Was ist Bilderkennung?

Bilderkennung ist im Kontext des maschinellen Lernens eine Disziplin, die Computer darauf trainiert, die visuelle Welt zu interpretieren und zu verstehen. Dabei kommen Algorithmen und Modelle zum Einsatz, die anhand von Mustern und Objekten in Bildern Inhalte erkennen und klassifizieren. Indem Bilder in numerische oder symbolische Informationen umgewandelt werden, kann Bilderkennung die Welt auf eine Art erfassen, die der menschlichen Wahrnehmung ähnelt.

Die Bedeutung der Bilderkennung ist enorm. Von Gesundheitswesen über Sicherheit und Handel bis hin zu sozialen Medien: Ihre Anwendungen sind allgegenwärtig und revolutionieren Branchen, indem Aufgaben automatisiert werden, die früher menschliches Sehen und Denken erforderten.

Bilderkennung einfach erklärt

Im Kern besteht Bilderkennung aus mehreren Schritten. Zuerst wird ein Bild erfasst, meist als digitales Foto oder Videoframe. Anschließend erfolgt ein Preprocessing, um das Bild zu verbessern und Störrauschen zu entfernen. Dazu können Helligkeit, Kontrast und weitere Parameter angepasst werden, um den Input zu standardisieren.

Das verarbeitete Bild wird dann mit Algorithmen des maschinellen Lernens analysiert. Es werden Merkmale extrahiert – etwa Muster, Farben, Texturen, Formen oder andere prägende Aspekte. Diese Features werden an einen Klassifikator, also ein trainiertes Machine-Learning-Modell, übergeben, der das Bild interpretiert. Die Ausgabe des Klassifikators ist eine Vorhersage, die auf Basis des gelernten Wissens bestimmt, was das Bild darstellt. Nach der Vorhersage können im Postprocessing weitere Schritte wie Filtern oder Verfeinern folgen, um die Nützlichkeit des Outputs zu erhöhen. Zusätzlich lassen sich Techniken wie Datenaugmentation und Transfer Learning einsetzen, um die Leistung weiter zu steigern.

Techniken der Bilderkennung

Für Bilderkennung im Machine Learning kommen mehrere Ansätze zum Einsatz, unter anderem:

\n
• Convolutional Neural Networks (CNNs). CNNs sind eine Klasse von Deep-Learning-Algorithmen, die vor allem in der Bilderkennung genutzt werden. Sie verarbeiten Bilder direkt und sind besonders gut darin, räumliche Hierarchien und Muster in einem Bild zu erkennen.
\n

\n
• Deep Learning. Deep Learning nutzt künstliche neuronale Netze mit mehreren Schichten (tiefe Strukturen), um komplexe Muster zu modellieren und zu verstehen. Das ist besonders nützlich bei großen Mengen unstrukturierter Daten wie Bildern.
\n

\n
• Feature-Extraction. Dabei werden markante Punkte oder einzigartige Eigenschaften in einem Bild identifiziert, etwa Kanten, Ecken oder Blobs. Gängige Algorithmen sind Scale-Invariant Feature Transform (SIFT), Speeded-Up Robust Features (SURF) und Histogram of Oriented Gradients (HOG).
\n

Beispiele aus der Praxis

Bilderkennung ist fester Bestandteil vieler moderner Technologien, zum Beispiel:

\n
• Gesundheitswesen. Bilderkennung unterstützt die Analyse medizinischer Aufnahmen wie MRTs oder CT-Scans, um Krankheiten zu diagnostizieren und Auffälligkeiten zu erkennen. So lassen sich Muster oder Anomalien identifizieren, was präzise Diagnosen sowie rechtzeitige Intervention und Behandlung ermöglicht.
\n
• Einzelhandel. Um das Kundenerlebnis zu verbessern, ermöglicht Bilderkennung etwa die Produktsuche per Foto. Außerdem kommt sie in Self-Checkout-Systemen zum Einsatz, um Artikel schnell zu identifizieren und den Bezahlvorgang zu beschleunigen.
\n
• Autonomes Fahren. Bilderkennung ist entscheidend, damit Fahrzeuge ihre Umgebung verstehen – etwa Hindernisse, Verkehrsschilder und Fußgänger erkennen.
\n

Wo liegen die Grenzen der Bilderkennung?

Trotz der breiten Einsatzmöglichkeiten hat Bilderkennung auch Grenzen. Zum Beispiel:

\n
• Abhängigkeit von Daten. Bei überwachtem Lernen hängt die Genauigkeit stark von Qualität und Umfang der Trainingsdaten ab – inklusive der Güte ihrer Label. Vielfältige und repräsentative Trainingsdaten zu sammeln, Labels per menschlicher Prüfung zu verifizieren und Transfer Learning mit vortrainierten Modellen zu nutzen, kann hier helfen.
\n
• Anfälligkeit für adversarielle Angriffe. Kleine, oft kaum wahrnehmbare Änderungen an einem Bild können Systeme in die Irre führen. So kann etwa das Hinzufügen minimaler Störungen zu einem Stoppschild dazu führen, dass es als Tempolimitschild klassifiziert wird. Dagegen helfen robustere Modelle, z. B. durch adversariales Training, Defensive Distillation oder zertifizierte Abwehrverfahren mit Garantien gegen solche Angriffe.
\n
• Schwierigkeiten beim Kontextverständnis. Während der Mensch Zusammenhänge und Beziehungen zwischen Objekten leicht erfasst, tun sich Systeme der Bilderkennung oft schwer damit. Fortgeschrittene Algorithmen, die auf sehr großen Datensätzen trainiert wurden, liefern hier tendenziell genauere Interpretationen.
\n

Bilderkennung vs. Objekterkennung

Beide interpretieren Bilder, erfüllen aber unterschiedliche Aufgaben. Bilderkennung bestimmt, wofür ein gesamtes Bild steht, etwa Landschaft, Porträt oder Nachtszene. Objekterkennung geht einen Schritt weiter und lokalisiert und identifiziert mehrere Objekte innerhalb eines Bildes.

Während Bilderkennung zum Beispiel eine Aufnahme als Straßenszene einordnet, kann Objekterkennung in demselben Bild Autos, Fußgänger, Gebäude und sogar bestimmte Hunderassen identifizieren und lokalisieren.

Objekterkennung verbindet Bilderkennung und Lokalisierung und liefert so eine präzise Identifikation und Positionierung von Objekten im Bild. Lokalisierung bedeutet, den genauen Ort eines Objekts im Bild zu bestimmen, typischerweise durch Begrenzungsrahmen um jedes Objekt. Diese Analyse vertieft unser Verständnis des Bildes und ermöglicht weitere Schritte oder Aktionen auf Basis der erkannten Objekte.

6 Schritte zur Umsetzung einer Bilderkennungsanwendung

Für Bildannotation, Preprocessing, Augmentation und die Auswahl von Algorithmen steht dir eine große Bandbreite an Ressourcen zur Verfügung, die du auf deine Anforderungen zuschneiden kannst. Unter den vielen Modellen zur Bilderkennung gilt ResNet 50 als besonders populär und ist meine erste Wahl.

ResNet ist ein Typ von Convolutional Neural Network, der Residual Learning und Skip-Verbindungen in den Mittelpunkt gerückt hat. Dadurch lassen sich tiefere Modelle deutlich einfacher trainieren.

So würde ich beim Aufbau einer Bilderkennungsanwendung vorgehen, etwa für ein Projekt zur Klassifikation von Vogelbildern.

\n
1. \n

   Datensammlung

   \n
\n

Die genauesten Bildklassifikationsmodelle sind häufig vortrainierte Modelle, die bereits auf großen Bilddatensätzen gelernt haben. Du brauchst daher keine riesigen Datenmengen für gute Ergebnisse. Schon 100 Bilder pro Klasse können über 80% Genauigkeit erzielen. Auf Kaggle findest du offene Bilddatensätze für dein Projekt.

\n
1. \n

   Datenannotation

   \n
\n

Sobald du einen unlabelten Bilddatensatz hast, musst du ihn labeln und die Labels vor der Analyse validieren.

\n
1. \n

   Preprocessing

   \n
\n

Bevor du das Modell trainierst, musst du die Bilder vorverarbeiten: laden, Daten bereinigen und in numerische Matrizen umwandeln. Anschließend kannst du verschiedene Augmentationstechniken nutzen, um die effektive Datenmenge zu vergrößern – etwa Zuschneiden, Spiegeln, Farbverschiebung, Skalierung, Verzerrung, Translation und mehr.

\n
1. \n

   Modellauswahl

   \n
\n

In dieser Phase experimentierst du mit verschiedenen CNN-Modellen und bewertest ihre Leistung, indem du sie auf dem kleineren Trainingsdatensatz trainierst. Am Ende wählst du das Modell mit der besten Performance.

\n
1. \n

   Modelltraining und -bewertung

   \n
\n

In diesem Szenario hast du dich für ResNet 50 entschieden und planst, seine Hyperparameter für höhere Genauigkeit zu optimieren. Es ist entscheidend, das Modell auf dem Testdatensatz zu evaluieren, um wichtige Informationen zu Genauigkeit und Stabilität zu erhalten. Danach kannst du das am besten abschneidende Modell auswählen und seine Gewichte speichern.

\n
1. \n

   Webanwendung

   \n
\n

Zum Schluss erstellst du eine API oder Webanwendung, die die gespeicherten Modellgewichte lädt und die Bildklasse vorhersagt. Dieser Teil erfordert mehr Tests, da du Durchsatz und Performance des Modells über die Zeit und auf unbekannten Daten bewerten willst. Bist du mit den Ergebnissen zufrieden, kannst du die Webanwendung samt Modell in die Produktion bringen.

Dieser Prozess klingt anfangs vielleicht komplex, doch sobald du an einem Bildklassifikationsprojekt arbeitest, findest du schnell mehrere Wege zum selben Ziel. Es ist ein Test-und-Lern-Prozess, der dir am Ende hilft, ein stärkeres Data-Science-Portfolio aufzubauen.

Du willst mehr über KI lernen? Schau dir diese Ressourcen an:

\n
• Kurs: Machine Learning verstehen
\n
• Kurs: Image Processing in Python
\n
• Kurs: ChatGPT verstehen
\n
• Was ist Machine Learning?
\n