VGG (Visual Geometry Group Network)

Sehr tiefes Convolutional Neural Network von Karen Simonyan und Andrew Zisserman 2014, das mit uniformen 3x3-Faltungen die Bedeutung von Netztiefe für Computer Vision belegte.

Definition

VGG (Visual Geometry Group Network) ist eine Familie tiefer Convolutional Neural Networks, die Karen Simonyan und Andrew Zisserman 2014 an der Visual Geometry Group der University of Oxford entwickelten. Sie wurde im ICLR-2015-Paper Very Deep Convolutional Networks for Large-Scale Image Recognition publiziert und belegte beim ILSVRC 2014 den zweiten Platz in der Classification-Disziplin sowie den ersten Platz in der Localization-Disziplin.

Die zentrale Botschaft der Arbeit war: Tiefe ist der entscheidende Hebel. Mit einer betont einfachen, uniformen Architektur aus 3x3-Faltungen und 2x2-Max-Pooling zeigte VGG, dass das Hinzufügen weiterer Schichten systematisch bessere Ergebnisse bringt, solange das Training stabil bleibt. VGG-16 wurde danach rasch zum Standard-Backbone für Transfer Learning und blieb es bis zur breiten Adaption von ResNet ab 2016.

Architektur

Die VGG-Familie folgt einem stark vereinheitlichten Bauplan. Alle Convolutional Layers nutzen 3x3-Kernel mit Stride 1 und Padding 1. Alle Max-Pooling-Operationen nutzen 2x2-Fenster mit Stride 2. Aktivierungsfunktion ist ausschliesslich ReLU. Wesentliche Konfigurationen:

VGG-11: Acht Convolutional Layers und drei FC-Schichten.
VGG-13: Zehn Convolutional Layers und drei FC-Schichten.
VGG-16: Dreizehn Convolutional Layers und drei FC-Schichten.
VGG-19: Sechzehn Convolutional Layers und drei FC-Schichten.

Die Convolutional Layers gliedern sich in fünf Blöcke. Pro Block werden mehrere 3x3-Convolutions gestapelt, gefolgt von einem 2x2-Max-Pooling. Die Kanalanzahl verdoppelt sich pro Block: 64, 128, 256, 512, 512. Am Ende stehen zwei vollverbundene Schichten mit je 4096 Neuronen und eine Softmax-Schicht mit 1000 Neuronen für ImageNet.

Drei gestapelte 3x3-Convolutions decken ein 7x7-rezeptives Feld ab und brauchen dabei deutlich weniger Parameter als ein einzelner 7x7-Kernel. Gleichzeitig führen die zusätzlichen ReLU-Aktivierungen zwischen den Schichten zu mehr Nichtlinearität, was die Modellexpressivität erhöht. Dieses Designprinzip prägte praktisch alle nachfolgenden CNN-Architekturen.

Geschichte und Bedeutung

Nach AlexNets ImageNet-Triumph 2012 stellte sich die Frage, wie weiter zu skalieren sei: tiefer, breiter, mit anderen Filtergrössen. VGG beantwortete diese Frage empirisch mit Tiefe und gestapelten kleinen Kerneln. Bei ILSVRC 2014 lag VGG knapp hinter GoogLeNet, das mit Inception-Modulen einen anderen Weg ging, war aber durch seine konzeptuelle Einfachheit der populärere Backbone.

Innerhalb weniger Monate nach Veröffentlichung wurde VGG-16 zum De-facto-Standard für Transfer Learning. Praktisch jede Computer-Vision-Forschungsarbeit zwischen 2014 und 2016 nutzte VGG als Backbone oder Vergleichsbaseline. Object Detection (Fast R-CNN, Faster R-CNN), Semantic Segmentation (FCN, DeepLab v1) und Style Transfer (Gatys et al. 2015) bauten alle auf VGG auf.

Mit dem Erscheinen von ResNet 2015 wurde VGG als Primär-Backbone weitgehend abgelöst. Die Restriktion durch fehlende Residual Connections und die hohe Parameterzahl von rund 138 Millionen wurden zum Bottleneck. VGG-Features blieben jedoch in Perceptual-Loss-Anwendungen und LPIPS-Metriken (Zhang et al. 2018) bis heute relevant.

Praxis und Anwendung

VGG ist 2026 nicht mehr der bevorzugte Backbone für neue Vision-Pipelines, aber in spezifischen Nischen weiter im Einsatz:

Perceptual Loss in Generative Models: Style Transfer, Super Resolution und Diffusion Models nutzen VGG-Features oft als wahrnehmungsorientiertes Distanzmass.
LPIPS-Metrik: Standard-Metrik zur Bewertung von Bildähnlichkeit basiert auf VGG-Features.
Lehre und Benchmarks: VGG-16 ist Standardbeispiel für tiefe CNNs in Vorlesungen und reproduzierbaren Vergleichsstudien.
Style Transfer Klassiker: Gatys et al. 2015 nutzte VGG-19 zur Trennung von Inhalts- und Stilrepräsentationen. Bis heute Standard-Implementierung.
Industrielle Legacy-Systeme: Vor 2018 entwickelte Vision-Pipelines laufen vielfach noch produktiv auf VGG-Backbones.
Feature Visualization: Forschung zur Interpretierbarkeit nutzt VGG-Features wegen ihrer klaren Hierarchie häufig als Untersuchungsgegenstand.

Vortrainierte Gewichte sind in PyTorch (torchvision.models.vgg16, vgg19) und TensorFlow Keras (tf.keras.applications.VGG16, VGG19) verfügbar und sofort einsetzbar.

Häufige Fehler

VGG als primären Backbone für neue Systeme wählen: Für neue Pipelines sind ResNet, EfficientNet, ConvNeXt oder Vision Transformer fast immer die bessere Wahl. VGG nur dort einsetzen, wo es spezifische Gründe gibt (Perceptual Loss, Legacy-Kompatibilität).
Speicherbedarf unterschätzen: VGG-16 hat rund 138 Millionen Parameter, der Grossteil in den FC-Schichten. Inference ist langsam und Speicher-intensiv, ungeeignet für Edge-Geräte.
Ohne Batch Normalization trainieren: Die Originalpublikation hatte keine BatchNorm. Wer VGG heute trainiert, sollte BatchNorm einsetzen, sonst ist die Konvergenz langsam und instabil.
From-Scratch-Training: VGG ohne Vortraining auf ImageNet zu trainieren ist verschwendete Compute, ausser man hat sehr grosse eigene Datensätze.
Pre-Processing falsch handhaben: VGG wurde mit ImageNet-Mean (RGB 123.68, 116.78, 103.94) normalisiert. Ohne diese Normalisierung sinkt die Performance deutlich.
VGG-19 statt VGG-16 wählen ohne Notwendigkeit: VGG-19 ist nur marginal genauer, aber rechenintensiver. VGG-16 ist meist die bessere Wahl.
Perceptual Loss mit zu vielen Layern berechnen: Üblich ist die Verwendung weniger ausgewählter Layers (etwa conv1_2, conv2_2, conv3_3, conv4_3). Alle Layers zu nutzen verfälscht das Distanzmass.

Abgrenzung

AlexNet: Vorgänger von 2012 mit acht Schichten, grossen Kerneln und Local Response Normalization. Deutlich flacher und weniger uniform.
GoogLeNet/Inception: Gewinner von ILSVRC 2014, nutzt parallele Filterzweige mit verschiedenen Kernelgrössen. Parameter-effizienter als VGG, aber komplexer.
ResNet: 2015, fügt Residual Connections hinzu und ermöglicht deutlich tiefere Netze. Hat VGG als Standard-Backbone abgelöst.
DenseNet: Verbindet jede Schicht mit jeder folgenden. Parameter-effizienter, aber speicherintensiver in der Aktivierung.
EfficientNet: Compound Scaling von Tiefe, Breite und Auflösung. Klar überlegen in Accuracy pro Parameter.
MobileNet: Auf mobile Anwendungen optimiert mit Depthwise Separable Convolutions. Andere Designziele als VGG.
Vision Transformer: Ersetzt Convolutions komplett durch Self-Attention. Andere Designphilosophie und auf grossen Datensätzen überlegen.

Weiter im KI-Lexikon

← Zurück zum Lexikon

Häufige Fragen

Was ist VGG?+

VGG (Visual Geometry Group Network) ist eine Familie tiefer Convolutional Neural Networks, die Karen Simonyan und Andrew Zisserman 2014 an der Visual Geometry Group der University of Oxford vorstellten. Sie wurde im Paper Very Deep Convolutional Networks for Large-Scale Image Recognition veröffentlicht und gewann den zweiten Platz bei ILSVRC 2014 sowie den ersten Platz in der Localization-Disziplin.

Welche VGG-Varianten gibt es?+

Die bekanntesten Varianten sind VGG-16 mit 16 trainierbaren Schichten und VGG-19 mit 19 trainierbaren Schichten. Weitere Varianten umfassen VGG-11 und VGG-13. Alle Varianten teilen den gleichen Aufbau mit ausschliesslich 3x3-Faltungen und 2x2-Max-Pooling, unterscheiden sich aber in der Anzahl Schichten pro Block.

Was ist die zentrale Designidee von VGG?+

VGG zeigt, dass mehrere gestapelte 3x3-Convolutions dasselbe rezeptive Feld abdecken wie ein einzelner grosser Kernel, dabei aber weniger Parameter benötigen und durch die zusätzlichen ReLU-Schichten mehr nichtlineare Transformationen einbringen. Drei gestapelte 3x3-Convolutions decken ein 7x7-Feld ab, brauchen aber nur etwa 55 Prozent der Parameter eines 7x7-Kernels.

Warum war VGG so einflussreich?+

VGG demonstrierte empirisch, dass deutlich tiefere Netze als AlexNet zu besseren Ergebnissen führen, solange das Training stabil bleibt. Es lieferte zudem mit der uniformen Architektur ein klares, einfach reproduzierbares Designprinzip. VGG-16 wurde rasch zum Standard-Backbone für Transfer Learning und blieb dies bis zur Einführung von ResNet.

Welche Schwächen hat VGG?+

Sehr hohe Parameterzahl mit etwa 138 Millionen bei VGG-16, davon der Grossteil in den vollverbundenen Schichten. Hoher Speicherverbrauch und langsame Inferenz. Ohne Residual Connections oder Batch Normalization war das Training tiefer Varianten schwierig und brauchte sorgfältige Initialisierung. ResNet löste diese Probleme 2015.

Wird VGG heute noch genutzt?+

In Produktivsystemen kaum noch als primärer Backbone. VGG hat aber als Feature-Extraktor in Perceptual Loss (Style Transfer, Image Generation) und LPIPS-Metriken überlebt, weil die mittleren Layers semantisch reichhaltige Features liefern. Diffusion-Modelle und Bewertungspipelines nutzen VGG-Features bis heute.

Was ist der Unterschied zwischen VGG und AlexNet?+

VGG ist deutlich tiefer (16 oder 19 statt 8 Schichten), uniformer (nur 3x3-Convolutions und 2x2-Pooling statt verschiedener Kernelgrössen), nutzt keine Local Response Normalization und arbeitet ohne überlappendes Pooling. AlexNet war historisch der Durchbruch, VGG der Beleg, dass Tiefe systematisch hilft.

Was hat VGG zu modernen Architekturen beigetragen?+

Drei langlebige Beiträge: erstens die uniformer Block-Architektur als Designprinzip, das später ResNet und ConvNeXt aufgriffen. Zweitens das Prinzip kleiner Kernel mit Tiefe statt grosser Kernel mit weniger Schichten, das bis heute Standard ist. Drittens VGG-Features als de facto Perceptual-Loss-Backbone in Generative Models und Bewertungsmetriken.

Quellen

Simonyan, Zisserman 2014 (Very Deep Convolutional Networks for Large-Scale Image Recognition, ICLR 2015)
ILSVRC 2014 Results
Visual Geometry Group, University of Oxford

Zuletzt geprüft: 2026-07-02