Computer Vision & Bilderkennung \u2013 Unterrichtsvortrag<\/title>\n <style>\n :root {\n --bg: #0d1117;\n --bg2: #161b22;\n --bg3: #1c2333;\n --card: #1e2636;\n --border: #2d3748;\n --accent: #4f8ef7;\n --accent2: #a259ff;\n --accent3: #34d399;\n --text: #e2e8f0;\n --muted: #8b949e;\n --radius: 14px;\n --shadow: 0 4px 24px rgba(0,0,0,0.4);\n }\n * { box-sizing: border-box; margin: 0; padding: 0; }\n body {\n font-family: 'Segoe UI', Arial, sans-serif;\n background: var(--bg);\n color: var(--text);\n line-height: 1.7;\n }\n\n \/* \u2500\u2500 HEADER \u2500\u2500 *\/\n header {\n background: linear-gradient(135deg, #0d1117 0%, #161b22 50%, #0f1e3d 100%);\n border-bottom: 1px solid var(--border);\n padding: 72px 32px 56px;\n text-align: center;\n position: relative;\n overflow: hidden;\n }\n header::before {\n content: \"\";\n position: absolute; inset: 0;\n background:\n radial-gradient(ellipse at 20% 50%, rgba(79,142,247,0.12) 0%, transparent 60%),\n radial-gradient(ellipse at 80% 30%, rgba(162,89,255,0.10) 0%, transparent 60%);\n }\n header .badge {\n display: inline-block;\n background: rgba(79,142,247,0.15);\n border: 1px solid rgba(79,142,247,0.35);\n color: #7eb3ff;\n border-radius: 999px;\n padding: 5px 20px;\n font-size: 0.8rem;\n letter-spacing: 0.1em;\n margin-bottom: 20px;\n text-transform: uppercase;\n }\n header h1 {\n font-size: clamp(2rem, 5vw, 3.4rem);\n font-weight: 800;\n letter-spacing: -0.02em;\n margin-bottom: 16px;\n color: #f0f6ff;\n }\n header h1 span {\n background: linear-gradient(90deg, var(--accent), var(--accent2));\n -webkit-background-clip: text;\n -webkit-text-fill-color: transparent;\n background-clip: text;\n }\n header p { font-size: 1.1rem; color: var(--muted); max-width: 600px; margin: 0 auto; }\n\n \/* \u2500\u2500 NAV \u2500\u2500 *\/\n nav {\n background: rgba(13,17,23,0.95);\n backdrop-filter: blur(12px);\n border-bottom: 1px solid var(--border);\n position: sticky; top: 0; z-index: 100;\n }\n nav ul { display: flex; flex-wrap: wrap; justify-content: center; list-style: none; padding: 0 16px; }\n nav ul li a {\n display: block; padding: 14px 16px;\n color: var(--muted); text-decoration: none;\n font-size: 0.88rem; font-weight: 500;\n transition: color 0.2s;\n }\n nav ul li a:hover { color: var(--accent); }\n\n \/* \u2500\u2500 MAIN \u2500\u2500 *\/\n main { max-width: 1080px; margin: 0 auto; padding: 56px 24px; display: flex; flex-direction: column; gap: 72px; }\n\n \/* \u2500\u2500 SECTION TITLES \u2500\u2500 *\/\n .section-title {\n font-size: 1.65rem; font-weight: 800; margin-bottom: 6px;\n display: flex; align-items: center; gap: 14px; color: #f0f6ff;\n }\n .section-title .icon {\n background: linear-gradient(135deg, var(--accent), var(--accent2));\n border-radius: 10px; width: 44px; height: 44px;\n display: flex; align-items: center; justify-content: center;\n font-size: 1.2rem; flex-shrink: 0;\n }\n .section-sub { color: var(--muted); font-size: 0.95rem; margin-bottom: 28px; padding-left: 58px; }\n\n \/* \u2500\u2500 CARDS \u2500\u2500 *\/\n .cards { display: grid; grid-template-columns: repeat(auto-fit, minmax(230px, 1fr)); gap: 18px; }\n .card {\n background: var(--card);\n border: 1px solid var(--border);\n border-radius: var(--radius);\n padding: 26px 22px;\n border-top: 3px solid var(--accent);\n transition: transform 0.2s, border-color 0.2s, box-shadow 0.2s;\n }\n .card:hover { transform: translateY(-4px); border-color: var(--accent); box-shadow: 0 0 24px rgba(79,142,247,0.15); }\n .card h3 { font-size: 1.05rem; font-weight: 700; margin-bottom: 10px; color: #f0f6ff; }\n .card p { font-size: 0.92rem; color: var(--muted); }\n .card .card-icon { font-size: 1.9rem; margin-bottom: 14px; }\n\n \/* \u2500\u2500 PIPELINE \u2500\u2500 *\/\n .pipeline {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(150px, 1fr));\n background: var(--card); border: 1px solid var(--border);\n border-radius: var(--radius); overflow: hidden;\n }\n .step { padding: 26px 18px; text-align: center; border-right: 1px solid var(--border); }\n .step:last-child { border-right: none; }\n .step-num {\n background: linear-gradient(135deg, var(--accent), var(--accent2));\n color: #fff; border-radius: 50%; width: 36px; height: 36px;\n display: inline-flex; align-items: center; justify-content: center;\n font-weight: 800; font-size: 0.95rem; margin-bottom: 12px;\n }\n .step h4 { font-size: 0.9rem; font-weight: 700; margin-bottom: 6px; color: #e2e8f0; }\n .step p { font-size: 0.82rem; color: var(--muted); }\n\n \/* \u2500\u2500 CNN VISUAL \u2500\u2500 *\/\n .cnn-visual {\n background: #0a0f1a;\n border: 1px solid var(--border);\n border-radius: var(--radius);\n padding: 32px 26px;\n overflow-x: auto;\n }\n .cnn-visual h3 { color: #f0f6ff; margin-bottom: 22px; font-size: 1.05rem; }\n .cnn-layers { display: flex; align-items: center; gap: 10px; flex-wrap: nowrap; }\n .cnn-layer {\n background: rgba(79,142,247,0.08);\n border: 1px solid rgba(79,142,247,0.25);\n border-radius: 10px; padding: 16px 13px;\n text-align: center; min-width: 108px; flex-shrink: 0;\n }\n .cnn-layer .lname { font-size: 0.72rem; font-weight: 700; color: var(--accent); margin-bottom: 6px; text-transform: uppercase; letter-spacing: 0.06em; }\n .cnn-layer .ldesc { font-size: 0.72rem; color: var(--muted); }\n .arrow { color: rgba(79,142,247,0.5); font-size: 1.3rem; flex-shrink: 0; }\n\n \/* \u2500\u2500 TABLE \u2500\u2500 *\/\n .table-wrap { overflow-x: auto; border-radius: var(--radius); border: 1px solid var(--border); }\n table { width: 100%; border-collapse: collapse; background: var(--card); }\n thead tr { background: #0a0f1a; }\n thead th { color: var(--muted); padding: 14px 18px; font-size: 0.82rem; text-align: left; text-transform: uppercase; letter-spacing: 0.06em; border-bottom: 1px solid var(--border); }\n tbody tr { border-bottom: 1px solid var(--border); transition: background 0.15s; }\n tbody tr:hover { background: rgba(79,142,247,0.05); }\n tbody tr:last-child { border-bottom: none; }\n tbody td { padding: 14px 18px; font-size: 0.92rem; }\n .tag { display: inline-block; padding: 3px 10px; border-radius: 999px; font-size: 0.75rem; font-weight: 600; }\n .tag-blue { background: rgba(79,142,247,0.15); color: #7eb3ff; border: 1px solid rgba(79,142,247,0.3); }\n .tag-green { background: rgba(52,211,153,0.12); color: #6ee7b7; border: 1px solid rgba(52,211,153,0.3); }\n .tag-purple { background: rgba(162,89,255,0.12); color: #c4a0ff; border: 1px solid rgba(162,89,255,0.3); }\n\n \/* \u2500\u2500 APP GRID \u2500\u2500 *\/\n .app-grid { display: grid; grid-template-columns: repeat(auto-fit, minmax(280px, 1fr)); gap: 18px; }\n .app-card {\n background: var(--card); border: 1px solid var(--border);\n border-radius: var(--radius); padding: 22px;\n display: flex; gap: 16px; align-items: flex-start;\n transition: border-color 0.2s, box-shadow 0.2s;\n }\n .app-card:hover { border-color: rgba(79,142,247,0.4); box-shadow: 0 0 20px rgba(79,142,247,0.1); }\n .app-card .app-icon {\n background: rgba(79,142,247,0.1); border: 1px solid rgba(79,142,247,0.2);\n border-radius: 12px; width: 52px; height: 52px;\n display: flex; align-items: center; justify-content: center;\n font-size: 1.7rem; flex-shrink: 0;\n }\n .app-card h4 { font-size: 0.98rem; font-weight: 700; margin-bottom: 4px; color: #f0f6ff; }\n .app-card p { font-size: 0.86rem; color: var(--muted); }\n\n \/* \u2500\u2500 HIGHLIGHT \u2500\u2500 *\/\n .highlight {\n background: rgba(79,142,247,0.07);\n border: 1px solid rgba(79,142,247,0.25);\n border-left: 4px solid var(--accent);\n border-radius: 10px;\n padding: 18px 22px;\n margin: 22px 0;\n }\n .highlight strong { color: #7eb3ff; }\n .highlight.warn {\n background: rgba(251,191,36,0.07);\n border-color: rgba(251,191,36,0.25);\n border-left-color: #f59e0b;\n }\n .highlight.warn strong { color: #fbbf24; }\n .highlight.green {\n background: rgba(52,211,153,0.07);\n border-color: rgba(52,211,153,0.25);\n border-left-color: var(--accent3);\n }\n .highlight.green strong { color: #6ee7b7; }\n\n \/* \u2500\u2500 QUIZ \u2500\u2500 *\/\n .quiz-wrap { display: flex; flex-direction: column; gap: 14px; }\n .quiz-item {\n background: var(--card);\n border: 1px solid var(--border);\n border-radius: var(--radius);\n overflow: hidden;\n }\n .quiz-q {\n padding: 18px 22px;\n font-weight: 600; font-size: 0.96rem;\n display: flex; justify-content: space-between; align-items: center;\n cursor: pointer; gap: 12px;\n transition: background 0.2s;\n color: #e2e8f0;\n }\n .quiz-q:hover { background: rgba(79,142,247,0.07); }\n .quiz-q .q-num {\n background: linear-gradient(135deg, var(--accent), var(--accent2));\n color: #fff; border-radius: 50%;\n width: 28px; height: 28px; min-width: 28px;\n display: flex; align-items: center; justify-content: center;\n font-size: 0.8rem; font-weight: 800;\n }\n .quiz-q .q-text { flex: 1; }\n .quiz-q .q-arrow { color: var(--muted); font-size: 0.9rem; transition: transform 0.2s; }\n .quiz-q.open .q-arrow { transform: rotate(180deg); }\n .quiz-a {\n background: rgba(79,142,247,0.06);\n border-top: 1px solid var(--border);\n padding: 0 22px;\n max-height: 0; overflow: hidden;\n transition: max-height 0.3s ease, padding 0.3s;\n color: var(--muted); font-size: 0.92rem;\n }\n .quiz-a.open { max-height: 200px; padding: 16px 22px; }\n .quiz-a strong { color: var(--accent3); }\n\n \/* \u2500\u2500 GRUPPENAUFGABE \u2500\u2500 *\/\n .group-task {\n background: linear-gradient(135deg, #0a0f1a 0%, #0f1e3d 100%);\n border: 1px solid rgba(52,211,153,0.3);\n border-radius: var(--radius);\n padding: 40px 36px;\n position: relative;\n overflow: hidden;\n }\n .group-task::before {\n content: \"\";\n position: absolute; top: -40px; right: -40px;\n width: 200px; height: 200px;\n background: radial-gradient(circle, rgba(52,211,153,0.08) 0%, transparent 70%);\n border-radius: 50%;\n }\n .group-task-header {\n display: flex; align-items: center; gap: 16px; margin-bottom: 10px;\n }\n .group-task-header .gt-badge {\n background: rgba(52,211,153,0.15);\n border: 1px solid rgba(52,211,153,0.35);\n color: var(--accent3);\n border-radius: 999px; padding: 4px 16px;\n font-size: 0.78rem; font-weight: 700; text-transform: uppercase; letter-spacing: 0.08em;\n }\n .group-task h2 { font-size: 1.5rem; font-weight: 800; color: #f0f6ff; margin-bottom: 6px; }\n .group-task .gt-meta { color: var(--muted); font-size: 0.9rem; margin-bottom: 28px; }\n .group-task .gt-meta span { color: var(--accent3); font-weight: 600; }\n\n .scenario {\n background: rgba(52,211,153,0.06);\n border: 1px solid rgba(52,211,153,0.2);\n border-radius: 10px;\n padding: 20px 22px;\n margin-bottom: 26px;\n }\n .scenario h4 { color: var(--accent3); font-size: 0.85rem; text-transform: uppercase; letter-spacing: 0.08em; margin-bottom: 10px; }\n .scenario p { color: #cbd5e1; font-size: 0.95rem; }\n\n .roles-grid { display: grid; grid-template-columns: repeat(auto-fit, minmax(200px, 1fr)); gap: 14px; margin-bottom: 28px; }\n .role-card {\n background: rgba(255,255,255,0.04);\n border: 1px solid var(--border);\n border-radius: 10px;\n padding: 16px 18px;\n }\n .role-card .role-emoji { font-size: 1.5rem; margin-bottom: 8px; }\n .role-card h5 { font-size: 0.88rem; font-weight: 700; color: #e2e8f0; margin-bottom: 4px; }\n .role-card p { font-size: 0.8rem; color: var(--muted); }\n\n .task-steps { display: flex; flex-direction: column; gap: 12px; margin-bottom: 28px; }\n .task-step {\n display: flex; gap: 16px; align-items: flex-start;\n background: rgba(255,255,255,0.03);\n border: 1px solid var(--border);\n border-radius: 10px;\n padding: 16px 18px;\n }\n .task-step .ts-num {\n background: linear-gradient(135deg, var(--accent3), #059669);\n color: #fff; border-radius: 8px;\n width: 32px; height: 32px; min-width: 32px;\n display: flex; align-items: center; justify-content: center;\n font-weight: 800; font-size: 0.9rem;\n }\n .task-step .ts-body h5 { font-size: 0.95rem; font-weight: 700; color: #e2e8f0; margin-bottom: 4px; }\n .task-step .ts-body p { font-size: 0.87rem; color: var(--muted); }\n .task-step .ts-time { color: var(--accent3); font-size: 0.78rem; font-weight: 600; white-space: nowrap; margin-top: 2px; }\n\n .deliverable {\n background: rgba(79,142,247,0.08);\n border: 1px solid rgba(79,142,247,0.25);\n border-radius: 10px;\n padding: 18px 22px;\n }\n .deliverable h4 { color: var(--accent); font-size: 0.88rem; text-transform: uppercase; letter-spacing: 0.07em; margin-bottom: 12px; }\n .deliverable ul { list-style: none; display: flex; flex-direction: column; gap: 8px; }\n .deliverable ul li { font-size: 0.9rem; color: #cbd5e1; display: flex; gap: 10px; align-items: flex-start; }\n .deliverable ul li::before { content: \"\u2192\"; color: var(--accent); font-weight: 700; flex-shrink: 0; }\n\n \/* \u2500\u2500 FOOTER \u2500\u2500 *\/\n footer {\n background: #0a0f1a;\n border-top: 1px solid var(--border);\n color: var(--muted);\n text-align: center;\n padding: 28px 16px;\n font-size: 0.85rem;\n }\n footer span { color: var(--accent); }\n\n @media (max-width: 600px) {\n .cnn-layers { flex-direction: column; align-items: stretch; }\n .arrow { transform: rotate(90deg); text-align: center; }\n .step { border-right: none; border-bottom: 1px solid var(--border); }\n .step:last-child { border-bottom: none; }\n .group-task { padding: 24px 18px; }\n }\n <\/style>\n<\/head>\n<body>\n\n<header>\n <div class=\"badge\">\ud83c\udf93 Unterrichtsvortrag \u00b7 KI & Machine Learning<\/div>\n <h1>Computer Vision & <span>Bilderkennung<\/span><\/h1>\n <p>Wie Maschinen lernen, die Welt zu sehen \u2013 von Pixeln zu Bedeutung<\/p>\n<\/header>\n\n<nav>\n <ul>\n <li><a href=\"#was\">Was ist CV?<\/a><\/li>\n <li><a href=\"#pipeline\">Pipeline<\/a><\/li>\n <li><a href=\"#cnn\">Neuronale Netze<\/a><\/li>\n <li><a href=\"#modelle\">Modelle<\/a><\/li>\n <li><a href=\"#anwendungen\">Anwendungen<\/a><\/li>\n <li><a href=\"#zukunft\">Zukunft<\/a><\/li>\n <li><a href=\"#gruppenarbeit\">Gruppenaufgabe<\/a><\/li>\n <li><a href=\"#quiz\">Quiz<\/a><\/li>\n <\/ul>\n<\/nav>\n\n<main>\n\n \n <section id=\"was\">\n <div class=\"section-title\"><div class=\"icon\">\ud83d\udc41\ufe0f<\/div>Was ist Computer Vision?<\/div>\n <p class=\"section-sub\">Definition & Grundlagen<\/p>\n <div class=\"highlight\">\n <strong>Definition:<\/strong> Computer Vision ist ein Teilgebiet der K\u00fcnstlichen Intelligenz, das Maschinen bef\u00e4higt, visuelle Daten \u2013 Bilder und Videos \u2013 zu erfassen, zu analysieren und zu <em>verstehen<\/em>. Ziel ist es, Computern eine \u00e4hnliche Wahrnehmung wie das menschliche Sehsystem zu verleihen.\n <\/div>\n <div class=\"cards\">\n <div class=\"card\">\n <div class=\"card-icon\">\ud83e\udde0<\/div>\n <h3>K\u00fcnstliche Intelligenz<\/h3>\n <p>Computer Vision ist ein Kernbereich der KI und nutzt Machine Learning, um aus visuellen Daten eigenst\u00e4ndig zu lernen.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83d\udcf7<\/div>\n <h3>Bildverarbeitung<\/h3>\n <p>Bilder werden als numerische Matrizen (Pixelwerte 0\u2013255) gespeichert. Computer sehen Zahlen \u2013 keine Objekte. Die Interpretation ist das Ziel.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83d\udd0d<\/div>\n <h3>Bilderkennung<\/h3>\n <p>Unteraufgabe von CV: Ein System klassifiziert, was auf einem Bild zu sehen ist \u2013 z. B. \u201eKatze“, \u201eAuto“ oder \u201eTumor“.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83d\udcca<\/div>\n <h3>Gro\u00dfe Datenmengen<\/h3>\n <p>Trainiert wird auf Millionen gelabelter Bilder \u2013 wie ImageNet mit 14+ Mio. Bildern in 20.000 Kategorien.<\/p>\n <\/div>\n <\/div>\n <\/section>\n\n \n <section id=\"pipeline\">\n <div class=\"section-title\"><div class=\"icon\">\u2699\ufe0f<\/div>Die CV-Pipeline<\/div>\n <p class=\"section-sub\">Von der Kamera zur Entscheidung \u2013 5 Schritte<\/p>\n <div class=\"pipeline\">\n <div class=\"step\"><div class=\"step-num\">1<\/div><h4>Bilderfassung<\/h4><p>Kamera, Sensor oder Videostream liefert Rohdaten<\/p><\/div>\n <div class=\"step\"><div class=\"step-num\">2<\/div><h4>Vorverarbeitung<\/h4><p>Normalisierung, Rauschreduktion, Gr\u00f6\u00dfenanpassung<\/p><\/div>\n <div class=\"step\"><div class=\"step-num\">3<\/div><h4>Merkmalsextraktion<\/h4><p>Kanten, Farben, Texturen und Formen werden erkannt<\/p><\/div>\n <div class=\"step\"><div class=\"step-num\">4<\/div><h4>Klassifikation<\/h4><p>Das Modell ordnet das Bild einer Kategorie zu<\/p><\/div>\n <div class=\"step\"><div class=\"step-num\">5<\/div><h4>Entscheidung<\/h4><p>Ausgabe: Label, Bounding Box, Aktion oder Alarm<\/p><\/div>\n <\/div>\n <\/section>\n\n \n <section id=\"cnn\">\n <div class=\"section-title\"><div class=\"icon\">\ud83d\udd78\ufe0f<\/div>Convolutional Neural Networks<\/div>\n <p class=\"section-sub\">Das Herzst\u00fcck moderner Bilderkennung<\/p>\n <p style=\"margin-bottom:20px; color: var(--muted);\">CNNs sind neuronale Netze, optimiert f\u00fcr Bilddaten. Ihre <strong style=\"color:#e2e8f0;\">Faltungsschichten (Conv Layers)<\/strong> extrahieren automatisch Merkmale \u2013 von einfachen Kanten bis zu komplexen Strukturen wie Gesichtern oder Fahrzeugen.<\/p>\n <div class=\"cnn-visual\">\n <h3>\ud83d\udd2c Schichtenaufbau eines CNN<\/h3>\n <div class=\"cnn-layers\">\n <div class=\"cnn-layer\"><div class=\"lname\">Input<\/div><div class=\"ldesc\">Rohbild<br\/>224\u00d7224 px<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\"><div class=\"lname\">Conv Layer<\/div><div class=\"ldesc\">Kanten & einfache Muster<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\"><div class=\"lname\">ReLU<\/div><div class=\"ldesc\">Aktivierungsfunktion<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\"><div class=\"lname\">Pooling<\/div><div class=\"ldesc\">Dimensions-reduktion<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\"><div class=\"lname\">Deep Layers<\/div><div class=\"ldesc\">Komplexe Merkmale<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\"><div class=\"lname\">Fully Connected<\/div><div class=\"ldesc\">Alle Merkmale zusammen<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\" style=\"border-color:rgba(162,89,255,0.4);\"><div class=\"lname\" style=\"color:#c4a0ff;\">Output<\/div><div class=\"ldesc\">Klasse + Wahrsch.<\/div><\/div>\n <\/div>\n <\/div>\n <div class=\"highlight\" style=\"margin-top:24px;\">\n <strong>Translationsinvarianz:<\/strong> CNNs erkennen Objekte unabh\u00e4ngig davon, wo sie sich im Bild befinden. Ein trainiertes Modell findet ein Auto links, rechts oder in der Bildmitte gleicherma\u00dfen.\n <\/div>\n <\/section>\n\n \n <section id=\"modelle\">\n <div class=\"section-title\"><div class=\"icon\">\ud83c\udfc6<\/div>Bekannte Modelle im Vergleich<\/div>\n <p class=\"section-sub\">Von AlexNet bis Vision Transformer<\/p>\n <div class=\"table-wrap\">\n <table>\n <thead>\n <tr>\n <th>Modell<\/th><th>Jahr<\/th><th>Besonderheit<\/th><th>Top-1 (ImageNet)<\/th><th>Typ<\/th>\n <\/tr>\n <\/thead>\n <tbody>\n <tr><td><strong>AlexNet<\/strong><\/td><td>2012<\/td><td>Erster Deep-Learning-Durchbruch mit GPU-Training<\/td><td>~63 %<\/td><td><span class=\"tag tag-blue\">CNN<\/span><\/td><\/tr>\n <tr><td><strong>VGGNet<\/strong><\/td><td>2014<\/td><td>Sehr tiefes Netz mit einfacher 3\u00d73-Filterstruktur<\/td><td>~74 %<\/td><td><span class=\"tag tag-blue\">CNN<\/span><\/td><\/tr>\n <tr><td><strong>ResNet-50<\/strong><\/td><td>2015<\/td><td>Residual-Verbindungen f\u00fcr 50\u2013152 Schichten<\/td><td>~76 %<\/td><td><span class=\"tag tag-blue\">CNN<\/span><\/td><\/tr>\n <tr><td><strong>EfficientNet<\/strong><\/td><td>2019<\/td><td>Optimales Verh\u00e4ltnis Genauigkeit \/ Effizienz<\/td><td>~84 %<\/td><td><span class=\"tag tag-green\">CNN<\/span><\/td><\/tr>\n <tr><td><strong>Vision Transformer (ViT)<\/strong><\/td><td>2020<\/td><td>Attention-basiert, kein Faltungsoperator<\/td><td>~88 %<\/td><td><span class=\"tag tag-purple\">Transformer<\/span><\/td><\/tr>\n <\/tbody>\n <\/table>\n <\/div>\n <\/section>\n\n \n <section id=\"anwendungen\">\n <div class=\"section-title\"><div class=\"icon\">\ud83d\ude80<\/div>Reale Anwendungen<\/div>\n <p class=\"section-sub\">Computer Vision ver\u00e4ndert zahlreiche Branchen<\/p>\n <div class=\"app-grid\">\n <div class=\"app-card\"><div class=\"app-icon\">\ud83d\ude97<\/div><div><h4>Autonomes Fahren<\/h4><p>Fahrzeuge erkennen Fu\u00dfg\u00e4nger, Schilder und andere Autos in Echtzeit \u2013 z. B. Tesla, Waymo.<\/p><\/div><\/div>\n <div class=\"app-card\"><div class=\"app-icon\">\ud83c\udfe5<\/div><div><h4>Medizinische Diagnostik<\/h4><p>KI analysiert R\u00f6ntgenbilder und MRTs zur Erkennung von Tumoren, Frakturen und Hautkrebs.<\/p><\/div><\/div>\n <div class=\"app-card\"><div class=\"app-icon\">\ud83d\uded2<\/div><div><h4>Kassenloser Einzelhandel<\/h4><p>Amazon Go erfasst Produkte automatisch, wenn Kunden sie aus dem Regal nehmen.<\/p><\/div><\/div>\n <div class=\"app-card\"><div class=\"app-icon\">\ud83c\udf3e<\/div><div><h4>Pr\u00e4zisionslandwirtschaft<\/h4><p>Drohnen analysieren Felder, erkennen Sch\u00e4dlinge und optimieren Bew\u00e4sserung per Bildanalyse.<\/p><\/div><\/div>\n <div class=\"app-card\"><div class=\"app-icon\">\ud83d\udd12<\/div><div><h4>Gesichtserkennung<\/h4><p>Smartphone-Entsperrung, Grenzkontrollen und Sicherheitssysteme nutzen biometrische Bilderkennung.<\/p><\/div><\/div>\n <div class=\"app-card\"><div class=\"app-icon\">\ud83c\udfed<\/div><div><h4>Qualit\u00e4tskontrolle<\/h4><p>CV-Systeme erkennen Produktionsfehler schneller und genauer als das menschliche Auge.<\/p><\/div><\/div>\n <\/div>\n <\/section>\n\n \n <section id=\"zukunft\">\n <div class=\"section-title\"><div class=\"icon\">\ud83d\udd2e<\/div>Zukunft & Trends<\/div>\n <p class=\"section-sub\">Wohin entwickelt sich Computer Vision?<\/p>\n <div class=\"cards\">\n <div class=\"card\" style=\"border-top-color:var(--accent2);\">\n <div class=\"card-icon\">\u26a1<\/div>\n <h3>Edge Computing & 5G<\/h3>\n <p>Bildanalyse direkt auf dem Ger\u00e4t ohne Cloud \u2013 erm\u00f6glicht Echtzeit-Reaktionen f\u00fcr autonome Systeme.<\/p>\n <\/div>\n <div class=\"card\" style=\"border-top-color:var(--accent2);\">\n <div class=\"card-icon\">\ud83c\udf10<\/div>\n <h3>3D-Vision & AR\/VR<\/h3>\n <p>Neue Sensoren erfassen dreidimensionale Umgebungen pr\u00e4ziser \u2013 unverzichtbar f\u00fcr Robotik und Mixed Reality.<\/p>\n <\/div>\n <div class=\"card\" style=\"border-top-color:var(--accent2);\">\n <div class=\"card-icon\">\u269b\ufe0f<\/div>\n <h3>Quantencomputing<\/h3>\n <p>K\u00f6nnte komplexe Bildanalysen bis zu 100\u00d7 beschleunigen und neue M\u00f6glichkeiten in der Mustererkennung er\u00f6ffnen.<\/p>\n <\/div>\n <div class=\"card\" style=\"border-top-color:var(--accent2);\">\n <div class=\"card-icon\">\ud83e\udd1d<\/div>\n <h3>Multimodale KI<\/h3>\n <p>Systeme wie GPT-4o kombinieren Bild- und Sprachverst\u00e4ndnis \u2013 Computer „sehen“ und „verstehen“ gleichzeitig.<\/p>\n <\/div>\n <\/div>\n <div class=\"highlight warn\" style=\"margin-top:24px;\">\n <strong>\u26a0\ufe0f Ethische Herausforderungen:<\/strong> Datenschutz bei Gesichtserkennung, Bias in Trainingsdaten, Missbrauch durch Deepfakes und Massen\u00fcberwachung sind zentrale gesellschaftliche Fragen.\n <\/div>\n <\/section>\n\n \n <section id=\"gruppenarbeit\">\n <div class=\"section-title\"><div class=\"icon\">\ud83d\udc65<\/div>Praktische Gruppenaufgabe<\/div>\n <p class=\"section-sub\">Anwendung des Gelernten in der Praxis<\/p>\n\n <div class=\"group-task\">\n <div class=\"group-task-header\">\n <div class=\"gt-badge\">\ud83d\udc65 Gruppenarbeit<\/div>\n <div class=\"gt-badge\" style=\"background:rgba(79,142,247,0.15);border-color:rgba(79,142,247,0.35);color:#7eb3ff;\">\ud83d\udca1 Fallstudie<\/div>\n <\/div>\n <h2>CV-System f\u00fcr ein Krankenhaus entwerfen<\/h2>\n <p class=\"gt-meta\">\n <span>4\u20135 Personen pro Gruppe<\/span> \u00b7 \n <span>45 Minuten Bearbeitungszeit<\/span> \u00b7 \n <span>10 Minuten Pr\u00e4sentation je Gruppe<\/span>\n <\/p>\n\n <div class=\"scenario\">\n <h4>\ud83d\udccb Szenario<\/h4>\n <p>Ein Krankenhaus m\u00f6chte ein KI-basiertes Computer-Vision-System zur <strong>automatischen Analyse von R\u00f6ntgenbildern<\/strong> einf\u00fchren, um Lungenentz\u00fcndungen schneller zu erkennen. Euer Team wurde beauftragt, ein Konzept f\u00fcr dieses System zu entwickeln \u2013 von der Datenerfassung bis zur ethischen Absicherung.<\/p>\n <\/div>\n\n <h4 style=\"color:#e2e8f0; margin-bottom:14px; font-size:0.95rem;\">\ud83c\udfad Rollen in der Gruppe<\/h4>\n <div class=\"roles-grid\">\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83d\udc69\u200d\ud83d\udcbb<\/div>\n <h5>KI-Ingenieurin<\/h5>\n <p>W\u00e4hlt das Modell (CNN vs. ViT) und erkl\u00e4rt den Trainingsansatz<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83d\udc68\u200d\u2695\ufe0f<\/div>\n <h5>Mediziner<\/h5>\n <p>Bewertet medizinische Anforderungen & Genauigkeitsziele<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\u2696\ufe0f<\/div>\n <h5>Ethik-Beauftragte\/r<\/h5>\n <p>Analysiert Risiken, Bias und Datenschutzfragen<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83d\udcca<\/div>\n <h5>Datenspezialist\/in<\/h5>\n <p>Plant die Datensammlung, Labeling und Qualit\u00e4tssicherung<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83c\udfa4<\/div>\n <h5>Pr\u00e4sentator\/in<\/h5>\n <p>Fasst Ergebnisse zusammen und stellt sie vor<\/p>\n <\/div>\n <\/div>\n\n <h4 style=\"color:#e2e8f0; margin-bottom:14px; font-size:0.95rem;\">\ud83d\udcdd Aufgabenschritte<\/h4>\n <div class=\"task-steps\">\n <div class=\"task-step\">\n <div class=\"ts-num\">1<\/div>\n <div class=\"ts-body\">\n <h5>Problem analysieren<\/h5>\n <p>Was genau soll das System erkennen? Welche Eingaben (Bilder) und Ausgaben (Diagnosen) sind n\u00f6tig? Definiert den genauen Anwendungsfall.<\/p>\n <\/div>\n <div class=\"ts-time\">\u23f1 8 min<\/div>\n <\/div>\n <div class=\"task-step\">\n <div class=\"ts-num\">2<\/div>\n <div class=\"ts-body\">\n <h5>Datenplanung<\/h5>\n <p>Woher kommen die Trainingsdaten? Wie viele Bilder braucht ihr? Wie werden sie gelabelt (gesunde Lunge vs. Entz\u00fcndung)? Welche Qualit\u00e4tsstandards gelten?<\/p>\n <\/div>\n <div class=\"ts-time\">\u23f1 8 min<\/div>\n <\/div>\n <div class=\"task-step\">\n <div class=\"ts-num\">3<\/div>\n <div class=\"ts-body\">\n <h5>Modellauswahl & Pipeline<\/h5>\n <p>CNN oder Vision Transformer? Begr\u00fcndet die Wahl. Skizziert die komplette CV-Pipeline: von Bilderfassung bis zur Ausgabe der Diagnose.<\/p>\n <\/div>\n <div class=\"ts-time\">\u23f1 10 min<\/div>\n <\/div>\n <div class=\"task-step\">\n <div class=\"ts-num\">4<\/div>\n <div class=\"ts-body\">\n <h5>Risiken & Ethik<\/h5>\n <p>Was passiert, wenn das System falsch liegt (falsch-negativ vs. falsch-positiv)? Wie geht ihr mit Datenschutz, Bias und dem Vertrauen der \u00c4rzte um?<\/p>\n <\/div>\n <div class=\"ts-time\">\u23f1 10 min<\/div>\n <\/div>\n <div class=\"task-step\">\n <div class=\"ts-num\">5<\/div>\n <div class=\"ts-body\">\n <h5>Pr\u00e4sentation vorbereiten<\/h5>\n <p>Erstellt eine kurze \u00dcbersicht (Stichpunkte oder Skizze auf Papier\/Whiteboard), die ihr der Klasse pr\u00e4sentiert.<\/p>\n <\/div>\n <div class=\"ts-time\">\u23f1 9 min<\/div>\n <\/div>\n <\/div>\n\n <div class=\"deliverable\">\n <h4>\ud83d\udce6 Abgabe & Pr\u00e4sentation<\/h4>\n <ul>\n <li>Eine skizzierte CV-Pipeline f\u00fcr das R\u00f6ntgenbild-System (als Zeichnung oder Stichpunkte)<\/li>\n <li>Begr\u00fcndete Modellwahl: CNN oder Vision Transformer \u2013 warum?<\/li>\n <li>Mindestens 3 konkrete Risiken\/ethische Fragen mit eurem L\u00f6sungsvorschlag<\/li>\n <li>Beschreibung eures Datensatzes: Woher, wie viele Bilder, wie gelabelt?<\/li>\n <li>10-min\u00fctige Kurzpr\u00e4sentation vor der Klasse mit anschlie\u00dfender Diskussion<\/li>\n <\/ul>\n <\/div>\n\n <\/div>\n <\/section>\n\n \n <section id=\"quiz\">\n <div class=\"section-title\"><div class=\"icon\">\ud83e\udde9<\/div>Quiz \u2013 Teste dein Wissen<\/div>\n <p class=\"section-sub\">Klicke auf eine Frage, um die Antwort aufzuklappen<\/p>\n <div class=\"quiz-wrap\">\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">1<\/div>\n <div class=\"q-text\">Was bedeutet CNN im Kontext von Computer Vision?<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\">CNN steht f\u00fcr <strong>Convolutional Neural Network<\/strong> \u2013 ein neuronales Netz, das speziell f\u00fcr die Verarbeitung von Bilddaten entwickelt wurde und Faltungsoperatoren einsetzt.<\/div>\n <\/div>\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">2<\/div>\n <div class=\"q-text\">Was ist Translationsinvarianz und warum ist sie wichtig?<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\">CNNs erkennen Objekte <strong>unabh\u00e4ngig von ihrer Position im Bild<\/strong>. Ein Auto wird erkannt, egal ob es links, rechts oder in der Mitte ist \u2013 das macht das Modell robust f\u00fcr reale Szenarien.<\/div>\n <\/div>\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">3<\/div>\n <div class=\"q-text\">Nenne drei reale Anwendungsbereiche von Computer Vision.<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\">M\u00f6gliche Antworten: <strong>Autonomes Fahren, medizinische Diagnostik, Gesichtserkennung, Pr\u00e4zisionslandwirtschaft, Qualit\u00e4tskontrolle, kassenloser Handel<\/strong> \u2013 und viele weitere.<\/div>\n <\/div>\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">4<\/div>\n <div class=\"q-text\">Welches Modell brachte 2012 den Deep-Learning-Durchbruch bei der Bilderkennung?<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\"><strong>AlexNet<\/strong> \u2013 entwickelt von Alex Krizhevsky, gewann 2012 den ImageNet-Wettbewerb mit gro\u00dfem Vorsprung und markierte den Beginn der modernen Deep-Learning-\u00c4ra.<\/div>\n <\/div>\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">5<\/div>\n <div class=\"q-text\">Was ist der Hauptunterschied zwischen CNN und Vision Transformer (ViT)?<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\">CNNs nutzen <strong>Faltungsoperatoren<\/strong> zur lokalen Merkmalsextraktion. Vision Transformers (ViT) verwenden <strong>Attention-Mechanismen<\/strong>, die globale Zusammenh\u00e4nge im gesamten Bild gleichzeitig erfassen \u2013 ohne Faltung.<\/div>\n <\/div>\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">6<\/div>\n <div class=\"q-text\">Was versteht man unter einem \u201efalsch-negativen“ Ergebnis in der medizinischen Bildanalyse?<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\">Ein <strong>falsch-negatives<\/strong> Ergebnis bedeutet, dass das System eine Krankheit <strong>nicht erkennt, obwohl sie vorhanden ist<\/strong>. In der Medizin kann das besonders gef\u00e4hrlich sein, da ein kranker Patient als gesund eingestuft wird.<\/div>\n <\/div>\n\n <\/div>\n <\/section>\n\n \n <section id=\"faq\">\n <div class=\"section-title\"><div class=\"icon\">\u2753<\/div>FAQ & zentrale Begriffe<\/div>\n <p class=\"section-sub\">H\u00e4ufige Fragen und kurze Erkl\u00e4rungen wichtiger Fachbegriffe<\/p>\n\n <div class=\"cards\" style=\"margin-bottom:26px;\">\n <div class=\"card\">\n <div class=\"card-icon\">\u23f1\ufe0f<\/div>\n <h3>Wie viel Rechenleistung braucht CV?<\/h3>\n <p>F\u00fcr das Training gro\u00dfer Modelle werden oft GPUs oder spezialisierte Hardware (TPUs) verwendet. F\u00fcr einfache Anwendungen reicht aber oft schon ein normaler Laptop oder ein Smartphone.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83e\uddea<\/div>\n <h3>Ist CV immer zu 100 % korrekt?<\/h3>\n <p>Nein. Jedes Modell macht Fehler. Wichtig sind gute Trainingsdaten, Tests mit realistischen Beispielen und ein verantwortungsvoller Einsatz \u2013 vor allem in sicherheitskritischen Bereichen.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83d\udd10<\/div>\n <h3>Was ist mit Datenschutz?<\/h3>\n <p>Bei Bildern von Personen m\u00fcssen DSGVO und lokale Gesetze beachtet werden. H\u00e4ufig werden Bilder anonymisiert oder nur mit ausdr\u00fccklicher Einwilligung verwendet.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83c\udfaf<\/div>\n <h3>Wird der Mensch \u00fcberfl\u00fcssig?<\/h3>\n <p>Computer Vision unterst\u00fctzt Menschen, ersetzt sie aber selten komplett. In der Medizin trifft z. B. weiterhin eine \u00c4rztin oder ein Arzt die endg\u00fcltige Entscheidung.<\/p>\n <\/div>\n <\/div>\n\n <div class=\"group-task\" style=\"border-color:rgba(79,142,247,0.4);border-radius:12px;\">\n <h2 style=\"margin-bottom:18px;\">\ud83d\udcd8 Glossar \u2013 wichtige Begriffe<\/h2>\n <div class=\"roles-grid\" style=\"margin-bottom:0;\">\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83e\udde0<\/div>\n <h5>Neuronales Netz<\/h5>\n <p>Ein Modell, das aus vielen k\u00fcnstlichen „Neuronen“ besteht, die miteinander verbunden sind und gemeinsam Muster in Daten lernen.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83c\udf00<\/div>\n <h5>Convolution (Faltung)<\/h5>\n <p>Mathematischer Filter, der \u00fcber ein Bild gleitet und lokale Muster wie Kanten oder Ecken hervorhebt.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83d\udce6<\/div>\n <h5>Feature (Merkmal)<\/h5>\n <p>Auff\u00e4llige Eigenschaft im Bild, z. B. eine bestimmte Kante, eine Textur oder ein typisches Muster eines Objekts.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83c\udff7\ufe0f<\/div>\n <h5>Label<\/h5>\n <p>Die Beschriftung eines Trainingsbildes, z. B. „Katze“ oder „Lungenentz\u00fcndung“ \u2013 ohne Label kann das Modell nicht sinnvoll lernen.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83c\udfaf<\/div>\n <h5>Genauigkeit<\/h5>\n <p>Gibt an, wie viel Prozent der Vorhersagen korrekt sind. Sie allein reicht nicht \u2013 oft sind auch Recall und Precision wichtig.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\u2696\ufe0f<\/div>\n <h5>Bias<\/h5>\n <p>Verzerrung in den Daten oder im Modell, die dazu f\u00fchrt, dass bestimmte Gruppen systematisch benachteiligt werden.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83e\uddea<\/div>\n <h5>Trainingsdaten<\/h5>\n <p>Beispieldaten, aus denen das Modell lernt. Ihre Qualit\u00e4t und Vielfalt entscheiden ma\u00dfgeblich \u00fcber die Leistung des Systems.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83e\uddf7<\/div>\n <h5>Overfitting<\/h5>\n <p>Das Modell lernt die Trainingsdaten „auswendig“ und funktioniert dann auf neuen, unbekannten Bildern schlechter.<\/p>\n <\/div>\n <\/div>\n <\/div>\n\n <\/section>\n<\/main>\n\n<footer>\n <p>Unterrichtsvortrag: <span>Computer Vision & Bilderkennung<\/span> \u00b7 Erstellt mit KI-Unterst\u00fctzung \u00b7 2026<\/p>\n <p style=\"margin-top:6px; font-size:0.78rem;\">Quellen: IBM, DataCamp, MathWorks, Lamarr Institute, DigitalOcean, FocalX, Linvelo<\/p>\n<\/footer>\n\n<script>\n function toggleQuiz(el) {\n const answer = el.nextElementSibling;\n const isOpen = answer.classList.contains('open');\n document.querySelectorAll('.quiz-a.open').forEach(a => a.classList.remove('open'));\n document.querySelectorAll('.quiz-q.open').forEach(q => q.classList.remove('open'));\n if (!isOpen) {\n answer.classList.add('open');\n el.classList.add('open');\n }\n }\n<\/script>\n\n<\/body>\n<\/html>\n\n","protected":false},"excerpt":{"rendered":"<p>Computer Vision & Bilderkennung \u2013 Unterrichtsvortrag \ud83c\udf93 Unterrichtsvortrag \u00b7 KI & Machine Learning Computer Vision & Bilderkennung Wie Maschinen lernen, die Welt zu sehen \u2013 von Pixeln zu Bedeutung Was ist CV? Pipeline Neuronale Netze Modelle Anwendungen Zukunft Gruppenaufgabe Quiz \ud83d\udc41\ufe0f Was ist Computer Vision? Definition & Grundlagen Definition: Computer Vision ist ein Teilgebiet der […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-109","page","type-page","status-publish","hentry"],"yoast_head":"\n<title>Bilderkennung - KI Marketing<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/metalmotion.de\/kim\/bilderkennung\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Bilderkennung - KI Marketing\" \/>\n<meta property=\"og:description\" content=\"Computer Vision & Bilderkennung \u2013 Unterrichtsvortrag \ud83c\udf93 Unterrichtsvortrag \u00b7 KI & Machine Learning Computer Vision & Bilderkennung Wie Maschinen lernen, die Welt zu sehen \u2013 von Pixeln zu Bedeutung Was ist CV? Pipeline Neuronale Netze Modelle Anwendungen Zukunft Gruppenaufgabe Quiz \ud83d\udc41\ufe0f Was ist Computer Vision? Definition & Grundlagen Definition: Computer Vision ist ein Teilgebiet der […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/metalmotion.de\/kim\/bilderkennung\/\" \/>\n<meta property=\"og:site_name\" content=\"KI Marketing\" \/>\n<meta property=\"article:modified_time\" content=\"2026-03-17T14:09:48+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"8\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/bilderkennung\\\/\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/bilderkennung\\\/\",\"name\":\"Bilderkennung - KI Marketing\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\"},\"datePublished\":\"2026-03-17T14:09:46+00:00\",\"dateModified\":\"2026-03-17T14:09:48+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/bilderkennung\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/metalmotion.de\\\/kim\\\/bilderkennung\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/bilderkennung\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Bilderkennung\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\",\"name\":\"KI Marketing\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"}]}<\/script>\n","yoast_head_json":{"title":"Bilderkennung - KI Marketing","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/metalmotion.de\/kim\/bilderkennung\/","og_locale":"de_DE","og_type":"article","og_title":"Bilderkennung - KI Marketing","og_description":"Computer Vision & Bilderkennung \u2013 Unterrichtsvortrag \ud83c\udf93 Unterrichtsvortrag \u00b7 KI & Machine Learning Computer Vision & Bilderkennung Wie Maschinen lernen, die Welt zu sehen \u2013 von Pixeln zu Bedeutung Was ist CV? Pipeline Neuronale Netze Modelle Anwendungen Zukunft Gruppenaufgabe Quiz \ud83d\udc41\ufe0f Was ist Computer Vision? Definition & Grundlagen Definition: Computer Vision ist ein Teilgebiet der […]","og_url":"https:\/\/metalmotion.de\/kim\/bilderkennung\/","og_site_name":"KI Marketing","article_modified_time":"2026-03-17T14:09:48+00:00","twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"8\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/metalmotion.de\/kim\/bilderkennung\/","url":"https:\/\/metalmotion.de\/kim\/bilderkennung\/","name":"Bilderkennung - KI Marketing","isPartOf":{"@id":"https:\/\/metalmotion.de\/kim\/#website"},"datePublished":"2026-03-17T14:09:46+00:00","dateModified":"2026-03-17T14:09:48+00:00","breadcrumb":{"@id":"https:\/\/metalmotion.de\/kim\/bilderkennung\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/metalmotion.de\/kim\/bilderkennung\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/metalmotion.de\/kim\/bilderkennung\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/metalmotion.de\/kim\/"},{"@type":"ListItem","position":2,"name":"Bilderkennung"}]},{"@type":"WebSite","@id":"https:\/\/metalmotion.de\/kim\/#website","url":"https:\/\/metalmotion.de\/kim\/","name":"KI Marketing","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/metalmotion.de\/kim\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"}]}},"_links":{"self":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/109","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/comments?post=109"}],"version-history":[{"count":1,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/109\/revisions"}],"predecessor-version":[{"id":110,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/109\/revisions\/110"}],"wp:attachment":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/media?parent=109"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}

{"id":109,"date":"2026-03-17T15:09:46","date_gmt":"2026-03-17T14:09:46","guid":{"rendered":"https:\/\/metalmotion.de\/kim\/?page_id=109"},"modified":"2026-03-17T15:09:48","modified_gmt":"2026-03-17T14:09:48","slug":"bilderkennung","status":"publish","type":"page","link":"https:\/\/metalmotion.de\/kim\/bilderkennung\/","title":{"rendered":"Bilderkennung"},"content":{"rendered":"\n\n\n\n\n \n \n Computer Vision & Bilderkennung \u2013 Unterrichtsvortrag<\/title>\n <style>\n :root {\n --bg: #0d1117;\n --bg2: #161b22;\n --bg3: #1c2333;\n --card: #1e2636;\n --border: #2d3748;\n --accent: #4f8ef7;\n --accent2: #a259ff;\n --accent3: #34d399;\n --text: #e2e8f0;\n --muted: #8b949e;\n --radius: 14px;\n --shadow: 0 4px 24px rgba(0,0,0,0.4);\n }\n * { box-sizing: border-box; margin: 0; padding: 0; }\n body {\n font-family: 'Segoe UI', Arial, sans-serif;\n background: var(--bg);\n color: var(--text);\n line-height: 1.7;\n }\n\n \/* \u2500\u2500 HEADER \u2500\u2500 *\/\n header {\n background: linear-gradient(135deg, #0d1117 0%, #161b22 50%, #0f1e3d 100%);\n border-bottom: 1px solid var(--border);\n padding: 72px 32px 56px;\n text-align: center;\n position: relative;\n overflow: hidden;\n }\n header::before {\n content: \"\";\n position: absolute; inset: 0;\n background:\n radial-gradient(ellipse at 20% 50%, rgba(79,142,247,0.12) 0%, transparent 60%),\n radial-gradient(ellipse at 80% 30%, rgba(162,89,255,0.10) 0%, transparent 60%);\n }\n header .badge {\n display: inline-block;\n background: rgba(79,142,247,0.15);\n border: 1px solid rgba(79,142,247,0.35);\n color: #7eb3ff;\n border-radius: 999px;\n padding: 5px 20px;\n font-size: 0.8rem;\n letter-spacing: 0.1em;\n margin-bottom: 20px;\n text-transform: uppercase;\n }\n header h1 {\n font-size: clamp(2rem, 5vw, 3.4rem);\n font-weight: 800;\n letter-spacing: -0.02em;\n margin-bottom: 16px;\n color: #f0f6ff;\n }\n header h1 span {\n background: linear-gradient(90deg, var(--accent), var(--accent2));\n -webkit-background-clip: text;\n -webkit-text-fill-color: transparent;\n background-clip: text;\n }\n header p { font-size: 1.1rem; color: var(--muted); max-width: 600px; margin: 0 auto; }\n\n \/* \u2500\u2500 NAV \u2500\u2500 *\/\n nav {\n background: rgba(13,17,23,0.95);\n backdrop-filter: blur(12px);\n border-bottom: 1px solid var(--border);\n position: sticky; top: 0; z-index: 100;\n }\n nav ul { display: flex; flex-wrap: wrap; justify-content: center; list-style: none; padding: 0 16px; }\n nav ul li a {\n display: block; padding: 14px 16px;\n color: var(--muted); text-decoration: none;\n font-size: 0.88rem; font-weight: 500;\n transition: color 0.2s;\n }\n nav ul li a:hover { color: var(--accent); }\n\n \/* \u2500\u2500 MAIN \u2500\u2500 *\/\n main { max-width: 1080px; margin: 0 auto; padding: 56px 24px; display: flex; flex-direction: column; gap: 72px; }\n\n \/* \u2500\u2500 SECTION TITLES \u2500\u2500 *\/\n .section-title {\n font-size: 1.65rem; font-weight: 800; margin-bottom: 6px;\n display: flex; align-items: center; gap: 14px; color: #f0f6ff;\n }\n .section-title .icon {\n background: linear-gradient(135deg, var(--accent), var(--accent2));\n border-radius: 10px; width: 44px; height: 44px;\n display: flex; align-items: center; justify-content: center;\n font-size: 1.2rem; flex-shrink: 0;\n }\n .section-sub { color: var(--muted); font-size: 0.95rem; margin-bottom: 28px; padding-left: 58px; }\n\n \/* \u2500\u2500 CARDS \u2500\u2500 *\/\n .cards { display: grid; grid-template-columns: repeat(auto-fit, minmax(230px, 1fr)); gap: 18px; }\n .card {\n background: var(--card);\n border: 1px solid var(--border);\n border-radius: var(--radius);\n padding: 26px 22px;\n border-top: 3px solid var(--accent);\n transition: transform 0.2s, border-color 0.2s, box-shadow 0.2s;\n }\n .card:hover { transform: translateY(-4px); border-color: var(--accent); box-shadow: 0 0 24px rgba(79,142,247,0.15); }\n .card h3 { font-size: 1.05rem; font-weight: 700; margin-bottom: 10px; color: #f0f6ff; }\n .card p { font-size: 0.92rem; color: var(--muted); }\n .card .card-icon { font-size: 1.9rem; margin-bottom: 14px; }\n\n \/* \u2500\u2500 PIPELINE \u2500\u2500 *\/\n .pipeline {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(150px, 1fr));\n background: var(--card); border: 1px solid var(--border);\n border-radius: var(--radius); overflow: hidden;\n }\n .step { padding: 26px 18px; text-align: center; border-right: 1px solid var(--border); }\n .step:last-child { border-right: none; }\n .step-num {\n background: linear-gradient(135deg, var(--accent), var(--accent2));\n color: #fff; border-radius: 50%; width: 36px; height: 36px;\n display: inline-flex; align-items: center; justify-content: center;\n font-weight: 800; font-size: 0.95rem; margin-bottom: 12px;\n }\n .step h4 { font-size: 0.9rem; font-weight: 700; margin-bottom: 6px; color: #e2e8f0; }\n .step p { font-size: 0.82rem; color: var(--muted); }\n\n \/* \u2500\u2500 CNN VISUAL \u2500\u2500 *\/\n .cnn-visual {\n background: #0a0f1a;\n border: 1px solid var(--border);\n border-radius: var(--radius);\n padding: 32px 26px;\n overflow-x: auto;\n }\n .cnn-visual h3 { color: #f0f6ff; margin-bottom: 22px; font-size: 1.05rem; }\n .cnn-layers { display: flex; align-items: center; gap: 10px; flex-wrap: nowrap; }\n .cnn-layer {\n background: rgba(79,142,247,0.08);\n border: 1px solid rgba(79,142,247,0.25);\n border-radius: 10px; padding: 16px 13px;\n text-align: center; min-width: 108px; flex-shrink: 0;\n }\n .cnn-layer .lname { font-size: 0.72rem; font-weight: 700; color: var(--accent); margin-bottom: 6px; text-transform: uppercase; letter-spacing: 0.06em; }\n .cnn-layer .ldesc { font-size: 0.72rem; color: var(--muted); }\n .arrow { color: rgba(79,142,247,0.5); font-size: 1.3rem; flex-shrink: 0; }\n\n \/* \u2500\u2500 TABLE \u2500\u2500 *\/\n .table-wrap { overflow-x: auto; border-radius: var(--radius); border: 1px solid var(--border); }\n table { width: 100%; border-collapse: collapse; background: var(--card); }\n thead tr { background: #0a0f1a; }\n thead th { color: var(--muted); padding: 14px 18px; font-size: 0.82rem; text-align: left; text-transform: uppercase; letter-spacing: 0.06em; border-bottom: 1px solid var(--border); }\n tbody tr { border-bottom: 1px solid var(--border); transition: background 0.15s; }\n tbody tr:hover { background: rgba(79,142,247,0.05); }\n tbody tr:last-child { border-bottom: none; }\n tbody td { padding: 14px 18px; font-size: 0.92rem; }\n .tag { display: inline-block; padding: 3px 10px; border-radius: 999px; font-size: 0.75rem; font-weight: 600; }\n .tag-blue { background: rgba(79,142,247,0.15); color: #7eb3ff; border: 1px solid rgba(79,142,247,0.3); }\n .tag-green { background: rgba(52,211,153,0.12); color: #6ee7b7; border: 1px solid rgba(52,211,153,0.3); }\n .tag-purple { background: rgba(162,89,255,0.12); color: #c4a0ff; border: 1px solid rgba(162,89,255,0.3); }\n\n \/* \u2500\u2500 APP GRID \u2500\u2500 *\/\n .app-grid { display: grid; grid-template-columns: repeat(auto-fit, minmax(280px, 1fr)); gap: 18px; }\n .app-card {\n background: var(--card); border: 1px solid var(--border);\n border-radius: var(--radius); padding: 22px;\n display: flex; gap: 16px; align-items: flex-start;\n transition: border-color 0.2s, box-shadow 0.2s;\n }\n .app-card:hover { border-color: rgba(79,142,247,0.4); box-shadow: 0 0 20px rgba(79,142,247,0.1); }\n .app-card .app-icon {\n background: rgba(79,142,247,0.1); border: 1px solid rgba(79,142,247,0.2);\n border-radius: 12px; width: 52px; height: 52px;\n display: flex; align-items: center; justify-content: center;\n font-size: 1.7rem; flex-shrink: 0;\n }\n .app-card h4 { font-size: 0.98rem; font-weight: 700; margin-bottom: 4px; color: #f0f6ff; }\n .app-card p { font-size: 0.86rem; color: var(--muted); }\n\n \/* \u2500\u2500 HIGHLIGHT \u2500\u2500 *\/\n .highlight {\n background: rgba(79,142,247,0.07);\n border: 1px solid rgba(79,142,247,0.25);\n border-left: 4px solid var(--accent);\n border-radius: 10px;\n padding: 18px 22px;\n margin: 22px 0;\n }\n .highlight strong { color: #7eb3ff; }\n .highlight.warn {\n background: rgba(251,191,36,0.07);\n border-color: rgba(251,191,36,0.25);\n border-left-color: #f59e0b;\n }\n .highlight.warn strong { color: #fbbf24; }\n .highlight.green {\n background: rgba(52,211,153,0.07);\n border-color: rgba(52,211,153,0.25);\n border-left-color: var(--accent3);\n }\n .highlight.green strong { color: #6ee7b7; }\n\n \/* \u2500\u2500 QUIZ \u2500\u2500 *\/\n .quiz-wrap { display: flex; flex-direction: column; gap: 14px; }\n .quiz-item {\n background: var(--card);\n border: 1px solid var(--border);\n border-radius: var(--radius);\n overflow: hidden;\n }\n .quiz-q {\n padding: 18px 22px;\n font-weight: 600; font-size: 0.96rem;\n display: flex; justify-content: space-between; align-items: center;\n cursor: pointer; gap: 12px;\n transition: background 0.2s;\n color: #e2e8f0;\n }\n .quiz-q:hover { background: rgba(79,142,247,0.07); }\n .quiz-q .q-num {\n background: linear-gradient(135deg, var(--accent), var(--accent2));\n color: #fff; border-radius: 50%;\n width: 28px; height: 28px; min-width: 28px;\n display: flex; align-items: center; justify-content: center;\n font-size: 0.8rem; font-weight: 800;\n }\n .quiz-q .q-text { flex: 1; }\n .quiz-q .q-arrow { color: var(--muted); font-size: 0.9rem; transition: transform 0.2s; }\n .quiz-q.open .q-arrow { transform: rotate(180deg); }\n .quiz-a {\n background: rgba(79,142,247,0.06);\n border-top: 1px solid var(--border);\n padding: 0 22px;\n max-height: 0; overflow: hidden;\n transition: max-height 0.3s ease, padding 0.3s;\n color: var(--muted); font-size: 0.92rem;\n }\n .quiz-a.open { max-height: 200px; padding: 16px 22px; }\n .quiz-a strong { color: var(--accent3); }\n\n \/* \u2500\u2500 GRUPPENAUFGABE \u2500\u2500 *\/\n .group-task {\n background: linear-gradient(135deg, #0a0f1a 0%, #0f1e3d 100%);\n border: 1px solid rgba(52,211,153,0.3);\n border-radius: var(--radius);\n padding: 40px 36px;\n position: relative;\n overflow: hidden;\n }\n .group-task::before {\n content: \"\";\n position: absolute; top: -40px; right: -40px;\n width: 200px; height: 200px;\n background: radial-gradient(circle, rgba(52,211,153,0.08) 0%, transparent 70%);\n border-radius: 50%;\n }\n .group-task-header {\n display: flex; align-items: center; gap: 16px; margin-bottom: 10px;\n }\n .group-task-header .gt-badge {\n background: rgba(52,211,153,0.15);\n border: 1px solid rgba(52,211,153,0.35);\n color: var(--accent3);\n border-radius: 999px; padding: 4px 16px;\n font-size: 0.78rem; font-weight: 700; text-transform: uppercase; letter-spacing: 0.08em;\n }\n .group-task h2 { font-size: 1.5rem; font-weight: 800; color: #f0f6ff; margin-bottom: 6px; }\n .group-task .gt-meta { color: var(--muted); font-size: 0.9rem; margin-bottom: 28px; }\n .group-task .gt-meta span { color: var(--accent3); font-weight: 600; }\n\n .scenario {\n background: rgba(52,211,153,0.06);\n border: 1px solid rgba(52,211,153,0.2);\n border-radius: 10px;\n padding: 20px 22px;\n margin-bottom: 26px;\n }\n .scenario h4 { color: var(--accent3); font-size: 0.85rem; text-transform: uppercase; letter-spacing: 0.08em; margin-bottom: 10px; }\n .scenario p { color: #cbd5e1; font-size: 0.95rem; }\n\n .roles-grid { display: grid; grid-template-columns: repeat(auto-fit, minmax(200px, 1fr)); gap: 14px; margin-bottom: 28px; }\n .role-card {\n background: rgba(255,255,255,0.04);\n border: 1px solid var(--border);\n border-radius: 10px;\n padding: 16px 18px;\n }\n .role-card .role-emoji { font-size: 1.5rem; margin-bottom: 8px; }\n .role-card h5 { font-size: 0.88rem; font-weight: 700; color: #e2e8f0; margin-bottom: 4px; }\n .role-card p { font-size: 0.8rem; color: var(--muted); }\n\n .task-steps { display: flex; flex-direction: column; gap: 12px; margin-bottom: 28px; }\n .task-step {\n display: flex; gap: 16px; align-items: flex-start;\n background: rgba(255,255,255,0.03);\n border: 1px solid var(--border);\n border-radius: 10px;\n padding: 16px 18px;\n }\n .task-step .ts-num {\n background: linear-gradient(135deg, var(--accent3), #059669);\n color: #fff; border-radius: 8px;\n width: 32px; height: 32px; min-width: 32px;\n display: flex; align-items: center; justify-content: center;\n font-weight: 800; font-size: 0.9rem;\n }\n .task-step .ts-body h5 { font-size: 0.95rem; font-weight: 700; color: #e2e8f0; margin-bottom: 4px; }\n .task-step .ts-body p { font-size: 0.87rem; color: var(--muted); }\n .task-step .ts-time { color: var(--accent3); font-size: 0.78rem; font-weight: 600; white-space: nowrap; margin-top: 2px; }\n\n .deliverable {\n background: rgba(79,142,247,0.08);\n border: 1px solid rgba(79,142,247,0.25);\n border-radius: 10px;\n padding: 18px 22px;\n }\n .deliverable h4 { color: var(--accent); font-size: 0.88rem; text-transform: uppercase; letter-spacing: 0.07em; margin-bottom: 12px; }\n .deliverable ul { list-style: none; display: flex; flex-direction: column; gap: 8px; }\n .deliverable ul li { font-size: 0.9rem; color: #cbd5e1; display: flex; gap: 10px; align-items: flex-start; }\n .deliverable ul li::before { content: \"\u2192\"; color: var(--accent); font-weight: 700; flex-shrink: 0; }\n\n \/* \u2500\u2500 FOOTER \u2500\u2500 *\/\n footer {\n background: #0a0f1a;\n border-top: 1px solid var(--border);\n color: var(--muted);\n text-align: center;\n padding: 28px 16px;\n font-size: 0.85rem;\n }\n footer span { color: var(--accent); }\n\n @media (max-width: 600px) {\n .cnn-layers { flex-direction: column; align-items: stretch; }\n .arrow { transform: rotate(90deg); text-align: center; }\n .step { border-right: none; border-bottom: 1px solid var(--border); }\n .step:last-child { border-bottom: none; }\n .group-task { padding: 24px 18px; }\n }\n <\/style>\n<\/head>\n<body>\n\n<header>\n <div class=\"badge\">\ud83c\udf93 Unterrichtsvortrag \u00b7 KI & Machine Learning<\/div>\n <h1>Computer Vision & <span>Bilderkennung<\/span><\/h1>\n <p>Wie Maschinen lernen, die Welt zu sehen \u2013 von Pixeln zu Bedeutung<\/p>\n<\/header>\n\n<nav>\n <ul>\n <li><a href=\"#was\">Was ist CV?<\/a><\/li>\n <li><a href=\"#pipeline\">Pipeline<\/a><\/li>\n <li><a href=\"#cnn\">Neuronale Netze<\/a><\/li>\n <li><a href=\"#modelle\">Modelle<\/a><\/li>\n <li><a href=\"#anwendungen\">Anwendungen<\/a><\/li>\n <li><a href=\"#zukunft\">Zukunft<\/a><\/li>\n <li><a href=\"#gruppenarbeit\">Gruppenaufgabe<\/a><\/li>\n <li><a href=\"#quiz\">Quiz<\/a><\/li>\n <\/ul>\n<\/nav>\n\n<main>\n\n \n <section id=\"was\">\n <div class=\"section-title\"><div class=\"icon\">\ud83d\udc41\ufe0f<\/div>Was ist Computer Vision?<\/div>\n <p class=\"section-sub\">Definition & Grundlagen<\/p>\n <div class=\"highlight\">\n <strong>Definition:<\/strong> Computer Vision ist ein Teilgebiet der K\u00fcnstlichen Intelligenz, das Maschinen bef\u00e4higt, visuelle Daten \u2013 Bilder und Videos \u2013 zu erfassen, zu analysieren und zu <em>verstehen<\/em>. Ziel ist es, Computern eine \u00e4hnliche Wahrnehmung wie das menschliche Sehsystem zu verleihen.\n <\/div>\n <div class=\"cards\">\n <div class=\"card\">\n <div class=\"card-icon\">\ud83e\udde0<\/div>\n <h3>K\u00fcnstliche Intelligenz<\/h3>\n <p>Computer Vision ist ein Kernbereich der KI und nutzt Machine Learning, um aus visuellen Daten eigenst\u00e4ndig zu lernen.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83d\udcf7<\/div>\n <h3>Bildverarbeitung<\/h3>\n <p>Bilder werden als numerische Matrizen (Pixelwerte 0\u2013255) gespeichert. Computer sehen Zahlen \u2013 keine Objekte. Die Interpretation ist das Ziel.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83d\udd0d<\/div>\n <h3>Bilderkennung<\/h3>\n <p>Unteraufgabe von CV: Ein System klassifiziert, was auf einem Bild zu sehen ist \u2013 z. B. \u201eKatze“, \u201eAuto“ oder \u201eTumor“.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83d\udcca<\/div>\n <h3>Gro\u00dfe Datenmengen<\/h3>\n <p>Trainiert wird auf Millionen gelabelter Bilder \u2013 wie ImageNet mit 14+ Mio. Bildern in 20.000 Kategorien.<\/p>\n <\/div>\n <\/div>\n <\/section>\n\n \n <section id=\"pipeline\">\n <div class=\"section-title\"><div class=\"icon\">\u2699\ufe0f<\/div>Die CV-Pipeline<\/div>\n <p class=\"section-sub\">Von der Kamera zur Entscheidung \u2013 5 Schritte<\/p>\n <div class=\"pipeline\">\n <div class=\"step\"><div class=\"step-num\">1<\/div><h4>Bilderfassung<\/h4><p>Kamera, Sensor oder Videostream liefert Rohdaten<\/p><\/div>\n <div class=\"step\"><div class=\"step-num\">2<\/div><h4>Vorverarbeitung<\/h4><p>Normalisierung, Rauschreduktion, Gr\u00f6\u00dfenanpassung<\/p><\/div>\n <div class=\"step\"><div class=\"step-num\">3<\/div><h4>Merkmalsextraktion<\/h4><p>Kanten, Farben, Texturen und Formen werden erkannt<\/p><\/div>\n <div class=\"step\"><div class=\"step-num\">4<\/div><h4>Klassifikation<\/h4><p>Das Modell ordnet das Bild einer Kategorie zu<\/p><\/div>\n <div class=\"step\"><div class=\"step-num\">5<\/div><h4>Entscheidung<\/h4><p>Ausgabe: Label, Bounding Box, Aktion oder Alarm<\/p><\/div>\n <\/div>\n <\/section>\n\n \n <section id=\"cnn\">\n <div class=\"section-title\"><div class=\"icon\">\ud83d\udd78\ufe0f<\/div>Convolutional Neural Networks<\/div>\n <p class=\"section-sub\">Das Herzst\u00fcck moderner Bilderkennung<\/p>\n <p style=\"margin-bottom:20px; color: var(--muted);\">CNNs sind neuronale Netze, optimiert f\u00fcr Bilddaten. Ihre <strong style=\"color:#e2e8f0;\">Faltungsschichten (Conv Layers)<\/strong> extrahieren automatisch Merkmale \u2013 von einfachen Kanten bis zu komplexen Strukturen wie Gesichtern oder Fahrzeugen.<\/p>\n <div class=\"cnn-visual\">\n <h3>\ud83d\udd2c Schichtenaufbau eines CNN<\/h3>\n <div class=\"cnn-layers\">\n <div class=\"cnn-layer\"><div class=\"lname\">Input<\/div><div class=\"ldesc\">Rohbild<br\/>224\u00d7224 px<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\"><div class=\"lname\">Conv Layer<\/div><div class=\"ldesc\">Kanten & einfache Muster<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\"><div class=\"lname\">ReLU<\/div><div class=\"ldesc\">Aktivierungsfunktion<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\"><div class=\"lname\">Pooling<\/div><div class=\"ldesc\">Dimensions-reduktion<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\"><div class=\"lname\">Deep Layers<\/div><div class=\"ldesc\">Komplexe Merkmale<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\"><div class=\"lname\">Fully Connected<\/div><div class=\"ldesc\">Alle Merkmale zusammen<\/div><\/div>\n <div class=\"arrow\">\u2192<\/div>\n <div class=\"cnn-layer\" style=\"border-color:rgba(162,89,255,0.4);\"><div class=\"lname\" style=\"color:#c4a0ff;\">Output<\/div><div class=\"ldesc\">Klasse + Wahrsch.<\/div><\/div>\n <\/div>\n <\/div>\n <div class=\"highlight\" style=\"margin-top:24px;\">\n <strong>Translationsinvarianz:<\/strong> CNNs erkennen Objekte unabh\u00e4ngig davon, wo sie sich im Bild befinden. Ein trainiertes Modell findet ein Auto links, rechts oder in der Bildmitte gleicherma\u00dfen.\n <\/div>\n <\/section>\n\n \n <section id=\"modelle\">\n <div class=\"section-title\"><div class=\"icon\">\ud83c\udfc6<\/div>Bekannte Modelle im Vergleich<\/div>\n <p class=\"section-sub\">Von AlexNet bis Vision Transformer<\/p>\n <div class=\"table-wrap\">\n <table>\n <thead>\n <tr>\n <th>Modell<\/th><th>Jahr<\/th><th>Besonderheit<\/th><th>Top-1 (ImageNet)<\/th><th>Typ<\/th>\n <\/tr>\n <\/thead>\n <tbody>\n <tr><td><strong>AlexNet<\/strong><\/td><td>2012<\/td><td>Erster Deep-Learning-Durchbruch mit GPU-Training<\/td><td>~63 %<\/td><td><span class=\"tag tag-blue\">CNN<\/span><\/td><\/tr>\n <tr><td><strong>VGGNet<\/strong><\/td><td>2014<\/td><td>Sehr tiefes Netz mit einfacher 3\u00d73-Filterstruktur<\/td><td>~74 %<\/td><td><span class=\"tag tag-blue\">CNN<\/span><\/td><\/tr>\n <tr><td><strong>ResNet-50<\/strong><\/td><td>2015<\/td><td>Residual-Verbindungen f\u00fcr 50\u2013152 Schichten<\/td><td>~76 %<\/td><td><span class=\"tag tag-blue\">CNN<\/span><\/td><\/tr>\n <tr><td><strong>EfficientNet<\/strong><\/td><td>2019<\/td><td>Optimales Verh\u00e4ltnis Genauigkeit \/ Effizienz<\/td><td>~84 %<\/td><td><span class=\"tag tag-green\">CNN<\/span><\/td><\/tr>\n <tr><td><strong>Vision Transformer (ViT)<\/strong><\/td><td>2020<\/td><td>Attention-basiert, kein Faltungsoperator<\/td><td>~88 %<\/td><td><span class=\"tag tag-purple\">Transformer<\/span><\/td><\/tr>\n <\/tbody>\n <\/table>\n <\/div>\n <\/section>\n\n \n <section id=\"anwendungen\">\n <div class=\"section-title\"><div class=\"icon\">\ud83d\ude80<\/div>Reale Anwendungen<\/div>\n <p class=\"section-sub\">Computer Vision ver\u00e4ndert zahlreiche Branchen<\/p>\n <div class=\"app-grid\">\n <div class=\"app-card\"><div class=\"app-icon\">\ud83d\ude97<\/div><div><h4>Autonomes Fahren<\/h4><p>Fahrzeuge erkennen Fu\u00dfg\u00e4nger, Schilder und andere Autos in Echtzeit \u2013 z. B. Tesla, Waymo.<\/p><\/div><\/div>\n <div class=\"app-card\"><div class=\"app-icon\">\ud83c\udfe5<\/div><div><h4>Medizinische Diagnostik<\/h4><p>KI analysiert R\u00f6ntgenbilder und MRTs zur Erkennung von Tumoren, Frakturen und Hautkrebs.<\/p><\/div><\/div>\n <div class=\"app-card\"><div class=\"app-icon\">\ud83d\uded2<\/div><div><h4>Kassenloser Einzelhandel<\/h4><p>Amazon Go erfasst Produkte automatisch, wenn Kunden sie aus dem Regal nehmen.<\/p><\/div><\/div>\n <div class=\"app-card\"><div class=\"app-icon\">\ud83c\udf3e<\/div><div><h4>Pr\u00e4zisionslandwirtschaft<\/h4><p>Drohnen analysieren Felder, erkennen Sch\u00e4dlinge und optimieren Bew\u00e4sserung per Bildanalyse.<\/p><\/div><\/div>\n <div class=\"app-card\"><div class=\"app-icon\">\ud83d\udd12<\/div><div><h4>Gesichtserkennung<\/h4><p>Smartphone-Entsperrung, Grenzkontrollen und Sicherheitssysteme nutzen biometrische Bilderkennung.<\/p><\/div><\/div>\n <div class=\"app-card\"><div class=\"app-icon\">\ud83c\udfed<\/div><div><h4>Qualit\u00e4tskontrolle<\/h4><p>CV-Systeme erkennen Produktionsfehler schneller und genauer als das menschliche Auge.<\/p><\/div><\/div>\n <\/div>\n <\/section>\n\n \n <section id=\"zukunft\">\n <div class=\"section-title\"><div class=\"icon\">\ud83d\udd2e<\/div>Zukunft & Trends<\/div>\n <p class=\"section-sub\">Wohin entwickelt sich Computer Vision?<\/p>\n <div class=\"cards\">\n <div class=\"card\" style=\"border-top-color:var(--accent2);\">\n <div class=\"card-icon\">\u26a1<\/div>\n <h3>Edge Computing & 5G<\/h3>\n <p>Bildanalyse direkt auf dem Ger\u00e4t ohne Cloud \u2013 erm\u00f6glicht Echtzeit-Reaktionen f\u00fcr autonome Systeme.<\/p>\n <\/div>\n <div class=\"card\" style=\"border-top-color:var(--accent2);\">\n <div class=\"card-icon\">\ud83c\udf10<\/div>\n <h3>3D-Vision & AR\/VR<\/h3>\n <p>Neue Sensoren erfassen dreidimensionale Umgebungen pr\u00e4ziser \u2013 unverzichtbar f\u00fcr Robotik und Mixed Reality.<\/p>\n <\/div>\n <div class=\"card\" style=\"border-top-color:var(--accent2);\">\n <div class=\"card-icon\">\u269b\ufe0f<\/div>\n <h3>Quantencomputing<\/h3>\n <p>K\u00f6nnte komplexe Bildanalysen bis zu 100\u00d7 beschleunigen und neue M\u00f6glichkeiten in der Mustererkennung er\u00f6ffnen.<\/p>\n <\/div>\n <div class=\"card\" style=\"border-top-color:var(--accent2);\">\n <div class=\"card-icon\">\ud83e\udd1d<\/div>\n <h3>Multimodale KI<\/h3>\n <p>Systeme wie GPT-4o kombinieren Bild- und Sprachverst\u00e4ndnis \u2013 Computer „sehen“ und „verstehen“ gleichzeitig.<\/p>\n <\/div>\n <\/div>\n <div class=\"highlight warn\" style=\"margin-top:24px;\">\n <strong>\u26a0\ufe0f Ethische Herausforderungen:<\/strong> Datenschutz bei Gesichtserkennung, Bias in Trainingsdaten, Missbrauch durch Deepfakes und Massen\u00fcberwachung sind zentrale gesellschaftliche Fragen.\n <\/div>\n <\/section>\n\n \n <section id=\"gruppenarbeit\">\n <div class=\"section-title\"><div class=\"icon\">\ud83d\udc65<\/div>Praktische Gruppenaufgabe<\/div>\n <p class=\"section-sub\">Anwendung des Gelernten in der Praxis<\/p>\n\n <div class=\"group-task\">\n <div class=\"group-task-header\">\n <div class=\"gt-badge\">\ud83d\udc65 Gruppenarbeit<\/div>\n <div class=\"gt-badge\" style=\"background:rgba(79,142,247,0.15);border-color:rgba(79,142,247,0.35);color:#7eb3ff;\">\ud83d\udca1 Fallstudie<\/div>\n <\/div>\n <h2>CV-System f\u00fcr ein Krankenhaus entwerfen<\/h2>\n <p class=\"gt-meta\">\n <span>4\u20135 Personen pro Gruppe<\/span> \u00b7 \n <span>45 Minuten Bearbeitungszeit<\/span> \u00b7 \n <span>10 Minuten Pr\u00e4sentation je Gruppe<\/span>\n <\/p>\n\n <div class=\"scenario\">\n <h4>\ud83d\udccb Szenario<\/h4>\n <p>Ein Krankenhaus m\u00f6chte ein KI-basiertes Computer-Vision-System zur <strong>automatischen Analyse von R\u00f6ntgenbildern<\/strong> einf\u00fchren, um Lungenentz\u00fcndungen schneller zu erkennen. Euer Team wurde beauftragt, ein Konzept f\u00fcr dieses System zu entwickeln \u2013 von der Datenerfassung bis zur ethischen Absicherung.<\/p>\n <\/div>\n\n <h4 style=\"color:#e2e8f0; margin-bottom:14px; font-size:0.95rem;\">\ud83c\udfad Rollen in der Gruppe<\/h4>\n <div class=\"roles-grid\">\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83d\udc69\u200d\ud83d\udcbb<\/div>\n <h5>KI-Ingenieurin<\/h5>\n <p>W\u00e4hlt das Modell (CNN vs. ViT) und erkl\u00e4rt den Trainingsansatz<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83d\udc68\u200d\u2695\ufe0f<\/div>\n <h5>Mediziner<\/h5>\n <p>Bewertet medizinische Anforderungen & Genauigkeitsziele<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\u2696\ufe0f<\/div>\n <h5>Ethik-Beauftragte\/r<\/h5>\n <p>Analysiert Risiken, Bias und Datenschutzfragen<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83d\udcca<\/div>\n <h5>Datenspezialist\/in<\/h5>\n <p>Plant die Datensammlung, Labeling und Qualit\u00e4tssicherung<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83c\udfa4<\/div>\n <h5>Pr\u00e4sentator\/in<\/h5>\n <p>Fasst Ergebnisse zusammen und stellt sie vor<\/p>\n <\/div>\n <\/div>\n\n <h4 style=\"color:#e2e8f0; margin-bottom:14px; font-size:0.95rem;\">\ud83d\udcdd Aufgabenschritte<\/h4>\n <div class=\"task-steps\">\n <div class=\"task-step\">\n <div class=\"ts-num\">1<\/div>\n <div class=\"ts-body\">\n <h5>Problem analysieren<\/h5>\n <p>Was genau soll das System erkennen? Welche Eingaben (Bilder) und Ausgaben (Diagnosen) sind n\u00f6tig? Definiert den genauen Anwendungsfall.<\/p>\n <\/div>\n <div class=\"ts-time\">\u23f1 8 min<\/div>\n <\/div>\n <div class=\"task-step\">\n <div class=\"ts-num\">2<\/div>\n <div class=\"ts-body\">\n <h5>Datenplanung<\/h5>\n <p>Woher kommen die Trainingsdaten? Wie viele Bilder braucht ihr? Wie werden sie gelabelt (gesunde Lunge vs. Entz\u00fcndung)? Welche Qualit\u00e4tsstandards gelten?<\/p>\n <\/div>\n <div class=\"ts-time\">\u23f1 8 min<\/div>\n <\/div>\n <div class=\"task-step\">\n <div class=\"ts-num\">3<\/div>\n <div class=\"ts-body\">\n <h5>Modellauswahl & Pipeline<\/h5>\n <p>CNN oder Vision Transformer? Begr\u00fcndet die Wahl. Skizziert die komplette CV-Pipeline: von Bilderfassung bis zur Ausgabe der Diagnose.<\/p>\n <\/div>\n <div class=\"ts-time\">\u23f1 10 min<\/div>\n <\/div>\n <div class=\"task-step\">\n <div class=\"ts-num\">4<\/div>\n <div class=\"ts-body\">\n <h5>Risiken & Ethik<\/h5>\n <p>Was passiert, wenn das System falsch liegt (falsch-negativ vs. falsch-positiv)? Wie geht ihr mit Datenschutz, Bias und dem Vertrauen der \u00c4rzte um?<\/p>\n <\/div>\n <div class=\"ts-time\">\u23f1 10 min<\/div>\n <\/div>\n <div class=\"task-step\">\n <div class=\"ts-num\">5<\/div>\n <div class=\"ts-body\">\n <h5>Pr\u00e4sentation vorbereiten<\/h5>\n <p>Erstellt eine kurze \u00dcbersicht (Stichpunkte oder Skizze auf Papier\/Whiteboard), die ihr der Klasse pr\u00e4sentiert.<\/p>\n <\/div>\n <div class=\"ts-time\">\u23f1 9 min<\/div>\n <\/div>\n <\/div>\n\n <div class=\"deliverable\">\n <h4>\ud83d\udce6 Abgabe & Pr\u00e4sentation<\/h4>\n <ul>\n <li>Eine skizzierte CV-Pipeline f\u00fcr das R\u00f6ntgenbild-System (als Zeichnung oder Stichpunkte)<\/li>\n <li>Begr\u00fcndete Modellwahl: CNN oder Vision Transformer \u2013 warum?<\/li>\n <li>Mindestens 3 konkrete Risiken\/ethische Fragen mit eurem L\u00f6sungsvorschlag<\/li>\n <li>Beschreibung eures Datensatzes: Woher, wie viele Bilder, wie gelabelt?<\/li>\n <li>10-min\u00fctige Kurzpr\u00e4sentation vor der Klasse mit anschlie\u00dfender Diskussion<\/li>\n <\/ul>\n <\/div>\n\n <\/div>\n <\/section>\n\n \n <section id=\"quiz\">\n <div class=\"section-title\"><div class=\"icon\">\ud83e\udde9<\/div>Quiz \u2013 Teste dein Wissen<\/div>\n <p class=\"section-sub\">Klicke auf eine Frage, um die Antwort aufzuklappen<\/p>\n <div class=\"quiz-wrap\">\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">1<\/div>\n <div class=\"q-text\">Was bedeutet CNN im Kontext von Computer Vision?<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\">CNN steht f\u00fcr <strong>Convolutional Neural Network<\/strong> \u2013 ein neuronales Netz, das speziell f\u00fcr die Verarbeitung von Bilddaten entwickelt wurde und Faltungsoperatoren einsetzt.<\/div>\n <\/div>\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">2<\/div>\n <div class=\"q-text\">Was ist Translationsinvarianz und warum ist sie wichtig?<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\">CNNs erkennen Objekte <strong>unabh\u00e4ngig von ihrer Position im Bild<\/strong>. Ein Auto wird erkannt, egal ob es links, rechts oder in der Mitte ist \u2013 das macht das Modell robust f\u00fcr reale Szenarien.<\/div>\n <\/div>\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">3<\/div>\n <div class=\"q-text\">Nenne drei reale Anwendungsbereiche von Computer Vision.<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\">M\u00f6gliche Antworten: <strong>Autonomes Fahren, medizinische Diagnostik, Gesichtserkennung, Pr\u00e4zisionslandwirtschaft, Qualit\u00e4tskontrolle, kassenloser Handel<\/strong> \u2013 und viele weitere.<\/div>\n <\/div>\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">4<\/div>\n <div class=\"q-text\">Welches Modell brachte 2012 den Deep-Learning-Durchbruch bei der Bilderkennung?<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\"><strong>AlexNet<\/strong> \u2013 entwickelt von Alex Krizhevsky, gewann 2012 den ImageNet-Wettbewerb mit gro\u00dfem Vorsprung und markierte den Beginn der modernen Deep-Learning-\u00c4ra.<\/div>\n <\/div>\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">5<\/div>\n <div class=\"q-text\">Was ist der Hauptunterschied zwischen CNN und Vision Transformer (ViT)?<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\">CNNs nutzen <strong>Faltungsoperatoren<\/strong> zur lokalen Merkmalsextraktion. Vision Transformers (ViT) verwenden <strong>Attention-Mechanismen<\/strong>, die globale Zusammenh\u00e4nge im gesamten Bild gleichzeitig erfassen \u2013 ohne Faltung.<\/div>\n <\/div>\n\n <div class=\"quiz-item\">\n <div class=\"quiz-q\" onclick=\"toggleQuiz(this)\">\n <div class=\"q-num\">6<\/div>\n <div class=\"q-text\">Was versteht man unter einem \u201efalsch-negativen“ Ergebnis in der medizinischen Bildanalyse?<\/div>\n <div class=\"q-arrow\">\u25bc<\/div>\n <\/div>\n <div class=\"quiz-a\">Ein <strong>falsch-negatives<\/strong> Ergebnis bedeutet, dass das System eine Krankheit <strong>nicht erkennt, obwohl sie vorhanden ist<\/strong>. In der Medizin kann das besonders gef\u00e4hrlich sein, da ein kranker Patient als gesund eingestuft wird.<\/div>\n <\/div>\n\n <\/div>\n <\/section>\n\n \n <section id=\"faq\">\n <div class=\"section-title\"><div class=\"icon\">\u2753<\/div>FAQ & zentrale Begriffe<\/div>\n <p class=\"section-sub\">H\u00e4ufige Fragen und kurze Erkl\u00e4rungen wichtiger Fachbegriffe<\/p>\n\n <div class=\"cards\" style=\"margin-bottom:26px;\">\n <div class=\"card\">\n <div class=\"card-icon\">\u23f1\ufe0f<\/div>\n <h3>Wie viel Rechenleistung braucht CV?<\/h3>\n <p>F\u00fcr das Training gro\u00dfer Modelle werden oft GPUs oder spezialisierte Hardware (TPUs) verwendet. F\u00fcr einfache Anwendungen reicht aber oft schon ein normaler Laptop oder ein Smartphone.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83e\uddea<\/div>\n <h3>Ist CV immer zu 100 % korrekt?<\/h3>\n <p>Nein. Jedes Modell macht Fehler. Wichtig sind gute Trainingsdaten, Tests mit realistischen Beispielen und ein verantwortungsvoller Einsatz \u2013 vor allem in sicherheitskritischen Bereichen.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83d\udd10<\/div>\n <h3>Was ist mit Datenschutz?<\/h3>\n <p>Bei Bildern von Personen m\u00fcssen DSGVO und lokale Gesetze beachtet werden. H\u00e4ufig werden Bilder anonymisiert oder nur mit ausdr\u00fccklicher Einwilligung verwendet.<\/p>\n <\/div>\n <div class=\"card\">\n <div class=\"card-icon\">\ud83c\udfaf<\/div>\n <h3>Wird der Mensch \u00fcberfl\u00fcssig?<\/h3>\n <p>Computer Vision unterst\u00fctzt Menschen, ersetzt sie aber selten komplett. In der Medizin trifft z. B. weiterhin eine \u00c4rztin oder ein Arzt die endg\u00fcltige Entscheidung.<\/p>\n <\/div>\n <\/div>\n\n <div class=\"group-task\" style=\"border-color:rgba(79,142,247,0.4);border-radius:12px;\">\n <h2 style=\"margin-bottom:18px;\">\ud83d\udcd8 Glossar \u2013 wichtige Begriffe<\/h2>\n <div class=\"roles-grid\" style=\"margin-bottom:0;\">\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83e\udde0<\/div>\n <h5>Neuronales Netz<\/h5>\n <p>Ein Modell, das aus vielen k\u00fcnstlichen „Neuronen“ besteht, die miteinander verbunden sind und gemeinsam Muster in Daten lernen.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83c\udf00<\/div>\n <h5>Convolution (Faltung)<\/h5>\n <p>Mathematischer Filter, der \u00fcber ein Bild gleitet und lokale Muster wie Kanten oder Ecken hervorhebt.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83d\udce6<\/div>\n <h5>Feature (Merkmal)<\/h5>\n <p>Auff\u00e4llige Eigenschaft im Bild, z. B. eine bestimmte Kante, eine Textur oder ein typisches Muster eines Objekts.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83c\udff7\ufe0f<\/div>\n <h5>Label<\/h5>\n <p>Die Beschriftung eines Trainingsbildes, z. B. „Katze“ oder „Lungenentz\u00fcndung“ \u2013 ohne Label kann das Modell nicht sinnvoll lernen.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83c\udfaf<\/div>\n <h5>Genauigkeit<\/h5>\n <p>Gibt an, wie viel Prozent der Vorhersagen korrekt sind. Sie allein reicht nicht \u2013 oft sind auch Recall und Precision wichtig.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\u2696\ufe0f<\/div>\n <h5>Bias<\/h5>\n <p>Verzerrung in den Daten oder im Modell, die dazu f\u00fchrt, dass bestimmte Gruppen systematisch benachteiligt werden.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83e\uddea<\/div>\n <h5>Trainingsdaten<\/h5>\n <p>Beispieldaten, aus denen das Modell lernt. Ihre Qualit\u00e4t und Vielfalt entscheiden ma\u00dfgeblich \u00fcber die Leistung des Systems.<\/p>\n <\/div>\n <div class=\"role-card\">\n <div class=\"role-emoji\">\ud83e\uddf7<\/div>\n <h5>Overfitting<\/h5>\n <p>Das Modell lernt die Trainingsdaten „auswendig“ und funktioniert dann auf neuen, unbekannten Bildern schlechter.<\/p>\n <\/div>\n <\/div>\n <\/div>\n\n <\/section>\n<\/main>\n\n<footer>\n <p>Unterrichtsvortrag: <span>Computer Vision & Bilderkennung<\/span> \u00b7 Erstellt mit KI-Unterst\u00fctzung \u00b7 2026<\/p>\n <p style=\"margin-top:6px; font-size:0.78rem;\">Quellen: IBM, DataCamp, MathWorks, Lamarr Institute, DigitalOcean, FocalX, Linvelo<\/p>\n<\/footer>\n\n<script>\n function toggleQuiz(el) {\n const answer = el.nextElementSibling;\n const isOpen = answer.classList.contains('open');\n document.querySelectorAll('.quiz-a.open').forEach(a => a.classList.remove('open'));\n document.querySelectorAll('.quiz-q.open').forEach(q => q.classList.remove('open'));\n if (!isOpen) {\n answer.classList.add('open');\n el.classList.add('open');\n }\n }\n<\/script>\n\n<\/body>\n<\/html>\n\n","protected":false},"excerpt":{"rendered":"<p>Computer Vision & Bilderkennung \u2013 Unterrichtsvortrag \ud83c\udf93 Unterrichtsvortrag \u00b7 KI & Machine Learning Computer Vision & Bilderkennung Wie Maschinen lernen, die Welt zu sehen \u2013 von Pixeln zu Bedeutung Was ist CV? Pipeline Neuronale Netze Modelle Anwendungen Zukunft Gruppenaufgabe Quiz \ud83d\udc41\ufe0f Was ist Computer Vision? Definition & Grundlagen Definition: Computer Vision ist ein Teilgebiet der […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-109","page","type-page","status-publish","hentry"],"yoast_head":"\n<title>Bilderkennung - KI Marketing<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/metalmotion.de\/kim\/bilderkennung\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Bilderkennung - KI Marketing\" \/>\n<meta property=\"og:description\" content=\"Computer Vision & Bilderkennung \u2013 Unterrichtsvortrag \ud83c\udf93 Unterrichtsvortrag \u00b7 KI & Machine Learning Computer Vision & Bilderkennung Wie Maschinen lernen, die Welt zu sehen \u2013 von Pixeln zu Bedeutung Was ist CV? Pipeline Neuronale Netze Modelle Anwendungen Zukunft Gruppenaufgabe Quiz \ud83d\udc41\ufe0f Was ist Computer Vision? Definition & Grundlagen Definition: Computer Vision ist ein Teilgebiet der […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/metalmotion.de\/kim\/bilderkennung\/\" \/>\n<meta property=\"og:site_name\" content=\"KI Marketing\" \/>\n<meta property=\"article:modified_time\" content=\"2026-03-17T14:09:48+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"8\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/bilderkennung\\\/\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/bilderkennung\\\/\",\"name\":\"Bilderkennung - KI Marketing\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\"},\"datePublished\":\"2026-03-17T14:09:46+00:00\",\"dateModified\":\"2026-03-17T14:09:48+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/bilderkennung\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/metalmotion.de\\\/kim\\\/bilderkennung\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/bilderkennung\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Bilderkennung\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\",\"name\":\"KI Marketing\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"}]}<\/script>\n","yoast_head_json":{"title":"Bilderkennung - KI Marketing","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/metalmotion.de\/kim\/bilderkennung\/","og_locale":"de_DE","og_type":"article","og_title":"Bilderkennung - KI Marketing","og_description":"Computer Vision & Bilderkennung \u2013 Unterrichtsvortrag \ud83c\udf93 Unterrichtsvortrag \u00b7 KI & Machine Learning Computer Vision & Bilderkennung Wie Maschinen lernen, die Welt zu sehen \u2013 von Pixeln zu Bedeutung Was ist CV? Pipeline Neuronale Netze Modelle Anwendungen Zukunft Gruppenaufgabe Quiz \ud83d\udc41\ufe0f Was ist Computer Vision? Definition & Grundlagen Definition: Computer Vision ist ein Teilgebiet der […]","og_url":"https:\/\/metalmotion.de\/kim\/bilderkennung\/","og_site_name":"KI Marketing","article_modified_time":"2026-03-17T14:09:48+00:00","twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"8\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/metalmotion.de\/kim\/bilderkennung\/","url":"https:\/\/metalmotion.de\/kim\/bilderkennung\/","name":"Bilderkennung - KI Marketing","isPartOf":{"@id":"https:\/\/metalmotion.de\/kim\/#website"},"datePublished":"2026-03-17T14:09:46+00:00","dateModified":"2026-03-17T14:09:48+00:00","breadcrumb":{"@id":"https:\/\/metalmotion.de\/kim\/bilderkennung\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/metalmotion.de\/kim\/bilderkennung\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/metalmotion.de\/kim\/bilderkennung\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/metalmotion.de\/kim\/"},{"@type":"ListItem","position":2,"name":"Bilderkennung"}]},{"@type":"WebSite","@id":"https:\/\/metalmotion.de\/kim\/#website","url":"https:\/\/metalmotion.de\/kim\/","name":"KI Marketing","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/metalmotion.de\/kim\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"}]}},"_links":{"self":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/109","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/comments?post=109"}],"version-history":[{"count":1,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/109\/revisions"}],"predecessor-version":[{"id":110,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/109\/revisions\/110"}],"wp:attachment":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/media?parent=109"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}