einem Eingabebild anhand seines Gesamtinhalts eine vorab festgelegte Bezeichnung oder Kategorie zuzuweisen. Dabei wird in der Regel das vorherrschende Objekt oder Merkmal im Bild ermittelt. So lässt sich beispielsweise feststellen, ob ein Bild eine Katze oder einen Hund zeigt. Computer-Vision-Modelle wie YOLO11 können sogar individuell trainiert werden, um einzelne Katzen- oder Hunderassen zu klassifizieren, wie unten gezeigt.

Abb. 4. Klassifizierung verschiedener Katzenrassen mit YOLO11.

Instanzsegmentierung#

Die Instanzsegmentierung ist eine weitere wichtige Computer-Vision-Aufgabe, die in zahlreichen Anwendungen zum Einsatz kommt. Dabei wird ein Bild in Segmente unterteilt und jedes einzelne Objekt identifiziert – auch wenn mehrere Objekte desselben Typs vorhanden sind. Im Gegensatz zur Objekterkennung geht die Instanzsegmentierung einen Schritt weiter und zeichnet die exakten Umrisse jedes Objekts nach. In der Automobilfertigung und -reparatur kann die Instanzsegmentierung beispielsweise dabei helfen, jedes Fahrzeugteil einzeln zu erkennen und zu kennzeichnen, was den Prozess genauer und effizienter macht.

Abb. 5. Segmentierung von Autoteilen mit YOLO11.

Posenschätzung#

Ziel der Posenschätzung ist es, die Position und Ausrichtung einer Person oder eines Objekts zu bestimmen, indem die Position von Keypoints wie Händen, Kopf und Ellbogen vorhergesagt wird. Das ist besonders nützlich, wenn es darauf ankommt, körperliche Handlungen in Echtzeit zu verstehen. Die menschliche Posenschätzung kommt häufig in Bereichen wie der Sportanalyse, der Überwachung des Tierverhaltens und der Robotik zum Einsatz.

Abb. 6. YOLO11 kann bei der Schätzung menschlicher Posen helfen.

Weitere von YOLO11 unterstützte Computer-Vision-Aufgaben findest du in der offiziellen Dokumentation von Ultralytics. Dort erfährst du ausführlich, wie YOLO11 Aufgaben wie Objektverfolgung und die Objekterkennung mit orientierten Begrenzungsrahmen (OBB) bewältigt.

Beliebte Computer-Vision-Modelle von heute#

Obwohl es viele Computer-Vision-Modelle gibt, zeichnet sich die Ultralytics-YOLO-Reihe durch ihre hohe Leistung und Vielseitigkeit aus. Im Laufe der Zeit wurden die Ultralytics-YOLO-Modelle schneller, genauer und für mehr Aufgaben geeignet. Mit der Einführung von Ultralytics YOLOv5 wurde die Bereitstellung von Modellen mithilfe von Vision-KI-Frameworks wie PyTorch einfacher. Dadurch konnten mehr Nutzer mit fortschrittlicher Vision-KI arbeiten, die hohe Genauigkeit mit einfacher Bedienung verbindet.

Anschließend ging Ultralytics YOLOv8 noch einen Schritt weiter und ergänzte neue Funktionen wie Instanzsegmentierung, Bildklassifizierung und Posenschätzung. YOLO11 erzielt daraufhin starke Ergebnisse bei zahlreichen Computer-Vision-Aufgaben. YOLO11m hat 22 % weniger Parameter als YOLOv8m und erreicht zugleich eine höhere mittlere Average Precision (mAP) auf dem COCO-Datensatz. Das bedeutet, dass das Modell Objekte genauer und effizienter erkennen kann. Die neueste Generation, Ultralytics YOLO26, baut darauf auf und bietet native End-to-End-Inferenz ohne NMS sowie eine höhere CPU-Leistung für den Einsatz am Netzwerkrand. Ob du ein erfahrener Entwickler bist oder gerade erst mit KI anfängst: Ultralytics YOLO-Modelle bieten einen praktischen Einstieg für deine Computer-Vision-Anwendungen.

Die Rolle von Computer Vision im Alltag#

Zuvor haben wir besprochen, wie Computer-Vision-Modelle wie Ultralytics YOLO11 in zahlreichen Branchen eingesetzt werden können. Sehen wir uns nun weitere Anwendungsfälle an, die unseren Alltag verändern.

Vision-KI im Gesundheitswesen#

Für Computer Vision im Gesundheitswesen gibt es vielfältige Anwendungen. Aufgaben wie Objekterkennung und Klassifizierung kommen in der medizinischen Bildgebung zum Einsatz, um Krankheiten schneller und genauer zu erkennen. Bei der Analyse von Röntgenbildern kann Computer Vision Muster identifizieren, die für das menschliche Auge möglicherweise zu subtil sind.

Computer Vision wird auch zur Erkennung von Krebs eingesetzt, indem Krebszellen mit gesunden Zellen verglichen werden. Ebenso lassen sich mit Computer Vision CT- und MRT-Bilder mit nahezu menschlicher Genauigkeit analysieren. Das hilft Ärzten, bessere Entscheidungen zu treffen und letztlich mehr Leben zu retten.

Abb. 7. YOLO11 wird zur Analyse medizinischer Scans eingesetzt.

KI in der Automobilindustrie#

Computer Vision ist für selbstfahrende Autos entscheidend und hilft ihnen, Objekte wie Verkehrsschilder und Ampeln zu erkennen. Techniken wie die optische Zeichenerkennung (OCR) ermöglichen es dem Auto, Text auf Verkehrsschildern zu lesen. Die Technologie wird auch zur Fußgängererkennung eingesetzt, bei der Objekterkennungssysteme Menschen in Echtzeit identifizieren.

Darüber hinaus kann Computer Vision sogar Risse und Schlaglöcher auf Straßen erkennen und so die Überwachung wechselnder Straßenbedingungen verbessern. Insgesamt kann Computer Vision eine wichtige Rolle dabei spielen, das Verkehrsmanagement zu verbessern, die Sicherheit im Verkehr zu erhöhen und die Planung intelligenter Städte zu unterstützen.

Abb. 8. Verkehrsanalyse mit YOLO11.

Computer Vision in der Landwirtschaft#

Stell dir vor, Landwirte könnten ihre Felder sorgenfrei und rechtzeitig automatisch bestellen, bewässern und abernten. Genau das ermöglicht Computer Vision in der Landwirtschaft. Die Technologie unterstützt die Überwachung von Nutzpflanzen in Echtzeit, sodass Landwirte Probleme wie Krankheiten oder Nährstoffmangel frühzeitig erkennen können.

Zusätzlich zur Überwachung können KI-gesteuerte automatische Unkrautbekämpfungsmaschinen mit Computer Vision Unkraut erkennen und entfernen. So sinken die Arbeitskosten und die Ernteerträge steigen. Diese Kombination von Technologien hilft Landwirten, ihre Ressourcen optimal einzusetzen, die Effizienz zu steigern und ihre Pflanzen zu schützen.

Abb. 9. Ein Beispiel für den Einsatz von Ultralytics YOLO11 in der Landwirtschaft.

Fertigungsprozesse mit KI automatisieren#

In der Fertigung hilft Computer Vision dabei, die Produktion zu überwachen, die Produktqualität zu prüfen und Arbeitskräfte automatisch zu verfolgen. Visuelle KI beschleunigt und präzisiert diese Abläufe und senkt zugleich die Zahl der Fehler und die Kosten.

Zur Qualitätssicherung kommen häufig Objekterkennung und Instanzsegmentierung zum Einsatz. Systeme zur Fehlererkennung prüfen fertige Produkte abschließend, damit nur einwandfreie Ware die Kunden erreicht. Produkte mit Dellen oder Rissen werden automatisch erkannt und aussortiert. Diese Systeme verfolgen und zählen Produkte außerdem in Echtzeit und überwachen so kontinuierlich das Fließband.

Abb. 10. Überwachung einer Fertigungsstraße mit Computer Vision.

Mit Computer Vision wird Bildung wirkungsvoller#

Eine Möglichkeit, Computer Vision im Unterricht einzusetzen, ist die Gestenerkennung: Sie personalisiert das Lernen, indem sie die Bewegungen der Schüler erkennt. Modelle wie Ultralytics YOLO11 eignen sich hervorragend für diese Aufgabe. Sie können Gesten wie gehobene Hände oder verwirrte Gesichtsausdrücke in Echtzeit genau erkennen.

Werden solche Gesten erkannt, kann eine laufende Unterrichtsstunde angepasst werden, indem zusätzliche Hilfe angeboten oder die Inhalte besser auf die Bedürfnisse der Lernenden abgestimmt werden. So entsteht eine dynamischere und anpassungsfähigere Lernumgebung. Lehrkräfte können sich dadurch auf den Unterricht konzentrieren, während das System das Lernerlebnis jeder einzelnen Person unterstützt.

Aktuelle Trends bei Computer Vision#

Nachdem wir einige Anwendungen von Computer Vision in verschiedenen Branchen betrachtet haben, sehen wir uns nun die wichtigsten Trends an, die ihre Weiterentwicklung vorantreiben.

Ein wichtiger Trend ist das Edge Computing, ein verteiltes Rechenmodell, bei dem Daten möglichst nahe an ihrer Quelle verarbeitet werden. So ermöglicht Edge Computing Geräten wie Kameras und Sensoren, Bilddaten direkt zu verarbeiten. Das führt zu schnelleren Reaktionszeiten, kürzeren Verzögerungen und mehr Datenschutz.

Ein weiterer wichtiger Trend bei Computer Vision ist der Einsatz von Mixed Reality. Dabei wird die physische Welt mit digitalen Elementen verbunden. Computer Vision sorgt dafür, dass virtuelle Objekte nahtlos in die reale Welt eingebettet werden. Das kann das Spielerlebnis sowie Lern- und Trainingserfahrungen verbessern.

Vor- und Nachteile von Computer Vision#

Hier sind einige der wichtigsten Vorteile, die Computer Vision verschiedenen Branchen bieten kann:

• Kosteneinsparungen: Die Automatisierung von Aufgaben mit Computer Vision senkt die Betriebskosten, steigert die Produktivität und minimiert Fehler.
• Skalierbarkeit: Einmal implementiert, lassen sich Computer-Vision-Systeme problemlos für große Datenmengen skalieren. Dadurch eignen sie sich für wachsende Unternehmen und umfangreiche Betriebsabläufe.
• Anwendungsspezifische Anpassung: Computer-Vision-Modelle lassen sich mit deinem Datensatz feinabstimmen. So erhältst du hochspezialisierte Lösungen, die den Anforderungen deiner Anwendung entsprechen.

Diese Vorteile zeigen, wie Computer Vision verschiedene Branchen beeinflussen kann. Gleichzeitig ist es wichtig, die Herausforderungen bei der Einführung zu berücksichtigen. Hier sind einige der wichtigsten Herausforderungen:

• Bedenken hinsichtlich des Datenschutzes: Die Verwendung visueller Daten kann, insbesondere in sensiblen Bereichen wie der Überwachung oder dem Gesundheitswesen, Datenschutz- und Sicherheitsbedenken aufwerfen.
• Einschränkungen durch die Umgebung: In anspruchsvollen Umgebungen, etwa bei schlechten Lichtverhältnissen, Bildern mit geringer Qualität oder komplexen Hintergründen, können Computer-Vision-Systeme Schwierigkeiten haben, zuverlässig zu funktionieren.
• Hohe Anfangskosten: Die Entwicklung und Einführung von Computer-Vision-Systemen kann aufgrund des Bedarfs an spezieller Hardware, Software und Fachwissen teuer sein.

Die wichtigsten Erkenntnisse#

Computer Vision verändert die Art und Weise, wie Maschinen mit der Welt interagieren, indem die Maschinen sehen und die Welt so verstehen können wie Menschen. Die Technologie kommt bereits in vielen Bereichen zum Einsatz: Sie erhöht die Sicherheit selbstfahrender Autos, hilft Ärzten, Krankheiten schneller zu diagnostizieren, ermöglicht ein stärker personalisiertes Einkaufserlebnis und unterstützt Landwirte bei der Überwachung ihrer Pflanzen.

Mit dem technologischen Fortschritt eröffnen neue Trends wie Edge Computing und Mixed Reality noch mehr Möglichkeiten. Trotz Herausforderungen wie Verzerrungen und hohen Kosten hat Computer Vision das Potenzial, künftig viele Branchen positiv zu verändern.

Weitere Informationen findest du in unserem GitHub-Repository. Dort kannst du dich auch mit unserer Community austauschen. Auf unseren Lösungsseiten erfährst du mehr über Innovationen in Bereichen wie KI in selbstfahrenden Autos und Computer Vision in der Landwirtschaft.