Computer Vision

Definition und Kerncharakter

Computer Vision (CV) ist das Teilgebiet der KI, das Maschinen das Sehen, Verstehen und Interpretieren visueller Informationen — Bilder, Videos, 3D-Scans, Wärmebilder — beibringt. Während Menschen visuelle Inhalte mühelos verstehen, erfordert dies für Computer komplexe Algorithmen, die Pixel-Muster in semantische Bedeutung übersetzen.

Computer Vision umfasst Aufgaben wie Image Classification, Object Detection, Segmentation, OCR, Pose Estimation, 3D-Rekonstruktion und Video Understanding. Es ist die Grundlage für autonomes Fahren, medizinische Bildgebung, Qualitätsprüfung in der Industrie und visuelle Suche im E-Commerce — und mit dem Aufstieg multimodaler KI zunehmend mit Sprachverständnis kombiniert.

Wie funktioniert es technisch?

Bis 2012 dominierten klassische Methoden (SIFT, HOG, Haar-Cascades) mit handgemachten Features. AlexNet (2012) zeigte auf ImageNet, dass tiefe Convolutional Neural Networks (CNN) jede klassische Methode deutlich schlagen. CNNs nutzen lokale Filter (Kernels), die Kanten, Texturen und Formen lernen, gefolgt von Pooling-Schichten zur Dimensionsreduktion und Dense-Layern für die finale Klassifikation.

Wichtige CNN-Architekturen: VGG, ResNet (Skip Connections), EfficientNet, YOLO (Single-Stage Detection) und U-Net (Segmentation). Seit 2020 dominieren Vision Transformer (ViT), die Bilder in Patches zerlegen und Self-Attention global anwenden. SwinV2 und ConvNeXt kombinieren beide Welten.

2023 brachte Meta SAM (Segment Anything Model), das ohne weiteres Training beliebige Objekte segmentiert — ein Vision-Foundation-Modell. CLIP (OpenAI 2021) und DINOv2 (Meta) liefern universelle Vision-Embeddings für Zero-Shot-Klassifikation und Search. Grounding DINO und OWL-ViT ermöglichen Open-Vocabulary-Detection per Text-Prompt.

Geschichte und Evolution

Die Anfänge reichen in die 1960er — Larry Roberts' Blockwelten-Arbeit am MIT. In den 1990ern führten Viola/Jones (2001, Gesichtserkennung) und SIFT (1999) effiziente Feature-Detektoren ein. 2009 brachte Fei-Fei Li mit ImageNet einen Massendatensatz, der den Deep-Learning-Boom ermöglichte. AlexNet (2012) markierte den Wendepunkt. Es folgten VGG (2014), ResNet (2015), YOLO (2016) und Mask R-CNN (2017).

Vision Transformer (Google 2020) ersetzten CNN-Dominanz, CLIP (2021) brachte Vision-Sprache-Pretraining, SAM (2023) markierte den Foundation-Model-Moment für Vision. 2026 sind universelle, promptbare Vision-Modelle Standard.

Anwendungsfälle Business

Medical Imaging: KI-Systeme wie Aidoc und Siemens AI-Rad-Companion erkennen Schlaganfälle, Lungenembolien und Tumore mit menschenähnlicher oder besserer Genauigkeit. Studien zeigen 30-Prozent-Beschleunigung in der Radiologie und höhere Detection-Raten.

Manufacturing & Qualitätsprüfung: Automobil- und Elektronik-Hersteller setzen CV ein, um Defekte auf Fertigungslinien in Echtzeit zu erkennen. Ein Tier-1-Zulieferer reduzierte Ausschuss um 40 Prozent durch CV-basierte Inspektion. Retail: Amazon Go und Aldi Shop&Go nutzen CV für Self-Checkout; Shelf-Monitoring-Systeme erfassen Bestände automatisch.

Automotive: ADAS-Systeme und autonomes Fahren bauen auf CV — Lane Detection, Verkehrszeichen-Erkennung, Fußgänger-Schutz. Tesla, Waymo, Mobileye führend. Agriculture: Drohnen und Traktoren mit CV erkennen Krankheiten und Unkraut, ermöglichen präzise Pestizid- und Düngeranwendung. Security: Biometrische Zugangskontrolle, Videoüberwachung-Analytics, Loss-Prevention im Einzelhandel.

Logistics: OCR auf Adresslabels, Volumenmessung in Lagern, Tracking. E-Commerce: Visual Search, Background-Removal, automatische Produktkategorisierung. Sport: Spielanalysen mit Multi-Kamera-Tracking. Praxisnahe Roadmaps entwickeln wir in unserer KI-Beratung.

Vergleich und Abgrenzung

Klassische CV vs. Deep-Learning-CV: Klassische Methoden (SIFT, HOG) sind interpretierbar und brauchen keine Trainingsdaten — sind aber bei modernen Aufgaben unterlegen. Deep-Learning-CV braucht Daten und Compute, liefert aber State-of-the-Art-Performance.

CNN vs. Vision Transformer: CNNs (induktiver Bias auf lokale Strukturen) sind effizient bei mittleren Datenmengen und mobile-friendly. ViTs (kein lokaler Bias) brauchen mehr Daten, skalieren aber besser. Hybride wie ConvNeXt und SwinV2 verbinden beide Welten.

Vision-Only vs. Vision-Language: Klassische CV-Modelle sind Task-spezifisch. Vision-Language-Modelle wie CLIP, GPT-5 Vision und Pixtral verstehen Bilder mit natürlicher Sprache und können Zero-Shot-Klassifikation, Captioning und VQA. 2026 verschmelzen reine CV und multimodale KI zunehmend. Spezialisierte Tasks (Industrie-Inspektion, Medical) profitieren oft noch von dediziertem Fine-Tuning.