Object Detection

Computer-Vision-Aufgabe, bei der Objekte in einem Bild mit Klassenlabel und Bounding Box lokalisiert werden, Grundlage für autonomes Fahren, Robotik und Videoanalyse.

Definition

Object Detection ist die Computer-Vision-Aufgabe, in einem Bild oder Videoframe alle relevanten Objekte zu lokalisieren und zu klassifizieren. Die Ausgabe pro Objekt umfasst eine Klassenbezeichnung (z. B. "Auto", "Person") und eine Bounding Box, also vier Koordinaten, die das Objekt umrahmen. Im Unterschied zur Bildklassifikation, die ein einzelnes globales Label liefert, behandelt Detection mehrere Objekte gleichzeitig und unterscheidet Vordergrund von Hintergrund.

Object Detection ist Grundbaustein für autonomes Fahren, Robotik, Videoüberwachung, industrielle Qualitätskontrolle, medizinische Bildgebung und viele weitere Anwendungen. Sie liegt zwischen Klassifikation und Segmentierung in der Hierarchie der CV-Aufgaben.

Mechanismus und Architektur

Moderne Detector-Architekturen folgen einem dreigliedrigen Aufbau:

Backbone: Extrahiert Feature-Maps aus dem Eingabebild. Typisch ResNet, EfficientNet, CSPDarknet (YOLO) oder Swin Transformer.
Neck: Aggregiert Features über mehrere Auflösungen, etwa Feature Pyramid Network (FPN), PANet oder BiFPN. Ermöglicht Detection von Objekten unterschiedlicher Grösse.
Detection Head: Sagt Boxen und Klassen vorher. Anchor-based oder anchor-free, ein- oder zweistufig.

Detector-Familien:

Two-Stage Detectors: R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN. Stufe 1 schlägt Region Proposals vor, Stufe 2 klassifiziert sie. Hohe Genauigkeit, geringere Geschwindigkeit.
One-Stage Detectors: YOLO, SSD, RetinaNet. Klassen und Boxen werden in einem Vorwärtspass vorhergesagt. Schnell, gut für Echtzeit.
Transformer-based: DETR, Deformable DETR, DINO. Formulieren Detection als Set-Prediction mit Hungarian-Matching, ohne Anchors oder NMS.
Open-Vocabulary: GroundingDINO, OWL-ViT, YOLO-World. Akzeptieren Text-Prompts und detektieren beliebige Klassen.

Verlustfunktionen kombinieren Klassifikationsverlust (Cross-Entropy, Focal Loss) und Lokalisationsverlust (Smooth L1, GIoU, DIoU, CIoU). Non-Maximum Suppression (NMS) filtert überlappende Vorhersagen nach.

Praxis und Anwendung

Produktive Einsatzfelder:

Autonomes Fahren: Detection von Fahrzeugen, Fussgängern, Verkehrsschildern, Ampeln. Tesla, Waymo, Mobileye nutzen Detection als Kern-Modul.
Industrielle Qualitätskontrolle: Defekt-Detection auf Fertigungslinien, Pick-and-Place-Aufgaben.
Einzelhandel: Self-Checkout (Amazon Go), Regal-Monitoring, Diebstahlerkennung.
Medizinische Bildgebung: Tumor-Detection in MRT- und CT-Aufnahmen, Polyp-Detection in Koloskopie-Videos.
Landwirtschaft: Drohnenbasierte Unkraut-Detection, Obst-Zählung, Tierüberwachung.
Sport-Analyse: Spieler- und Ball-Tracking, taktische Analyse.
Sicherheit und Überwachung: Personen-Detection, ANPR (Nummernschilderkennung), Drohnen-Detection.
Robotik: Greif-Aufgaben, Navigation, Mensch-Roboter-Interaktion.

Tools: Ultralytics YOLO (Standard für Anwender), MMDetection, Detectron2 (Meta), torchvision detection models, TensorFlow Object Detection API. Edge-Inference via TensorRT, ONNX, CoreML, OpenVINO.

Häufige Fehler

Annotation-Qualität ignorieren: Lockere Bounding Boxes, fehlende Annotationen oder inkonsistente Klassen ruinieren die Performance. Klare Annotation-Guidelines sind Pflicht.
Klassenungleichgewicht ignorieren: Bei Long-Tail-Verteilungen ohne Loss-Gewichtung oder Sampling werden seltene Klassen ignoriert.
NMS-Schwellenwert falsch wählen: Zu niedrig löscht echte Detections, zu hoch lässt Duplikate stehen. Klassen-spezifische Schwellen sind oft sinnvoll.
mAP isoliert betrachten: Eine Steigerung von 0.5 auf 0.51 mAP ist statistisch oft nicht signifikant. Konfidenz-Intervalle berechnen.
Domain Shift unterschätzen: Auf COCO trainierte Detector versagen oft in Industrieumgebungen. Domain-spezifisches Fine-Tuning oder Augmentation einsetzen.
Anchor-Konfiguration ignorieren: Bei anchor-based Detectors müssen Anchor-Grössen zur Objektgrössenverteilung passen.
Echtzeit-Anforderungen unterschätzen: Inference-Latenz auf Zielgerät messen, nicht auf der A100-Trainings-GPU.

Abgrenzung

Image Classification: Liefert ein globales Label pro Bild, keine Lokalisation.
Semantic Segmentation: Weist jedem Pixel eine Klasse zu, unterscheidet aber nicht zwischen Instanzen derselben Klasse.
Instance Segmentation: Kombination aus Detection und Segmentation: pixelgenaue Maske pro Objekt. Mask R-CNN, SAM, YOLO-Seg.
Panoptic Segmentation: Vereint Semantic und Instance Segmentation in einer Ausgabe.
Keypoint Detection: Lokalisiert Schlüsselpunkte (z. B. Körpergelenke) statt Boxen. OpenPose, MediaPipe Pose.
Visual Tracking: Folgt einem Objekt über Frames eines Videos. Detection liefert Initialisierung pro Frame.

Weiter im KI-Lexikon

← Zurück zum Lexikon

Häufige Fragen

Was ist Object Detection?+

Object Detection ist eine Computer-Vision-Aufgabe, bei der ein Modell für jedes relevante Objekt in einem Bild eine Klasse und eine umgebende Bounding Box ausgibt. Im Unterschied zur Bildklassifikation, die ein Label pro Bild liefert, lokalisiert Detection mehrere Objekte gleichzeitig und unterscheidet zwischen Vordergrund und Hintergrund.

Welche Detector-Familien gibt es?+

Two-Stage Detectors wie Faster R-CNN schlagen zuerst Regionen vor und klassifizieren sie dann. One-Stage Detectors wie YOLO, SSD und RetinaNet sagen Klassen und Boxen in einem Schritt vorher. Transformer-basierte Detectors wie DETR formulieren Detection als Set-Prediction-Problem.

Was ist die YOLO-Familie?+

YOLO (You Only Look Once) ist die populärste One-Stage-Detector-Familie. Versionen v1 bis v3 stammen von Joseph Redmon, ab v4 von Alexey Bochkovskiy, v5 und v8 von Ultralytics, v6 von Meituan, v7 von WongKinYiu, v9, v10 und v11 von verschiedenen Gruppen. YOLO dominiert produktive Anwendungen durch Geschwindigkeit und einfache Tools.

Wie funktioniert Non-Maximum Suppression?+

Detector geben oft mehrere überlappende Boxen pro Objekt aus. Non-Maximum Suppression (NMS) behält die Box mit dem höchsten Confidence-Score und unterdrückt alle Boxen, die mehr als einen IoU-Schwellenwert (typisch 0.5) damit überlappen. Soft-NMS und DIoU-NMS sind verbesserte Varianten.

Welche Metriken misst man?+

mean Average Precision (mAP) ist Standard. Berechnet wird Average Precision (Fläche unter Precision-Recall-Kurve) für jede Klasse, dann gemittelt. COCO meldet mAP bei IoU 0.5 bis 0.95, Pascal VOC bei IoU 0.5. Weitere Metriken: Precision, Recall, F1, Inference-Latenz, FLOPs.

Was bedeutet IoU?+

IoU (Intersection over Union) misst Box-Überlappung als Verhältnis von Schnittfläche zu Vereinigungsfläche zweier Boxen. Wertbereich 0 bis 1. IoU >= 0.5 gilt klassisch als korrekte Detection. Modernere Loss-Funktionen sind GIoU, DIoU und CIoU, die zusätzlich Box-Geometrie und Distanz berücksichtigen.

Welche Datensätze sind Benchmark-Standard?+

COCO (80 Klassen, 330K Bilder, 1.5M Objektinstanzen), Pascal VOC (20 Klassen, historischer Standard), Open Images V7 (600 Klassen), LVIS (Long-Tail-Verteilung), Objects365 und Cityscapes oder KITTI für autonomes Fahren.

Was sind Open-Vocabulary und Zero-Shot Detection?+

Klassische Detector erkennen nur Klassen, die im Trainingssatz vorkommen. Open-Vocabulary Detection wie GroundingDINO, OWL-ViT, YOLO-World und Grounding-SAM erkennt beliebige Klassen anhand von Text-Prompts, ohne dass diese Klassen explizit trainiert wurden. Das vereinfacht den Einsatz in neuen Domänen drastisch.

Quellen

COCO Dataset Documentation
Ultralytics YOLO Docs
PyTorch torchvision Detection Docs

Wikidata: Q3045304 · Zuletzt geprüft: 2026-06-07