{"id":186712,"date":"2026-02-18T10:25:03","date_gmt":"2026-02-18T09:25:03","guid":{"rendered":"https:\/\/liora.io\/de\/?p=186712"},"modified":"2026-02-18T15:10:37","modified_gmt":"2026-02-18T14:10:37","slug":"you-only-look-once-yolo-was-ist-das","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/you-only-look-once-yolo-was-ist-das","title":{"rendered":"You Only Look Once (YOLO): Was ist das?"},"content":{"rendered":"\n

You Only Look Once oder YOLO ist ein Algorithmus, der Objekte auf den ersten Blick erkennen kann, indem er die Erkennung und Klassifizierung gleichzeitig durchf\u00fchrt. Hier erf\u00e4hrst du alles, was du \u00fcber diesen revolution\u00e4ren Ansatz f\u00fcr KI und Computer Vision wissen musst!<\/strong><\/p>\n\n\n\n

Im Bereich der Computer Vision<\/a> ist die Erkennung von Objekten eine der wichtigsten S\u00e4ulen. Die F\u00e4higkeit, Objekte in Bildern und Videos zu erkennen und zu klassifizieren, ist f\u00fcr viele moderne Technologien unerl\u00e4sslich.\u00a0Dies gilt f\u00fcr autonome Fahrzeuge, \u00dcberwachungssysteme, Robotik oder auch generative k\u00fcnstliche Intelligenz<\/a>.<\/p>\n\n\n\n

Nach jahrelanger Forschung zur Verbesserung der Leistung und Effizienz von Erkennungssystemen hat ein innovativer Algorithmus, der von Joseph Redmon eingef\u00fchrt wurde, im Jahr 2016 alles ver\u00e4ndert: YOLO, You Only Look Once.<\/p>\n\n\n

Zurück zu den Ursprüngen der Objekterkennungssysteme<\/h2>\n\n\n\n

Die Objekterkennung ist eine grundlegende Aufgabe der Computer Vision. Sie ist die Grundlage f\u00fcr eine Vielzahl neuer Innovationen, wie z. B. Gesichtserkennung, Augmented Reality, automatisierte \u00dcberwachung und sogar autonomes Fahren. Fr\u00fcher basierten die am h\u00e4ufigsten verwendeten Techniken haupts\u00e4chlich auf traditionellen, mehrstufigen Ans\u00e4tzen. Diese Methoden waren zwar effektiv, hatten aber gro\u00dfe Nachteile in Bezug auf die Verarbeitungsgeschwindigkeit.<\/p>\n\n\n\n

Bei Region-Based Convolutional Neural Networks (oder R-CNN)<\/a> ging es z. B. darum, zun\u00e4chst Regionen von Interesse (Rols) aus dem Bild vorzuschlagen. Um dies zu erreichen, wurden haupts\u00e4chlich Algorithmen zur Segmentierung oder zur Erkennung von Wettbewerben verwendet. Jede Rols wurde dann in der Gr\u00f6\u00dfe ver\u00e4ndert, um in einen Klassifikator wie z.B. ein Convolutional Neural Network (CNN) eingegeben zu werden.<\/strong> Das Ziel war es, zu bestimmen, ob sich ein Objekt in einer Region befand.<\/p>\n\n\n\n

Diese Technik war damals ein bedeutender Fortschritt, litt aber aufgrund der gro\u00dfen Anzahl an zu bewertenden Kandidatenregionen an einer erheblichen Langsamkeit. Um diese Einschr\u00e4nkungen zu \u00fcberwinden, wurde Fast R-CNN ins Leben gerufen. Sie erm\u00f6glichte es, die Klassifizierung von ROls direkt von einer Karte mit gemeinsamen Merkmalen des CNN aus vorzunehmen, anstatt separate Klassifizierer zu verwenden.<\/p>\n\n\n\n

Trotz des Geschwindigkeitsgewinns im Vergleich zu R-CNN blieb der Auswahlprozess langsam und komplex. Deshalb wurde der Faster R-CNN-Ansatz geschaffen, der den Vorschlag der Regionen von Interesse durch ein Netzwerk einf\u00fchrte. Diese Entwicklung erm\u00f6glichte eine weitere Automatisierung und Beschleunigung der Rols-Generierung,<\/strong> blieb aber aufgrund der vielen sequentiellen Schritte, die f\u00fcr die Erkennung von Objekten erforderlich waren, hoffnungslos langsam.<\/p>\n\n\n\n

Abgesehen von der fehlenden Geschwindigkeit hatten diese verschiedenen Methoden mehrere M\u00e4ngel, wie z. B. die computertechnische Komplexit\u00e4t und die Schwierigkeit der Skalierung. Dies schr\u00e4nkte ihre Anwendbarkeit in Szenarien, die eine Echtzeit-Erkennung erforderten, stark ein. Ihre Effektivit\u00e4t hing auch von der Qualit\u00e4t der vorgeschlagenen Regionen von Interesse ab,<\/strong> was zu Fehlern bei der Erkennung f\u00fchren konnte, wenn wichtige Regionen verpasst wurden.<\/p>\n\n\n\n

Aus all diesen Gr\u00fcnden war es h\u00f6chste Zeit f\u00fcr eine neue Technik, die alles in diesem Bereich auf den Kopf stellt. Und genau das ist mit YOLO geschehen.<\/p>\n\n\n\n

\n
Alles \u00fcber YOLO lernen<\/a><\/div>\n<\/div>\n\n\n

Was ist You Only Look Once ?<\/h2>\n\n\n\n
\"Detektor-Objekte-einfache-Gitter-Projektionen.jpg\"<\/figure>\n\n\n\n

Der Grund, warum You Only Look Once einen Wendepunkt darstellte, war sein innovativer Ansatz. Indem es gleichzeitig die Erkennung und Klassifizierung von Objekten in einem einzigen Durchgang durch ein faltendes neuronales Netz durchf\u00fchrte, konnte es Echtzeitgeschwindigkeit und Genauigkeit miteinander verbinden.<\/strong> Ihre Pipeline-Architektur in Verbindung mit Mechanismen f\u00fcr bestimmte Regionen von Interesse hat alle \u00e4lteren Methoden \u00fcbertroffen und sie \u00fcberfl\u00fcssig gemacht.<\/p>\n\n\n\n

Tats\u00e4chlich unterscheidet sich ihre Struktur grundlegend von herk\u00f6mmlichen Techniken. Anstatt in einem ersten Schritt Regionen von Interesse vorzuschlagen, teilt sie das Eingabebild in ein Gitter von Zellen auf, von denen jede daf\u00fcr verantwortlich ist, die Koordinaten der Bounding Boxes f\u00fcr die erkannten Objekte und die Wahrscheinlichkeit, dass sie zu verschiedenen Klassen geh\u00f6ren, vorherzusagen.<\/p>\n\n\n\n

Vereinfacht gesagt, sagt jede Zelle einen Satz von Bounding Boxes und die entsprechenden Konfidenzwerte f\u00fcr jede Klasse voraus, wobei diese Vorhersagen direkt aus den vom CNN extrahierten Merkmalen abgeleitet werden. Dadurch entf\u00e4llt die Notwendigkeit, das Bild mehrmals zu durchlaufen.<\/p>\n\n\n\n

Diese Verwendung eines faltenden neuronalen Netzes zur Extraktion von Merkmalen<\/strong> aus dem Eingabebild ist das Herzst\u00fcck von YOLO. Das CNN besteht aus mehreren Faltungsschichten und Unterabtastung (Pooling), um n\u00fctzliche Muster und Merkmale auf verschiedenen r\u00e4umlichen Skalen zu erfassen. Dadurch k\u00f6nnen relevante Darstellungen von Objekten automatisch erlernt und Faltungsoperationen effizient durchgef\u00fchrt werden, wodurch die Rechnungskosten stark reduziert werden.<\/p>\n\n\n\n

Ein weiteres Schl\u00fcsselmerkmal ist die Verwendung von „Regionen von Interesse“ oder „Anchors“, die vordefinierte, umschlie\u00dfende Boxen unterschiedlicher Gr\u00f6\u00dfe und Form sind, die als Referenz f\u00fcr Vorhersagen dienen. Jede Gitterzelle ist mit einer bestimmten Anzahl von Anchors verkn\u00fcpft, was YOLO dabei hilft, die Erkennung \u00fcber verschiedene Objekttypen und Ma\u00dfst\u00e4be hinweg zu verallgemeinern. Dadurch wird die Erkennungsgenauigkeit erheblich gesteigert.<\/p>\n\n\n\n

 <\/p>\n\n\n\n

?Auch interessant:<\/p>\n\n\n\n

Was genau ist ein Deep Neural Network?<\/a><\/td><\/tr>
Recurrent Neural Network (RNN): Was genau ist das?<\/a><\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n

Was sind die Vorteile?<\/h2>\n\n\n\n

Offensichtlich bietet You Only Look Once<\/strong> mehrere wichtige Verbesserungen im Vergleich zu fr\u00fcheren Methoden der Objekterkennung. Dadurch wurde es zu einem der am h\u00e4ufigsten verwendeten Algorithmen f\u00fcr die Computer Vision<\/a>. Seine gr\u00f6\u00dfte St\u00e4rke ist seine F\u00e4higkeit, Objekte sofort zu erkennen und die Gesamtzahl der erforderlichen Berechnungen zu reduzieren.<\/p>\n\n\n\n

Die Ressourcennutzung wird optimiert, da gemeinsam genutzte Merkmale nur einmal berechnet werden. Dar\u00fcber hinaus zeichnet sich YOLO auch durch seine Leistung und Genauigkeit aus. Sein Pipeline-Ansatz<\/a> erm\u00f6glicht es ihm, auf Objekte mit unterschiedlichen Formen zu verallgemeinern, was ihn robust gegen\u00fcber einer Vielzahl von Szenarien macht.<\/p>\n\n\n\n

Es eignet sich auch hervorragend f\u00fcr die Verarbeitung von hochaufl\u00f6senden Bildern, da seine effiziente Architektur es erm\u00f6glicht, gr\u00f6\u00dfere Bilder zu verarbeiten, ohne dabei an Geschwindigkeit einzub\u00fc\u00dfen. Dies ist ein gro\u00dfer Vorteil f\u00fcr Anwendungen wie Luft- und Satellitenortung.<\/p>\n\n\n\n

\n
Lerne YOLO<\/a><\/div>\n<\/div>\n\n\n\n

Wozu dient es? Welche Anwendungen gibt es?<\/h2>\n\n\n\n

You Only Look Once<\/strong> hat sich aufgrund seiner Flexibilit\u00e4t und Effizienz in einer Vielzahl von Bereichen und Anwendungsgebieten etabliert, z. B. in autonomen Fahrzeugen, um Fu\u00dfg\u00e4nger, andere Fahrzeuge, Verkehrsschilder und andere potenzielle Hindernisse auf der Stra\u00dfe in Echtzeit zu erkennen und zu verfolgen. Dadurch k\u00f6nnen die Steuerungssysteme sofort auf Ver\u00e4nderungen reagieren, um ein sicheres Fahren zu gew\u00e4hrleisten.<\/p>\n\n\n\n

Bei der Video\u00fcberwachung kann YOLO verd\u00e4chtige Aktivit\u00e4ten, Eindringlinge oder zur\u00fcckgelassene Gegenst\u00e4nde selbst in einer Menschenmenge erkennen. Ebenso kann es verwendet werden, um Menschen oder Tiere aufzusp\u00fcren, die sich an schwer zug\u00e4nglichen Orten verirrt haben. Sie kann auch f\u00fcr Sicherheitskontrollen in Flugh\u00e4fen, Bahnh\u00f6fen und anderen Einrichtungen eingesetzt werden.<\/p>\n\n\n\n

Seine F\u00e4higkeit zur Aktivit\u00e4tserkennung kann auch n\u00fctzlich sein, um die Bewegungen von Personen in Videosequenzen zu erkennen und zu verfolgen. Dies ist ein relevanter Anwendungsfall f\u00fcr die \u00dcberwachung gro\u00dfer Bereiche wie Stadien, Einkaufszentren oder bei gro\u00dfen Sportveranstaltungen. Ein weiteres Anwendungsbeispiel ist die Steuerung des Autoverkehrs. Der Algorithmus kann f\u00fcr die automatische Erkennung von Nummernschildern und Gesichtern verwendet werden.<\/p>\n\n\n\n

Im Bereich der Medizin wird You Only Look Once zur Erkennung von Anomalien oder bestimmten Objekten in medizinischen Bildern wie R\u00f6ntgenaufnahmen, MRTs oder CTs verwendet. Es kann dazu beitragen, Krankheiten fr\u00fchzeitig zu diagnostizieren, indem es den Prozess der Bildanalyse beschleunigt. Dies kann sich in medizinischen Notfallsituationen als lebenswichtig erweisen.<\/p>\n\n\n\n

Fazit: YOLO, eine der treibenden Kr\u00e4fte der neuen KI-Welle<\/h2>\n\n\n\n

Indem You Only Look Once zum ersten Mal eine sofortige Objekterkennung erm\u00f6glichte,<\/a> er\u00f6ffnete es unz\u00e4hlige neue M\u00f6glichkeiten f\u00fcr die Computer Vision. Es ist eine der Innovationen, die die KI in ein neues Zeitalter gef\u00fchrt haben.<\/p>\n\n\n\n

Um zu lernen, wie man mit den besten Algorithmen der k\u00fcnstlichen Intelligenz umgeht, kannst du dich f\u00fcr Liora entscheiden. Unsere verschiedenen Kurse in Data Science beinhalten Module, die sich mit KI und ihren verschiedenen Zweigen besch\u00e4ftigen. Dazu geh\u00f6ren Machine Learning, Reinforcement Learning, neuronale Netze und Tools wie Keras, TensorFlow<\/a> und PyTorch.<\/p>\n\n\n\n

In unseren Kursen kannst du alle F\u00e4higkeiten erwerben, die du brauchst, um Data Analyst, Data Scientist, Data Engineer, Data Product Manager oder Machine Learning Engineer zu werden. Alle unsere Kurse werden im Fernunterricht durchgef\u00fchrt und sind durch den Bildungsgutschein<\/strong> f\u00f6rderf\u00e4hig. Am Ende des Kurses kannst du ein staatlich anerkanntes Zertifikat „Projektmanager f\u00fcr k\u00fcnstliche Intelligenz“, ein Diplom von Mines ParisTech PSL Executive \u00c9ducation und ein Zertifikat unserer Cloud-Partner AWS und Microsoft Azure erwerben. Entdecke Liora!<\/strong><\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
\n
Beginne deine Weiterbildung<\/a><\/div>\n<\/div>\n\n\n\n