Zum Inhalt springen

Glossar

KI & Machine Learning

Computer Vision

Computer Vision (maschinelles Sehen) ist das Teilgebiet der KI, das Software befähigt, Bilder und Videos zu interpretieren, etwa zu klassifizieren, was ein Foto zeigt, Objekte zu lokalisieren, Text zu lesen oder Defekte zu vermessen, indem sie visuelle Muster aus gelabelten Beispielen lernt.

Aktualisiert am · Vom VIZIO AI Team

Was ist Computer Vision?

Ein Vision-System ist eine Pipeline: ein Bild erfassen, aufbereiten, ein Modell ausführen und die Ausgabe des Modells in eine Entscheidung oder Aktion umsetzen. Das Modell ist meist ein Convolutional Neural Network oder ein Vision Transformer und startet fast immer mit Gewichten, die auf großen öffentlichen Datensätzen wie ImageNet vortrainiert und dann für die jeweilige Aufgabe feinabgestimmt wurden.

Multimodale Modelle wie GPT-4o, Gemini und Claude können inzwischen auch Bilder beschreiben und Fragen dazu per Prompt beantworten, ganz ohne Training. Damit hat sich das Feld in zwei Wege aufgeteilt: Allzweckmodelle per API für flexible Aufgaben mit geringem Volumen und kleine eigene Modelle für schnelle, repetitive Arbeit mit hoher Genauigkeit.

Was sind die wichtigsten Aufgaben der Computer Vision?

Die Wahl des richtigen Aufgabentyps ist wichtiger als die Wahl des Modells, denn sie bestimmt den Labeling-Aufwand und die Kennzahl.

  • Klassifizierung: ein Label pro Bild („Defekt“ oder „OK“).

  • Objekterkennung: Boxen um jedes Objekt, zum Beispiel mit Ultralytics YOLO.

  • Segmentierung: ein Label für jedes Pixel, um Flächen zu vermessen; das Modell Segment Anything von Meta beschleunigt dieses Labeling.

  • OCR und Dokumentverständnis: Text und Layout lesen, der Kern der intelligenten Dokumentenverarbeitung.

  • Posenschätzung und Tracking: Personen oder Objekte über Videoframes hinweg verfolgen.

Die Erkennungsqualität wird mit Intersection over Union (IoU, die Überlappungsfläche geteilt durch die gemeinsame Fläche von vorhergesagter und tatsächlicher Box) und Mean Average Precision (mAP) gemessen.

Wie sieht Computer Vision in der Praxis aus?

Ein typisches Industrieprojekt verbringt mehr Zeit mit Bildern und Labels als mit dem Modell. Nehmen wir einen Hersteller von Lebensmittelverpackungen mit 120 Mitarbeitenden, der fehlerhafte Versiegelungen erkennen will, bevor Paletten ausgeliefert werden.

  1. Über der Linie werden Kameras mit fester Beleuchtung montiert, und angenommen, in zwei Wochen werden 3.000 Bilder gesammelt.

  2. Mitarbeitende der Qualitätssicherung labeln Defekte in CVAT oder Roboflow anhand eines schriftlichen Leitfadens, damit zwei Personen dieselbe Versiegelung gleich labeln.

  3. Ein YOLO-Modell wird feinabgestimmt und auf einem Edge-Gerät wie einem NVIDIA Jetson direkt an der Linie bereitgestellt.

  4. Eindeutig erkannte Defekte lösen einen Auswurfarm aus; Grenzfälle gehen zur Entscheidung durch einen Menschen auf einen Bildschirm.

Das Team verfolgt zwei Zahlen: den Recall bei echten Defekten und die Fehlausschussquote, durch die einwandfreie Ware verloren geht.

Wo liegen die Risiken und Grenzen der Computer Vision?

Vision-Modelle scheitern am häufigsten, wenn sich die reale Szene von den Trainingsbildern entfernt. Neue Beleuchtung, eine andere Kamera, ein verschmutztes Objektiv oder eine neue Verpackungsfarbe können die Genauigkeit senken, ohne dass eine Fehlermeldung erscheint.

  • Seltene Klassen: Wenn Defekte bei 1 von 1.000 Artikeln auftreten, ist das Sammeln genügender Beispiele der Engpass.

  • Inkonsistente Labels: Uneinigkeit zwischen den Labelnden begrenzt die Genauigkeit, die das Modell erreichen kann.

  • Regulierung: Nach Artikel 9 DSGVO sind biometrische Daten zur Identifizierung von Personen besondere Kategorien personenbezogener Daten, und der EU AI Act verbietet den Aufbau von Gesichtserkennungsdatenbanken durch ungezieltes Scraping.

Setzen Sie Vision nicht ein, wenn ein Barcode, ein RFID-Tag oder ein einfacher Sensor dieselbe Frage günstiger und zuverlässiger beantwortet.

Sollten Sie ein eigenes Modell trainieren oder eine multimodale API nutzen?

Nutzen Sie eine multimodale API für Prototypen und für vielfältige Aufgaben mit geringem Volumen; trainieren Sie ein eigenes Modell, wenn Sie Geschwindigkeit, Kostenkontrolle oder Genauigkeit bei einer eng umrissenen Aufgabe brauchen. Ein API-Aufruf für jedes Bild einer Produktionslinie, die viele Artikel pro Sekunde verarbeitet, ist langsam und teuer; ein kleines Modell direkt auf dem Gerät ist es nicht.

Gängige Bausteine: OpenCV für die Bildverarbeitung, PyTorch und Ultralytics für das Training, Roboflow und CVAT für das Labeling sowie verwaltete Dienste wie AWS Rekognition, Google Cloud Vision und Azure AI Vision für Standardaufgaben wie OCR oder Label-Erkennung. Vision ist ein Zweig des Machine Learning, und es gilt dieselbe Disziplin bei der Evaluierung.

Eigenes Vision-Modell vs. multimodale LLM-API

Selbst trainiertes Modell

Multimodale LLM-API

Einrichtung

Bilder sammeln und labeln, dann trainieren

Einen Prompt schreiben

Geschwindigkeit pro Bild

Millisekunden, kann direkt auf dem Gerät laufen

Sekunden, benötigt Netzwerkzugang

Kosten bei hohem Volumen

Gering nach dem Training

Steigen mit jedem Aufruf

Am besten geeignet für

Eine eng umrissene, repetitive Aufgabe

Vielfältige Fragen und Prototypen

Kontrolle über die Genauigkeit

Auf eigenen Daten abstimmbar

Auf Prompting beschränkt

Wie geht VIZIO AI an Computer Vision heran?

Die veröffentlichten Fallstudien von VIZIO AI enthalten kein Computer-Vision-Projekt; am nächsten kommt eine automatisierte Klassifizierungspipeline, bei der sich Menschen auf die schwierigen Fälle konzentrieren. Für eine britische Cybersecurity-Forschungsorganisation kombinierte das Growth Studio regelbasierte Logik und Machine-Learning-Heuristiken, um eingehende Ransomware-Ereignisse als „Confirmed“ oder „Unconfirmed“ zu klassifizieren, und reduzierte die manuelle Triage um 70 %.

Die Daten waren dort Textdatensätze, keine Bilder, aber das Designmuster ist dasselbe, das ein Prüfsystem braucht: die eindeutigen Entscheidungen automatisieren und die unsicheren an Menschen weiterleiten. Wo Sie anfangen: Sammeln Sie einige Hundert echte Bilder des Problems und testen Sie eine multimodale API daran, bevor Sie sich auf ein eigenes Training festlegen.

Facebook-Logo
X-Logo
LinkedIn-Logo
Reddit-Logo
Telegram-Logo

AI-first denken.
Zukunftsschnell handeln.

Lassen Sie uns bauen, was als Nächstes kommt! Von Produktideen und intelligenten Workflows bis zu datengetriebenen Systemen und skalierbaren Growth Operations.

Strategiegespräch buchen