Die Ausgangslage im Betrieb
- Links: Heute: Hinausgehen und zählen, Oder am Monitor raten, Stand schnell überholt
- Rechts: Mit Kamera: Zahl auf Abruf, Auch nachts bei gutem Licht, Handzählung als Gegenprobe
- Urteil: Eine Hilfe, kein Ersatz für die Sicht vor Ort.
Wie viele Fahrzeuge stehen auf dem Hof? Heute zählt jemand von Hand, und der Stand ist schnell überholt.
Auf dem Betriebshof eines Logistikers stehen Lieferfahrzeuge an der Rampe, andere warten am Tor. Zwischen den Fahrzeugen lehnen Fahrräder von Beschäftigten. Die Torkontrolle muss wissen, wie viele Fahrzeuge gerade auf dem Gelände sind: für die Torplanung, für den Notfall und für die Frage, ob noch Platz ist.
Heute geht jemand hinaus und zählt, oder die Torkontrolle schaut auf einen Monitor und rät. Beides kostet Zeit. Der Stand ist außerdem nach wenigen Minuten schon wieder überholt.
Was das System tun soll
- Links: Eingabe: Foto vom Hof
- Rechts: Ausgabe: Rahmen je Objekt, Klasse, etwa Lastwagen, Sicherheit 0 bis 100 %, Zahl über der Schwelle
- Urteil: Eine Momentaufnahme, kein Protokoll.
Eingabe ist ein Foto vom Hof. Ausgabe sind Rahmen mit Klasse und Sicherheit. Gezählt wird, was über der Schwelle liegt.
Das Ziel in einem Satz: Die Kamera findet Fahrzeuge und Fahrräder im Bild, markiert sie mit einem Rahmen und zählt sie.
Die Eingabe ist ein Foto vom Hof. Die Ausgabe ist eine Liste von Rahmen. Jeder Rahmen hat eine Klasse (zum Beispiel Lastwagen oder Fahrrad) und eine Sicherheit zwischen 0 und 100 Prozent. Gezählt wird, was über der eingestellten Schwelle liegt.
Das System sagt dir, was gerade im Bild ist. Es sagt nicht, wem ein Fahrzeug gehört, wann es kam oder wohin es fährt. Zählen ist eine Momentaufnahme, kein Protokoll.
Welche Daten es braucht




Kein Anlernen nötig. Für den Pilot brauchst du Bilder der eigenen Kamera und eine Handzählung als Maßstab.
Hier brauchst du keine eigenen Beispielbilder zum Anlernen. Das Erkennungsmodell ist fertig und kennt Fahrzeugarten, Fahrräder, Personen und viele andere Alltagsgegenstände. Du brauchst nur Bilder, an denen du prüfst, ob es für deinen Hof taugt.
Im fertigen Beispiel liegen vier echte Fotos mit freier Lizenz: ein Lieferwagen am Straßenrand mit Fahrrad, ein Hof mit Containern und Lastwagen, ein Sattelzug mit Ladung und ein Kleintransporter mit abgestellten Fahrrädern. Das ist wenig und dient dem Verstehen, nicht dem Messen.
Für einen Pilot brauchst du Bilder aus deiner eigenen Kamera: bei Sonne, Regen, Dämmerung und Nacht, bei vollem und leerem Hof. Zähle zuerst von Hand, wie viele Fahrzeuge zu sehen sind. Dieser Wert ist dein Maßstab.
Zum Datenschutz: Auf einem Hof sind Menschen und Kennzeichen zu sehen. Zählen braucht weder Gesichter noch Kennzeichen. Richte die Kamera so aus, dass nur das Nötige im Bild ist, und speichere keine Bilder, wenn nur die Zahl gebraucht wird (Datenminimierung). Sind Beschäftigte sichtbar, gehören Datenschutz und Betriebsrat von Anfang an dazu.
Wie es funktioniert
- Verkleinern (auf Modellgröße)
- Kandidaten (viele Rahmen)
- Aufräumen (Doppelte zusammenführen)
- Schwelle (nur sichere zählen)
Das Netz schlägt viele Rahmen vor, doppelte werden zusammengeführt, die Schwelle lässt nur sichere zählen.
Das Verfahren heißt Objekterkennung (Labor Objekterkennung). Es unterscheidet sich von der Bildklassifikation, die ein ganzes Bild einer Klasse zuordnet. Hier wird jedes Objekt einzeln gefunden. Einen Vergleich der Aufgaben bietet die Seite Aufgaben des maschinellen Sehens.
- Bild verkleinern: Das Foto wird auf die Größe gebracht, die das Modell erwartet.
- Kandidaten finden: Das Netz schlägt sehr viele mögliche Rahmen vor, jeder mit Klasse und Sicherheit.
- Aufräumen: Rahmen, die dasselbe Objekt mehrfach markieren, werden zu einem zusammengeführt (Unterdrückung doppelter Rahmen).
- Schwelle anwenden: Nur Rahmen, deren Sicherheit über der Schwelle liegt, werden gezeigt und gezählt.
Das Beispiel zum Starten
- Niedrig: mehr Fehlalarme bis Hoch: mehr übersehen, Marker bei 50 Prozent: Voreinstellung 50 %
Ziehe die Schwelle nach unten: Es kommen mehr Treffer, aber auch Fehlalarme. Das ist der Kern des Beispiels.
Das Beispiel besteht aus den vier Fotos. Du wählst eines aus, und der Jetson zeichnet Rahmen mit Klasse und Sicherheit ein. Zähle dann die Rahmen je Klasse und vergleiche mit dem Foto.
Ziehe danach den Regler Schwelle nach unten und sieh zu, was passiert: Es kommen mehr Treffer, aber auch Fehlalarme. Das ist der Kern des Beispiels.
Nach dem Klick landest du im Labor Objekterkennung mit dem ersten Foto.
Was dabei herauskommt
- Lieferwagen: 2 Objekte
- Hof mit Containern: 3 Objekte
- Sattelzug: 1 Objekte
- Kleintransporter: 5 Objekte
Bei Schwelle 50 % findet das Modell 1 bis 5 Objekte je Foto. Auf dem Foto mit Fahrrädern fehlen kleine und verdeckte.
Bei der Voreinstellung (Schwelle 50 Prozent) erkennt das Modell bei den vier Fotos grob Folgendes: auf dem Foto mit Lieferwagen einen Lastwagen und ein Fahrrad, auf dem Foto mit dem Sattelzug einen Lastwagen, auf dem Foto des Kleintransporters einen Lastwagen und vier Fahrräder und auf dem Hof mit Containern zwei bis drei Lastwagen, je nach Bildkompression. Die Zahlen können um einen Treffer abweichen. Gemessen wurde mit demselben Modell auf einem Entwicklungsrechner. Das sind Beispielwerte.
Einordnung: Auf dem Foto mit dem Kleintransporter stehen mehr Fahrräder, als erkannt werden. Kleine und verdeckte Objekte fehlen. Auf dem Hof wird das kleine Fahrzeug im Hintergrund mitgezählt, die Container selbst kennt das Modell nicht. Die Aufgabe „Lastwagen“ klappt, weil Lastwagen groß und gut sichtbar sind.
Vier Fotos sind keine Statistik. Wie genau die Zählung für deinen Hof ist, zeigt erst ein Pilot mit deinen Bildern und deiner Handzählung als Maßstab. Die Maße dafür findest du bei Wie gut ist ein Modell?.
Stolpersteine
- Verdeckung (höherer Standpunkt)
- Kleine Objekte (näher heran)
- Fehlalarme (Schwelle anheben)
- Licht und Wetter (bei allen Bedingungen testen)
- Unbekannte Klassen (eigenes Modell)
Verdeckt, klein, im Regen: Was die Kamera schlecht sieht, fehlt in der Zählung. Unten das Gegenmittel.
- Verdeckung: Ein Fahrrad hinter einem Lastwagen sieht die Kamera nicht. Gegenmittel: höherer Kamerastandpunkt oder zwei Kameras (und dann nicht doppelt zählen).
- Kleine Objekte: Fahrzeuge weit weg bestehen aus wenigen Bildpunkten. Gegenmittel: näher heran, höhere Auflösung oder die Zählung auf einen Bereich begrenzen.
- Fehlalarme: Ein Container wird für einen Lastwagen gehalten, ein Schatten für ein Fahrrad. Gegenmittel: Schwelle anheben, Bereiche ausblenden, prüfen und beobachten.
- Licht und Wetter: Regen, Gegenlicht und Nacht verschlechtern die Erkennung. Gegenmittel: im Pilot bei allen Bedingungen testen, nicht nur bei Sonne.
- Unbekannte Klassen: Gabelstapler, Anhänger und Container kennt das Modell nicht. Gegenmittel: ein Modell, das für diese Klassen trainiert ist.
Nutzen und Aufwand
- Welche Entscheidung? (Wie viele Fahrzeuge stehen hier?)
- Welche Daten? (Kamerabilder bei allen Bedingungen)
- Wer prüft? (Torkontrolle vergleicht mit Handzählung)
Die Zahl ist ein aktueller Überblick ohne Gang über den Hof. Wer sie prüft, steht vorher fest.
Der Nutzen liegt im aktuellen Überblick ohne Gang über den Hof. Die Torkontrolle sieht auf einen Blick, wie voll es ist, und kann Entscheidungen früher treffen. Der Zähler läuft Tag und Nacht gleich gleichmäßig, wenn Licht und Kamera passen.
Handarbeit bleibt: den Pilot auswerten, die Kamera sauber aufstellen und warten, Fehlalarme prüfen und festlegen, was bei einer abweichenden Zahl passiert. Die Zählung ist eine Hilfe, kein Ersatz für die Sicht der Menschen vor Ort.
Wer prüft, sollte vorher feststehen: Zum Beispiel vergleicht die Torkontrolle ein- oder zweimal je Schicht die Zahl der Kamera mit einer Handzählung.
- Welche Entscheidung? Wie viele Fahrzeuge stehen auf dem Hof, als Hilfe für die Torplanung?
- Welche Daten? Kamerabilder des Hofs bei allen Bedingungen, ohne Gesichter und Kennzeichen zu speichern.
- Wer prüft? Die Torkontrolle vergleicht regelmäßig mit der Handzählung und meldet Abweichungen.