Die besten Objekterkennungsmodelle des Jahres 2025

Anfang dieses Jahres stellte Andrew Ng, ein Pionier im Bereich KI und maschinelles Lernen, das Konzept der agentenbasierten Objekterkennung vor. Dieser Ansatz nutzt einen schlussfolgernden Agenten, um Objekte auf der Grundlage einer Texteingabe zu erkennen, ohne dass dazu riesige Mengen an Trainingsdaten erforderlich sind.

Die Fähigkeit, Objekte in Bildern und Videos zu identifizieren, ohne riesige annotierte Datensätze zu benötigen, ist ein Schritt in Richtung intelligenterer und flexiblerer Computer Vision Systeme. Agentenbasierte Vision-KI steckt jedoch noch in den Kinderschuhen.

Während sie allgemeine Aufgaben wie das Erkennen von Personen oder Straßenschildern in einem Bild bewältigen kann, verlassen sich präzisere Computer-Vision-Anwendungen weiterhin auf traditionelle Objekterkennungsmodelle. Diese Modelle werden mit großen, sorgfältig annotierten Datensätzen trainiert, um genau zu lernen, wonach sie suchen müssen und wo sich Objekte befinden.

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

Traditionelle Objekterkennung ist essenziell, da sie sowohl die Erkennung (was ist das Objekt?) als auch die Lokalisierung (wo genau befindet es sich im Bild?) ermöglicht. Diese Kombination versetzt Maschinen in die Lage, komplexe Aufgaben in der realen Welt zuverlässig auszuführen, von autonomen Fahrzeugen bis hin zu industrieller Automatisierung und medizinischer Diagnostik.

Dank technologischer Fortschritte werden Objekterkennungsmodelle immer besser, schneller, präziser und besser an reale Umgebungen angepasst. In diesem Artikel gehen wir einige der besten heute verfügbaren Objekterkennungsmodelle durch. Fangen wir an!

Link to this sectionDer Bedarf an Objekterkennung#

Computer-Vision-Aufgaben wie Bildklassifizierung können verwendet werden, um festzustellen, ob ein Bild ein Auto, eine Person oder ein anderes Objekt enthält. Sie können jedoch nicht bestimmen, wo sich das Objekt innerhalb des Bildes befindet.

Hier kann die Objekterkennung aufschlussreich sein. Objekterkennungsmodelle können identifizieren, welche Objekte vorhanden sind, und zudem deren exakte Position bestimmen. Dieser Prozess, bekannt als Lokalisierung, ermöglicht es Maschinen, Szenen präziser zu verstehen und angemessen zu reagieren, sei es beim Stoppen eines selbstfahrenden Autos, beim Steuern eines Roboterarms oder beim Hervorheben eines Bereichs in der medizinischen Bildgebung.

Der Aufstieg des Deep Learnings hat die Objekterkennung transformiert. Anstatt sich auf handcodierte Regeln zu verlassen, lernen moderne Modelle Muster direkt aus Annotationen und visuellen Daten. Diese Datensätze lehren die Modelle, wie Objekte aussehen, wo sie normalerweise erscheinen und wie sie mit Herausforderungen wie kleinen Objekten, überfüllten Szenen oder unterschiedlichen Lichtverhältnissen umgehen können.

Tatsächlich können moderne Objekterkennungssysteme mehrere Objekte gleichzeitig präzise erkennen. Dies macht die Objekterkennung zu einer kritischen Technologie in Anwendungen wie autonomem Fahren, Robotik, Gesundheitswesen und industrieller Automatisierung.

Link to this sectionWie Objekterkennungsaufgaben funktionieren#

Die Eingabe für ein Objekterkennungsmodell ist ein Bild, das von einer Kamera, einem Video-Frame oder sogar einem medizinischen Scan stammen kann. Das Eingabebild wird durch ein neuronales Netzwerk verarbeitet, typischerweise ein Convolutional Neural Network (CNN), das darauf trainiert ist, Muster in visuellen Daten zu erkennen.

Innerhalb des Netzwerks wird das Bild in Stufen analysiert. Basierend auf den erkannten Merkmalen sagt das Modell voraus, welche Objekte vorhanden sind und wo sie erscheinen.

Diese Vorhersagen werden mithilfe von Bounding Boxes dargestellt, also Rechtecken, die um jedes erkannte Objekt gezeichnet werden. Für jede Bounding Box weist das Modell ein Klassen-Label (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. Objekterkennungsvorhersagen können mithilfe von Bounding Boxes visualisiert werden.

Der gesamte Prozess stützt sich stark auf die Merkmalsextraktion (Feature Extraction). Das Modell lernt, nützliche visuelle Muster wie Kanten, Formen, Texturen und andere unterscheidende Merkmale zu identifizieren. Diese Muster sind in Feature Maps kodiert, die dem Netzwerk helfen, das Bild auf mehreren Detailebenen zu verstehen.

Link to this sectionObjekterkennung: Zweistufig und einstufig#

Je nach Modellarchitektur nutzen Objektdetektoren unterschiedliche Strategien zur Lokalisierung von Objekten, wobei sie Geschwindigkeit, Genauigkeit und Komplexität abwägen.

Viele Objekterkennungsmodelle, insbesondere zweistufige Detektoren wie Faster R-CNN, konzentrieren sich auf bestimmte Teile des Bildes, die als Region of Interest (ROI) bezeichnet werden. Indem sich das Modell auf diese Bereiche konzentriert, priorisiert es Regionen, die mit höherer Wahrscheinlichkeit Objekte enthalten, anstatt jedes Pixel gleichermaßen zu analysieren.

Einstufige Modelle wie frühe YOLO Modelle wählen hingegen keine spezifischen ROIs wie zweistufige Modelle aus. Stattdessen unterteilen sie das Bild in ein Raster und verwenden vordefinierte Boxen, sogenannte Anchor Boxes, zusammen mit Feature Maps, um Objekte im gesamten Bild in einem einzigen Durchgang vorherzusagen.

Heutzutage erforschen hochmoderne Objekterkennungsmodelle anchor-freie Ansätze. Anders als traditionelle einstufige Modelle, die auf vordefinierten Anchor Boxes basieren, sagen anchor-freie Modelle Objektpositionen und -größen direkt aus Feature Maps voraus. Dies kann die Architektur vereinfachen, den Rechenaufwand reduzieren und die Leistung verbessern, insbesondere bei der Erkennung von Objekten unterschiedlicher Formen und Größen.

Link to this sectionEin Blick auf die besten Objekterkennungsmodelle#

Heute gibt es viele Objekterkennungsmodelle, die jeweils mit spezifischen Zielen entwickelt wurden. Einige sind auf Echtzeitleistung optimiert, während andere sich auf höchste Genauigkeit konzentrieren. Die Wahl des richtigen Modells für eine Computer-Vision-Lösung hängt oft von deinem speziellen Anwendungsfall und den Leistungsanforderungen ab.

Lass uns als Nächstes einige der besten Objekterkennungsmodelle des Jahres 2026 erkunden.

Link to this sectionUltralytics YOLO Modelle#

Eine der am weitesten verbreiteten Familien von Objekterkennungsmodellen ist heute die Ultralytics YOLO Modellfamilie. YOLO, was für „You Only Look Once“ steht, ist branchenübergreifend beliebt, weil es eine starke Erkennungsleistung liefert und dabei schnell, zuverlässig und einfach zu handhaben ist.

Die Ultralytics YOLO Familie umfasst Ultralytics YOLOv5, Ultralytics YOLOv8, Ultralytics YOLO11 und das kommende Ultralytics YOLO26 und bietet eine Reihe von Optionen für unterschiedliche Leistungs- und Anwendungsanforderungen. Dank ihres leichtgewichtigen Designs und der Geschwindigkeitsoptimierung sind Ultralytics YOLO Modelle ideal für die Echtzeiterkennung und können auf Edge-Geräten mit begrenzter Rechenleistung und geringem Speicher bereitgestellt 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 Instanzsegmentierung, die Objekte auf Pixelebene umreißt, und Pose-Schätzung, die Schlüsselpunkte an Personen oder Objekten identifiziert. Diese Flexibilität macht Ultralytics YOLO Modelle zur ersten Wahl für ein breites Spektrum an Anwendungen, von Landwirtschaft und Logistik bis hin zu Einzelhandel und Fertigung.

Ein weiterer Hauptgrund für die Beliebtheit der Ultralytics YOLO Modelle ist das Ultralytics Python-Paket, das eine einfache und benutzerfreundliche Schnittstelle für das Trainieren, Finetuning und Bereitstellen von Modellen bietet. Entwickler können mit vortrainierten Gewichten beginnen, die Modelle für ihre eigenen Datensätze anpassen und sie mit nur wenigen Zeilen Code bereitstellen.

Link to this sectionRT-DETR und RT-DETRv2#

RT‑DETR (Real-Time Detection Transformer) und das neuere RT‑DETRv2 sind Objekterkennungsmodelle für den Echtzeiteinsatz. Im Gegensatz zu vielen traditionellen Modellen können sie ein Bild aufnehmen und die endgültigen Erkennungsergebnisse direkt liefern, ohne Non-Maximum Suppression (NMS) zu verwenden.

NMS ist ein Schritt, der zusätzliche überlappende Boxen entfernt, wenn ein Modell dasselbe Objekt mehr als einmal vorhersagt. Das Überspringen von NMS macht den Erkennungsprozess einfacher und schneller.

Diese Modelle kombinieren CNNs mit Transformern. Das CNN findet visuelle Details wie Kanten und Formen, während der Transformer eine Art neuronales Netzwerk ist, das das gesamte Bild auf einmal betrachten und verstehen kann, wie verschiedene Teile zueinander in Beziehung stehen. Dieses umfassende Verständnis ermöglicht es dem Modell, Objekte zu erkennen, die nahe beieinander liegen oder sich überlappen.

RT‑DETRv2 verbessert das ursprüngliche Modell mit Funktionen wie Multi-Scale-Erkennung, die hilft, sowohl kleine als auch große Objekte zu finden, und einer besseren Handhabung komplexer Szenen. Diese Änderungen halten das Modell schnell und verbessern gleichzeitig die Genauigkeit.

Link to this sectionRF-DETR#

RF‑DETR ist ein echtzeitfähiges, Transformer-basiertes Modell, das entwickelt wurde, um die Genauigkeit von Transformer-Architekturen mit der für reale Anwendungen erforderlichen Geschwindigkeit zu kombinieren. 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 vorher, überspringt Anchor Boxes und Non-Maximum Suppression, was den Erkennungsprozess vereinfacht und die Inferenz schnell hält. RF‑DETR unterstützt auch Instanzsegmentierung, wodurch es Objekte auf Pixelebene umreißen kann, zusätzlich zur Vorhersage von Bounding Boxes.

Link to this sectionEfficientDet#

EfficientDet wurde Ende 2019 veröffentlicht und ist ein Objekterkennungsmodell für effiziente Skalierung und hohe Leistung. Was EfficientDet auszeichnet, ist Compound Scaling, eine Methode, die die Eingabeauflösung, die Netzwerktiefe und die Netzwerkbreite gleichzeitig skaliert, anstatt nur einen Faktor anzupassen. Dieser Ansatz hilft dem Modell, eine stabile Genauigkeit beizubehalten, egal ob es für Hochleistungsaufgaben hochskaliert oder für leichtgewichtige Implementierungen herunterskaliert wird.

Eine weitere Schlüsselkomponente von EfficientDet ist das effiziente Feature Pyramid Network (FPN), das es dem Modell ermöglicht, Bilder in mehreren Skalen zu analysieren. Diese Multi-Scale-Analyse ist entscheidend für die Erkennung von Objekten unterschiedlicher Größe und ermöglicht es EfficientDet, sowohl kleine als auch große Objekte innerhalb desselben Bildes zuverlässig zu identifizieren.

Link to this sectionPP-YOLOE+#

PP-YOLOE+ wurde 2022 veröffentlicht und ist ein Objekterkennungsmodell im YOLO-Stil, was bedeutet, dass es Objekte in einem einzigen Durchgang über das Bild erkennt und klassifiziert. Dieser Ansatz macht es schnell und für Echtzeitanwendungen geeignet, während gleichzeitig eine hohe Genauigkeit beibehalten wird.

Eine der wichtigsten Verbesserungen in PP-YOLOE+ ist das Task-Aligned Learning, das dazu beiträgt, dass die Konfidenzwerte des Modells widerspiegeln, wie genau Objekte lokalisiert sind. Dies ist besonders nützlich für die Erkennung von kleinen oder sich überlappenden Objekten.

Abb. 4. Objekterkennung mit PP-YOLOE+ (Quelle)

Das Modell verwendet außerdem eine entkoppelte Kopfarchitektur (Decoupled Head), die die Aufgaben der Vorhersage von Objektpositionen und Klassen-Labels trennt. Dies ermöglicht es, Bounding Boxes präziser zu zeichnen, während Objekte korrekt klassifiziert werden.

Link to this sectionGroundingDINO#

GroundingDINO ist ein Transformer-basiertes Objekterkennungsmodell, das Vision und Sprache kombiniert. Anstatt sich auf eine feste Menge von Kategorien zu verlassen, ermöglicht es Benutzern, Objekte mithilfe von natürlichsprachlichen Texteingaben (Prompts) zu erkennen.

Durch den Abgleich visueller Merkmale aus einem Bild mit Textbeschreibungen kann das Modell Objekte lokalisieren, selbst wenn diese genauen Labels nicht in seinen Trainingsdaten enthalten waren. Das bedeutet, du kannst das Modell mit Beschreibungen wie „eine Person mit Helm“ oder „ein rotes Auto in der Nähe eines Gebäudes“ anweisen, und es wird genaue Bounding Boxes um passende Objekte generieren.

Durch die Unterstützung von Zero-Shot-Erkennung reduziert GroundingDINO außerdem die Notwendigkeit, das Modell für jeden neuen Anwendungsfall neu zu trainieren oder feinabzustimmen, was es über ein breites Spektrum an Anwendungen hinweg hochflexibel macht. Diese Kombination aus Sprachverständnis und visueller Erkennung eröffnet neue Möglichkeiten für interaktive und adaptive KI-Systeme.

Link to this sectionGängige Metriken zur Evaluierung von Objektdetektoren#

Wenn du verschiedene Objekterkennungsmodelle vergleichst, fragst du dich vielleicht, woran du erkennst, welches tatsächlich am besten abschneidet. Das ist eine berechtigte Frage, denn jenseits der Modellarchitektur und der Qualität deiner Daten können viele Faktoren die Leistung beeinflussen.

Forscher verlassen sich oft auf gemeinsame Benchmarks und Standard-Leistungsmetriken, um Modelle konsistent zu evaluieren, Ergebnisse zu vergleichen und Kompromisse zwischen Geschwindigkeit und Genauigkeit zu verstehen. Standard-Benchmarks sind besonders wichtig, da viele Objekterkennungsmodelle auf denselben Datensätzen, wie z. B. dem COCO Datensatz, evaluiert werden.

Link to this sectionMessung von Erkennungsgenauigkeit und Geschwindigkeit#

Hier ist ein genauerer Blick auf einige gängige Metriken zur Evaluierung von Objekterkennungsmodellen:

• Intersection over Union (IoU): Diese Metrik misst, wie stark eine vorhergesagte Bounding Box mit dem tatsächlichen Objekt in einem Bild überlappt. Sie vergleicht die vom Modell gezeichnete Box mit der Ground-Truth-Box, also der im Datensatz annotierten Objektposition. IoU wird berechnet als die Schnittfläche geteilt durch die Vereinigungsfläche der beiden Boxen. Ein höherer IoU-Wert zeigt an, dass das Modell die Box präziser platziert, während ein niedrigerer Wert bedeutet, dass die Vorhersage weniger präzise ist. Vereinfacht gesagt zeigt IoU, wie genau die Vorhersagen des Modells mit den wahren Objektpositionen übereinstimmen.
• Mean Average Precision (mAP): Dies ist die primäre Metrik zur Bewertung der gesamten Objekterkennungsleistung. Sie berücksichtigt sowohl die Anzahl der vom Modell korrekt erkannten Objekte als auch die Genauigkeit dieser Erkennungen über verschiedene Konfidenzniveaus und Objektkategorien hinweg.
• Frames per Second (FPS) und Latenz: FPS zeigt an, wie viele Bilder oder Video-Frames ein Modell in einer Sekunde verarbeiten kann. Ein Modell mit 30 FPS kann beispielsweise 30 Frames pro Sekunde verarbeiten. Höhere FPS bedeuten, dass das System schneller reagieren kann, was für Anwendungsfälle wie Live-Videos, Verkehrsüberwachung oder Robotik wichtig ist. Die Latenz hingegen misst, wie lange das Modell benötigt, um ein einzelnes Bild oder einen Frame zu verarbeiten, von dem Moment an, in dem es empfangen wird, bis das Ergebnis bereit ist.

Link to this sectionVor- und Nachteile der Verwendung von Objekterkennungsalgorithmen#

Hier sind einige der wichtigsten Vorteile der Verwendung von Objekterkennungsmodellen in realen Anwendungen:

• Skalierbar über Branchen hinweg: Objekterkennung kann für eine Vielzahl von Anwendungsfällen eingesetzt werden, von Verkehrsüberwachung und Einzelhandelsanalysen bis hin zu Gesundheitswesen, Landwirtschaft und Fertigung.
• Reduziert manuellen Aufwand: Die Automatisierung von visuellen Inspektions- und Überwachungsaufgaben senkt den Bedarf an ständiger menschlicher Aufsicht und hilft Teams, sich auf höherwertige Arbeit zu konzentrieren.
• Profitiert von Open-Source-Ökosystemen: Aktive Open-Source-Communities und Ressourcen auf GitHub erleichtern den Zugriff auf vortrainierte Modelle, das Experimentieren und das Anpassen von Lösungen.

Trotz dieser Vorteile gibt es praktische Einschränkungen, die die Leistung von Objekterkennungsmodellen beeinflussen können. Hier sind einige wichtige Faktoren, die du berücksichtigen solltest:

• Anforderung an qualitativ hochwertige Daten: Objekterkennungsmodelle stützen sich beim Training auf große, gut annotierte Datensätze. Das Erstellen und Pflegen dieser Daten kann zeitaufwendig, kostspielig und schwer zu skalieren sein.
• Rechenanforderungen: Modelle, die eine höhere Erkennungsgenauigkeit liefern, erfordern oft erhebliche Rechenleistung, sowohl beim Training als auch bei der Bereitstellung in Echtzeit. Dies bedeutet in der Regel den Einsatz von Hochleistungs-GPUs, was die Infrastrukturkosten erhöhen kann.
• Empfindlichkeit gegenüber realen Bedingungen: Schwankungen bei Lichtverhältnissen, Kamerawinkeln, Wetter und überfüllten Szenen können die Erkennungsleistung beeinflussen, was fortlaufende Tests und Abstimmungen notwendig macht.

Link to this sectionWichtige Erkenntnisse#

Das beste Objekterkennungsmodell für dein Computer-Vision-Projekt hängt von deinem Anwendungsfall, deinem Daten-Setup, deinen Leistungsanforderungen und Hardwarebeschränkungen ab. Einige Modelle sind auf Geschwindigkeit optimiert, während andere auf Genauigkeit fokussiert sind, und die meisten realen Anwendungen erfordern ein Gleichgewicht aus beidem. Dank Open-Source-Frameworks und aktiven Communities auf GitHub werden diese Modelle immer einfacher zu evaluieren, anzupassen und für den praktischen Einsatz bereitzustellen.

Um mehr zu erfahren, erkunde unser GitHub Repository. Tritt unserer Community bei und schau dir unsere Lösungsseiten an, um mehr über Anwendungen wie KI im Gesundheitswesen und Computer Vision in der Automobilindustrie zu lesen. Entdecke unsere Lizenzoptionen, um noch heute mit Vision-KI zu starten.