Image Classification

Bildklassifizierung ist eine Aufgabe der Computervision, bei der ein Modell ein ganzes Bild betrachtet und ihm eine Bezeichnung aus einer festen Klassenmenge zuweist, zusammen mit einem Konfidenzwert für jede Klasse. Sie beantwortet die Frage „Was zeigt dieses Bild?“: Katze oder Hund, defekt oder in Ordnung, Lungenentzündung oder normal. Sie ist die einfachste der grundlegenden Bildverarbeitungsaufgaben und zugleich die Grundlage der anderen, denn Backbones, die zuerst auf großen Datensätzen für die Bildklassifizierung trainiert wurden, werden durch Transferlernen als Merkmalsextraktoren für Erkennung und Segmentierung wiederverwendet.

So funktioniert Bildklassifizierung#

Ein Klassifikator wandelt Pixel in drei Schritten in Klassenwahrscheinlichkeiten um. Ein Backbone, entweder ein konvolutionales neuronales Netz (CNN) oder ein Vision Transformer (ViT), extrahiert Schicht für Schicht Merkmale: von Kanten und Texturen in den frühen Schichten bis hin zu Objektteilen und ganzen Objekten in tieferen Schichten. Durch Pooling werden die abschließenden Merkmalskarten zu einem einzelnen Vektor zusammengefasst, der das gesamte Bild beschreibt. Eine voll verbundene Schicht erzeugt anschließend einen Score, auch Logit genannt, pro Klasse, und die Funktion Softmax wandelt diese Scores in Wahrscheinlichkeiten um, deren Summe 1 ergibt.

Modelle lernen diese Zuordnung durch überwachtes Lernen anhand beschrifteter Bilder, wobei der Kreuzentropieverlust zwischen den vorhergesagten Wahrscheinlichkeiten und der tatsächlichen Klasse minimiert wird. Bei der Klassifizierung mit einer einzelnen Bezeichnung (Mehrklassenklassifizierung) wird jedem Bild mit Softmax genau eine Klasse zugewiesen. Bei der Mehrfachbezeichnungsklassifizierung, die verwendet wird, wenn ein Bild mehrere Dinge zugleich zeigen kann, wird jede Klasse unabhängig mit einer Sigmoid-Funktion bewertet und jede Klasse oberhalb eines Schwellenwerts beibehalten.

Die Klassifizierungsmodelle von Ultralytics YOLO26, erkennbar am Suffix -cls, sind Einzelklassen-Klassifikatoren, die mit ImageNet bei 224×224 Pixeln vortrainiert wurden. Das kleinste Modell, YOLO26n-cls, erreicht mit 2,8 Millionen Parametern eine Top-1-Genauigkeit von 71,4 %. Sie lassen sich mit jedem Datensatz trainieren, der als ein Bildordner pro Klasse organisiert ist:

from ultralytics import YOLO

# Load a YOLO26 classification model pretrained on the 1,000 ImageNet classes
model = YOLO("yolo26n-cls.pt")

# Classify the whole image
results = model("https://ultralytics.com/images/bus.jpg")
probs = results[0].probs

# Show the five most likely classes and their softmax probabilities
for class_id, confidence in zip(probs.top5, probs.top5conf.tolist()):
    print(f"{results[0].names[class_id]}: {confidence:.2f}")

Die fünf Wahrscheinlichkeiten stammen aus einer einzigen Softmax-Funktion über alle 1.000 Klassen. Sie zeigen, wie sicher sich das Modell im Vergleich zu ähnlichen Klassen bei seiner besten Wahl ist.

Klassifizierung im Vergleich zu Erkennung und Segmentierung#

Die Klassifizierung beschreibt das gesamte Bild und sagt nichts darüber aus, wo sich Dinge befinden oder wie viele es gibt:

• Objekterkennung: Findet jedes Objekt, versieht es mit einer Bezeichnung und lokalisiert es mit einer Begrenzungsbox, sodass beispielsweise drei Autos auf einem Foto gezählt werden können.
• Bildsegmentierung: Beschriftet Pixel und zeichnet den exakten Umriss jedes Objekts oder Bereichs nach.
• Bilderkennung: Ein weiter gefasster Oberbegriff für die Identifizierung von Bildinhalten, der oft unscharf als Synonym für Klassifizierung verwendet wird.

Welche Aufgabe geeignet ist, hängt davon ab, wie viele räumliche Details eine Anwendung benötigt:

Anwendungen in der Praxis#

• Fertigungsprüfung: Kameras an einer Produktionslinie fotografieren jedes Teil, und ein Klassifikator stuft es als bestanden oder nicht bestanden ein, sodass fehlerhafte Teile automatisch aussortiert werden.
• Medizinische Ersteinschätzung: Modelle sortieren Röntgenbilder des Brustkorbs, Fotos von Hautläsionen und Netzhautaufnahmen in normale und auffällige Fälle ein, damit medizinisches Fachpersonal dringende Fälle zuerst prüft.
• Landwirtschaft: Landwirte fotografieren Blätter mit dem Handy, und ein Klassifikator erkennt die Pflanzenkrankheit oder den Nährstoffmangel.
• Inhaltsorganisation: Fotobibliotheken und Marktplätze versehen Millionen von Bildern mit Tags für Szenen und Produktkategorien, damit sie durchsuchbar sind und moderiert werden können.

Benchmarks und Modelle#

Klassifikatoren werden verglichen, indem man die Top-1-Genauigkeit misst – den Anteil der Bilder, bei denen die Klasse mit der höchsten Wahrscheinlichkeit korrekt ist – und die Top-5-Genauigkeit, also den Anteil, bei dem die richtige Klasse unter den fünf wahrscheinlichsten erscheint. Die moderne Klassifizierung entwickelte sich aus der ImageNet Large Scale Visual Recognition Challenge. Deren Teilmenge mit 1.000 Klassen und etwa 1,28 Millionen Trainingsbildern ist weiterhin der Standardbenchmark. 2012 senkte AlexNet die Top-5-Fehlerrate auf 15,3 %, gegenüber 26,2 % beim zweitbesten Modell, und läutete damit die Ära des Deep Learning in der Bildverarbeitung ein. ResNet ermöglichte 2015 das Training von Netzwerken mit mehr als 100 Schichten. Vision Transformer zeigten 2020, dass Attention-basierte Modelle mit CNNs gleichziehen oder sie übertreffen, wenn sie mit 14 bis 300 Millionen Bildern vortrainiert werden.