Bildklassifikation

Definition

Bildklassifikation ist die Computer-Vision-Aufgabe, einem Eingabebild eines oder mehrere Klassenlabels aus einer vordefinierten Menge zuzuordnen. Sie ist die historisch älteste und konzeptionell einfachste Aufgabe der modernen Bildverarbeitung. Bei Single-Label-Klassifikation gibt das Modell genau eine Klasse aus (Hund vs. Katze), bei Multi-Label-Klassifikation können mehrere Labels gleichzeitig vergeben werden (Bild zeigt Hund, Strand, Sonnenuntergang).

Bildklassifikation diente als Funke der Deep-Learning-Revolution. Die ImageNet-Challenge von 2012 mit AlexNets Sieg über klassische Feature-Engineering-Pipelines markiert den Beginn der modernen KI-Ära. Seitdem ist Bildklassifikation der etablierte Einstiegspunkt für Studierende, Ingenieurinnen und Forscher im Bereich Deep Learning.

Mechanismus und Architektur

Ein Bildklassifikator besteht klassisch aus drei Komponenten:

• Backbone: Ein Convolutional Neural Network oder Vision Transformer, das aus den Eingabepixeln Feature-Vektoren extrahiert. ResNet50, EfficientNet, ConvNeXt und ViT-Base sind populäre Standardarchitekturen.
• Pooling: Aggregiert die räumlichen Features zu einem globalen Vektor, etwa via Global Average Pooling.
• Classification Head: Ein voll verbundener Layer mit Softmax-Aktivierung, der den Feature-Vektor auf eine Wahrscheinlichkeitsverteilung über die Klassen abbildet.

Training nutzt Cross-Entropy-Loss zwischen vorhergesagter Verteilung und One-Hot-Label. Optimierer sind Adam, AdamW oder SGD mit Momentum. Lernraten-Scheduler wie Cosine Annealing, Daten-Augmentation (RandAugment, MixUp, CutMix) und Regularisierung (Weight Decay, Dropout, Label Smoothing) sind etabliert.

Moderne Pipelines nutzen Transfer Learning: Ein auf ImageNet, JFT-300M oder LAION vortrainiertes Backbone wird mit einem neuen Classification Head finegetuned. Bei wenig Daten wird das Backbone eingefroren und nur der Head trainiert.

Zero-Shot-Klassifikation mit Foundation Models wie CLIP umgeht Training vollständig. Ein gemeinsamer Embedding-Raum für Bilder und Text erlaubt es, jede Klasse als Text-Prompt zu definieren und Klassifikation via Cosine-Similarity zu lösen.

Praxis und Anwendung

Etablierte produktive Domänen:

• Medizinische Diagnostik: Hauterkrankungen (Dermatologie), Augenkrankheiten (Diabetische Retinopathie), Tumorklassifikation in der Histopathologie.
• Industrielle Qualitätskontrolle: Defekt vs. kein Defekt, Klassifikation von Defekt-Typen, Sortierung von Produkten.
• Inhaltsmoderation: NSFW-Detection, Gewalt-Erkennung, Erkennung jugendgefährdender Inhalte auf Plattformen.
• Einzelhandel: Produktkategorisierung in E-Commerce-Katalogen, visuelle Produktsuche.
• Landwirtschaft: Pflanzenarten, Krankheitsklassifikation, Reifegrad-Schätzung.
• Wildlife Monitoring: Klassifikation von Tierarten in Kamerafallen für Forschung und Naturschutz.
• Foto-Apps: Automatisches Tagging von Bildern in Google Photos, iCloud Photos.
• Dokumentenklassifikation: Bilder von Belegen, Pässen, Formularen kategorisieren.

Implementierungstools sind PyTorch mit timm (PyTorch Image Models), TensorFlow, JAX, HuggingFace Transformers für ViT, Ultralytics für YOLO-Classify und Cloud-APIs von Google Vision, AWS Rekognition und Azure Computer Vision.

Häufige Fehler

• Klassenungleichgewicht ignorieren: Bei 99 Prozent gesunder zu 1 Prozent krank trifft das Modell trivial mit 99 Prozent Accuracy, ohne etwas zu lernen. Class-Weights, Oversampling oder Focal Loss nutzen.
• Datenleckage: Bilder aus derselben Aufnahmesession in Train und Test führen zu unrealistisch guten Resultaten. Splits über Patientinnen, Geräte oder Sessions hinweg planen.
• Falsche Augmentation: Aggressive Augmentation für Medizinbilder kann pathologische Merkmale zerstören. Domain-Wissen einbeziehen.
• Hintergrund-Korrelationen: Modell lernt, dass Pferde auf Wiesen stehen, und klassifiziert Pferde im Stall falsch. Grad-CAM und Saliency Maps zur Diagnose nutzen.
• Top-1-Accuracy als alleiniges Mass: Bei unbalancierten Daten irreführend, Confusion Matrix und F1-Score pro Klasse sind aussagekräftiger.
• Adversarial Robustness vernachlässigen: Modelle versagen bei manipulierten Pixeln. Im Sicherheitskontext mit Adversarial Training begegnen.

Abgrenzung

• Object Detection: Zusätzlich zur Klasse wird die Position via Bounding Box angegeben. Mehrere Objekte pro Bild möglich.
• Semantic Segmentation: Jeder Pixel erhält ein Klassenlabel. Liefert pixelgenaue Masken statt Bild-Labels.
• Instance Segmentation: Kombiniert Segmentation mit Instanz-Trennung, jede Person separat segmentiert.
• Image Retrieval: Findet ähnliche Bilder in einer Datenbank statt Klassen zuzuordnen.
• Zero-Shot Classification: Klassifikation ohne Training spezifischer Klassen, via Vision-Language-Modelle.