Wie erkennt KI Bilder? Ein verständlicher Leitfaden von Pixeln bis zur CNN
AI Neural ·
Gesicht entsperren, Alben nach Personen sortiert, Pflanzen per Foto bestimmen – dahinter steckt immer dasselbe: eine Maschine dazu zu bringen, Bilder zu verstehen. Der Schlüssel dazu ist simpel: erst sehen, wie die Zahlen aussehen, dann, wie das Netz sie zu „Merkmalen“ kombiniert.
Für eine Maschine ist ein Bild ein Zahlenraster
Ein Farbfoto besteht aus Zehntausenden Pixeln, und jedes Pixel speichert drei Helligkeitswerte – Rot, Grün und Blau – meist zwischen 0 und 255. Wird ein Bild an ein Netz übergeben, ist es also in Wahrheit eine lange Liste von Zahlen in einem ordentlichen Raster.
Bei diesem „Zahlenraster“ ist der erste Schritt des Netzes ganz bescheiden: Es sucht im Raster nach kleinen lokalen Veränderungen – etwa einem jähen Anstieg oder Abfall der Helligkeit zwischen benachbarten Pixeln, also einer Kante.
Von Pixeln zu Merkmalen: Schicht für Schicht kombinieren
Eine einzelne Kante sagt für sich wenig, doch kombiniert beginnen sie etwas zu bedeuten. Spätere Schichten setzen einfache Kanten zu Kurven, Ecken und Texturen zusammen; noch spätere fügen diese zu Teilen wie Auge, Nase, Rad oder Blütenblatt zusammen.
Diese Regeln werden nicht von Hand programmiert; das Netz lernt sie beim Training. Die „Merkmale“, die jede Schicht lernt, sind eine Neukombination der Ausgabe der vorherigen Schicht – je tiefer, desto abstrakter.
Das klassische Beispiel: MNIST handgeschriebene Ziffern
Beim Einstieg in die Bilderkennung beginnt fast jeder mit MNIST. Es sind Zehntausende Bilder handschriftlicher Ziffern mit 28×28 Pixeln, jedes bereits mit der richtigen Antwort von 0 bis 9 beschriftet – ideal zum Üben von „anschauen und klassifizieren“.
Weil die Bilder klein und die Klassen wenige sind, erreicht selbst ein einfaches Netz in Minuten hohe Genauigkeit – ideal, um zu beobachten, was beim Training wirklich passiert. Wer MNIST versteht, geht auch komplexere Bildaufgaben gelassen an.
Was eine CNN gegenüber einem gewöhnlichen Netz hinzufügt
Verbindet man jede Pixelposition direkt mit der nächsten Schicht, explodiert die Zahl der Parameter und das Training wird schwer. Die Kernidee einer CNN ist die Faltung (Convolution): Ein kleines Fenster gleitet über das ganze Bild, und dieselbe Gewichtsgruppe wird wiederverwendet, um dieselbe Art von Muster zu suchen. So bleiben räumliche Bezüge erhalten, während die Parameterzahl stark sinkt.
Zudem nutzen CNNs häufig „Pooling“, um Merkmalskarten zu verkleinern, sodass das Netz eher zählt, ob ein Merkmal vorhanden ist, als auf welchem Pixel genau – das macht es robuster gegen kleine Verschiebungen. Faltung und Pooling schichtweise zu stapeln ist das Grundgerüst der modernen Bilderkennung.
FAQ
Warum hat ein Graustufenbild einen Kanal und ein Farbbild drei?
Ein Graustufenbild braucht nur einen Helligkeitswert pro Pixel, daher einen Kanal; ein Farbbild speichert drei Helligkeitswerte – Rot, Grün, Blau – pro Pixel, daher drei Kanäle. Das Netz behandelt sie gleich, nur mit etwas mehr Eingabezahlen.
Braucht das Training der Bilderkennung viele Bilder?
Meist gilt: je mehr, desto besser. Doch mit Datenaugmentation – Bilder leicht drehen, zuschneiden oder spiegeln – lässt sich die Menge faktisch vergrößern. Man kann auch Transfer Learning nutzen: ein auf riesigen Bildmengen vortrainiertes Modell, das man mit wenigen eigenen Bildern feinjustiert.
Kann KI durch optische Täuschungen hereingelegt werden?
Ja. Schon das Ändern weniger Pixel kann ein Modell ein A als B erkennen lassen – solche Fälle heißen adversarial examples. Sie zeigen, dass das Modell statistische Ähnlichkeit lernt statt das Bild wie ein Mensch wirklich zu verstehen; in sicherheitskritischen Anwendungen sind daher zusätzliche Schutzmaßnahmen nötig.
Bilderkennung Schritt für Schritt mit AI Neural verstehen
Öffnen Sie AI Neural und beobachten Sie an interaktiven Beispielen, wie Pixel zu Kanten und Kanten zu Bauteilen werden – so bekommen Sie ein intuitives Gefühl für die CNN-Idee, viel leichter als Begriffe auswendig zu lernen.