Image Recognition

Bilderkennung ist eine grundlegende Technologie innerhalb des umfassenderen Bereichs der Bildverarbeitung (CV), die Softwaresysteme dazu befähigt, Objekte, Personen, Orte und Text in digitalen Bildern zu identifizieren. Durch die Analyse der Pixeldaten eines Bildes oder Videobilds versucht diese Technologie, die visuellen Wahrnehmungsfähigkeiten des menschlichen Auges und Gehirns nachzuahmen. Mithilfe von künstlicher Intelligenz (AI) wandelt Bilderkennung unstrukturierte visuelle Daten in strukturierte, nutzbare Informationen um und bildet damit die Grundlage für Automatisierung in Branchen vom Gesundheitswesen bis zum autonomen Verkehr.

Kernmechanismen und Technologien#

Moderne Bilderkennungssysteme haben sich über die herkömmliche regelbasierte Programmierung hinausentwickelt und stützen sich stark auf Algorithmen des Deep Learning (DL). Die am häufigsten für diese Aufgaben eingesetzte Architektur ist das faltungsneuronale Netzwerk (CNN). Ein CNN verarbeitet Bilder als Gitter aus Werten, die typischerweise die Farbkanäle Rot, Grün und Blau (RGB) darstellen, und leitet sie durch mehrere Schichten mathematischer Operationen.

Während dieses Prozesses führt das Netzwerk eine Merkmalsextraktion durch. Die ersten Schichten erkennen möglicherweise einfache geometrische Muster wie Kanten oder Ecken, während tiefere Schichten diese Muster zusammenführen, um komplexe Strukturen wie Augen, Räder oder Blätter zu erkennen. Um eine hohe Genauigkeit zu erreichen, benötigen diese Modelle große Mengen an beschrifteten Trainingsdaten. Große öffentliche Datensätze wie ImageNet helfen den Modellen, die statistische Wahrscheinlichkeit zu erlernen, mit der eine bestimmte visuelle Anordnung einem Konzept wie „Katze“, „Fahrrad“ oder „Stoppschild“ entspricht.

Abgrenzung der Bilderkennung von verwandten Konzepten#

Obwohl der Begriff „Bilderkennung“ häufig als Sammelbegriff verwendet wird, unterscheidet er sich von anderen spezifischen Aufgaben der Bildverarbeitung. Das Verständnis dieser Unterschiede ist entscheidend für die Auswahl des richtigen Modells für ein Projekt:

• Bilderkennung vs. Bildklassifizierung: Bei der Klassifizierung wird einem gesamten Bild ein einziges Label zugewiesen, zum Beispiel die Bezeichnung „Strand“. Bilderkennung ist die umfassendere Fähigkeit, die es dem System ermöglicht, den Bildinhalt zu verstehen.
• Bilderkennung vs. Objekterkennung: Während die Bilderkennung identifiziert, was sich in einem Bild befindet, bestimmt die Objekterkennung, wo es sich befindet. Objekterkennungsalgorithmen zeichnen um jede Objektinstanz einen Begrenzungsrahmen und grenzen sie dadurch vom Hintergrund ab.
• Bilderkennung vs. Instanzsegmentierung: Dieser Ansatz geht bei der Bilderkennung einen Schritt weiter, indem er die exakten Pixelkonturen eines Objekts identifiziert und nicht nur einen Rahmen. Das ist entscheidend für Anwendungen, die präzise Messungen erfordern, etwa die biomedizinische Bildanalyse.

Anwendungen in der Praxis#

Der Nutzen der Bilderkennung erstreckt sich praktisch auf jeden Bereich, in dem visuelle Daten erzeugt werden.

• Medizinische Diagnostik: Im Gesundheitswesen unterstützen Bilderkennungsalgorithmen Radiologen, indem sie medizinische Aufnahmen wie Röntgenbilder und MRTs analysieren. Werkzeuge wie AI in der Radiologie können Anomalien wie Tumoren oder Frakturen schneller und teilweise genauer als die alleinige menschliche Beobachtung erkennen.
• Einzelhandel und Bestandsverwaltung: Intelligente Supermärkte nutzen Bilderkennung, um Produkte zu verfolgen, sobald sie aus den Regalen genommen werden, und ermöglichen dadurch automatisierte Kassensysteme. Ebenso setzen Lagerroboter Bilderkennung ein, um Pakete zu identifizieren und zu sortieren.
• Sicherheit und Zutrittskontrolle: Systeme zur Gesichtserkennung ermöglichen den sicheren Zugriff auf Smartphones und Gebäude, indem sie die Identität anhand einer Datenbank gespeicherter Gesichtseinbettungen überprüfen.

Implementierung von Bilderkennung mit Ultralytics YOLO26#

Für Entwickler und Forschende ist die Implementierung von Bilderkennung mit hochmodernen Modellen wie YOLO26, das Klassifizierung, Objekterkennung und Segmentierung nativ unterstützt, deutlich zugänglicher geworden. Das folgende Beispiel zeigt, wie du mit dem ultralytics Python-Paket Bilderkennung, genauer gesagt Objekterkennung, auf einem Bild durchführst.

from ultralytics import YOLO

# Load a pre-trained YOLO26 model (n for nano, fastest speed)
model = YOLO("yolo26n.pt")

# Run inference on an image to recognize and locate objects
# The source can be a file path, URL, or webcam (source=0)
results = model("https://ultralytics.com/images/bus.jpg")

# Display the results with bounding boxes and labels
results[0].show()

Für Teams, die eigene Datensätze annotieren und benutzerdefinierte Modelle in der Cloud trainieren möchten, bietet die Ultralytics Platform eine optimierte Umgebung zur Verwaltung des gesamten Lebenszyklus eines Bilderkennungsprojekts – von der Datenerfassung bis zur Bereitstellung.

Zukünftige Entwicklungen#

Mit zunehmender Rechenleistung entwickelt sich Bilderkennung zur Videoanalyse weiter, bei der Systeme den zeitlichen Kontext über mehrere Bilder hinweg analysieren. Darüber hinaus ermöglicht die Integration von generativer AI Systemen, Bilder nicht nur zu erkennen, sondern auch detaillierte Textbeschreibungen davon zu erzeugen, wodurch die Lücke zwischen Verarbeitung natürlicher Sprache (NLP) und Bildverarbeitung überbrückt wird.