Deine eigene Bild-KI (Transfer Learning)

Leg zwei bis vier eigene Klassen an, zeig der Kamera ein paar Beispiele — und dein Browser erkennt sie sofort. Das Prinzip hinter Googles Teachable Machine: ein eingefrorenes Riesennetz als Auge, ein winziges Gedächtnis als Lernteil.

🔒 Deine Daten bleiben auf deinem Gerät. Kamerabild und Fotos werden nicht hochgeladen. Das Modell wird einmal in deinen Browser geladen und rechnet danach komplett lokal auf deinem Prozessor — auch die Beispiele, die du gleich sammelst, verlassen diesen Tab nie.

👋 HerrKI hier — heute bringst du einer KI in zwei Minuten etwas Neues bei

2019 stellte Google die „Teachable Machine“ ins Netz: eine Seite, auf der man der Kamera ein paar Gegenstände zeigt, drei Knöpfe drückt — und die Maschine sie danach zuverlässig auseinanderhält. Millionen Menschen haben das ausprobiert, Lehrerinnen, Kinder, Museen. Es fühlte sich an wie Zauberei: zehn Bilder, und sie kann es.

Und genau da wird es interessant. In „Ziffern erkennen“ hast du ein Netz von Grund auf trainiert: rund 7.000 Beispielbilder, mehrere Trainingsrunden, Kaffeepause. Heute reichen zehn — und es geht sofort. Wie kann das sein? Hat jemand geschummelt?

Nein. Es ist ein Trick, der die halbe moderne KI trägt und einen Namen hat: Transfer Learning. Wir sehen ihn uns heute erst genau an — und dann baust du dir deine eigene Bild-KI.

🎯 Was du hier lernst:

Was ein Embedding ist — der „Bedeutungs-Fingerabdruck“ eines Bildes
Warum ein eingefrorenes Netz mehr wert ist als ein frisch trainiertes
Wieso 10 Beispiele genügen, wo vorher 7.000 nötig waren
Wie ein Nächste-Nachbarn-Gedächtnis (KNN) funktioniert — in drei Sätzen erklärt
Im Mitmach-Teil: deine eigenen Klassen, live erkannt — plus ein Blick in den Fingerabdruck

💡 Roter Faden: Erst das Geheimnis (runter bis auf die Zahlen im Vektor), dann das Werkzeug — und am Ende siehst du die 1.280 Zahlen, aus denen dein Browser gerade schließt: „Das ist die Kaffeetasse.“

🔍 Das Geheimnis: Das große Netz lernt heute gar nichts

Der Kern des Tricks klingt zunächst paradox: Das große neuronale Netz, das gleich in deinen Browser geladen wird (MobileNet V2, 14 MB), wird nicht trainiert. Kein einziges seiner Gewichte ändert sich, während du Beispiele sammelst. Es ist eingefroren.

Das Netz ist nur das Auge

MobileNet hat vor Jahren auf rund 1,3 Millionen Fotos (dem ImageNet-Datensatz) gelernt, Bilder zu durchschauen: Kanten, Texturen, Rundungen, Fell, Glanz, Schrift, typische Formen. Dieses Sehvermögen ist völlig unabhängig davon, ob es am Ende „Zebra“ oder „Kaffeetasse“ sagen soll. Wir benutzen deshalb nur den vorderen Teil — das Auge — und schneiden den hinteren Teil ab, der die 1.000 ImageNet-Wörter ausspuckt.

Was das Auge liefert, ist kein Bild und kein Wort, sondern eine Liste von 1.280 Zahlen. Diese Liste heißt Embedding — der Bedeutungs-Fingerabdruck deines Bildes. Zwei Fotos derselben Kaffeetasse aus zwei Winkeln ergeben zwei ähnliche Zahlenlisten. Ein Foto deiner Brille ergibt eine ganz andere. Genau das ist der Latent Space aus Kapitel 310, nur diesmal für Bilder statt für Wörter: Ähnliches liegt nah beieinander.

Dein „Training“ ist ein Gedächtnis, kein Training

Und jetzt kommt der zweite, fast schon freche Teil. Wenn ähnliche Bilder ohnehin schon nahe beieinander liegen — warum dann noch ein Netz trainieren? Es reicht, sich die Fingerabdrücke deiner Beispiele einfach zu merken. Kommt ein neues Bild, berechnen wir seinen Fingerabdruck und schauen nach: Welche gemerkten Vektoren liegen am nächsten? Die Mehrheit dieser Nachbarn bestimmt die Antwort.

Dieses Verfahren heißt KNN („k nächste Nachbarn“) und ist so alt wie schlicht: kein Gradient Descent, keine Epochen, keine Lernrate. Nur Speichern und Abstand messen. Deshalb ist dein Training hier sofort fertig — es ist gar keines.

📦 Die Reise eines Bildes — Shape für Shape

// Was mit einem Kamerabild passiert, sobald du "Sammeln" drückst:

  Kamerabild        [224, 224, 3]   // Höhe x Breite x RGB, Werte 0…1
        ↓
  MobileNet V2  🧊 EINGEFROREN — kein Gewicht ändert sich
        ↓
  Embedding         [1280]          // der Bedeutungs-Fingerabdruck
        ↓
  Gedächtnis (KNN)  // Abstand zu allen gemerkten Vektoren
        ↓
  "Kaffeetasse"     87 %       // Mehrheit der k nächsten Nachbarn
  

Nur der letzte Pfeil lernt. Alles davor ist fertiges, geschenktes Vorwissen — und genau deshalb genügen zehn Bilder statt siebentausend: Du bringst dem System nicht bei, was ein Rand oder eine Rundung ist. Das weiß es längst. Du sagst ihm nur noch, wie du die Dinge nennst.

🔑 Genau dieses Muster kennst du schon: In „Finetuning vs. Prompting“ bleibt das riesige Sprachmodell ebenfalls unangetastet, und nur ein kleiner Aufsatz lernt dazu (Stichwort LoRA). Hier ist es dasselbe in Grün: großes Netz eingefroren, winziger Aufsatz lernt. Das ist Transfer Learning — Wissen wird von einer Aufgabe auf eine andere übertragen.

🛠️ Jetzt du: bring deinem Browser zwei Dinge bei

So geht's: Modell laden → Kamera starten → bei „Klasse 1“ den Sammeln-Knopf gedrückt halten und dabei z. B. deine Kaffeetasse hin und her drehen (ca. 5 Bilder pro Sekunde) → dasselbe bei „Klasse 2“ mit einem anderen Gegenstand. Sobald in zwei Klassen je mindestens ein Beispiel liegt, läuft die Erkennung live mit. Kein Kamerazugriff? Zieh stattdessen Fotos in die Ablagefläche der jeweiligen Klasse — funktioniert genauso.

Tipp für gute Ergebnisse: 15–30 Beispiele je Klasse, Gegenstand dabei drehen, näher/weiter halten, und ruhig mal den Hintergrund wechseln. Warum gerade der Hintergrund wichtig ist, steht weiter unten — das ist die klassische Falle. 😉

Wird nur beim ersten Mal geladen und bleibt dann im Browser-Cache.

⚠️ Ehrlich bleiben: zwei Dinge, die du wissen musst

1. Die Apfel-Falle: Dein Gedächtnis lernt womöglich den Hintergrund

Angenommen, du fotografierst alle „Apfel“-Beispiele auf einem roten Tischset und alle „Birne“-Beispiele auf einem weißen. Deine KI wird beides perfekt auseinanderhalten — nur eben womöglich an der Farbe des Tisches, nicht an der Frucht. Das Embedding enthält ja alles, was im Bild war, und das Gedächtnis nimmt jede Abkürzung, die zuverlässig funktioniert. Fachleute nennen das Shortcut Learning, und es ist der Klassiker verzerrter Trainingsdaten: Das Modell hat nicht gelernt, was du meintest, sondern was in deinen Daten am leichtesten zu erkennen war. Gegenmittel: Variiere beim Sammeln bewusst den Hintergrund, die Beleuchtung und den Winkel — dann bleibt als einzige Gemeinsamkeit deiner Beispiele der Gegenstand selbst übrig. Und teste ehrlich: Halt den Apfel mal über den weißen Untergrund.

2. Das Gedächtnis lebt nur in diesem Tab

Alles, was du hier sammelst, liegt im Arbeitsspeicher deines Browsers. Lädst du die Seite neu, ist es weg — wir speichern bewusst nichts, auch nicht lokal. Das ist keine Schlamperei, sondern die konsequente Version des Versprechens ganz oben: Deine Bilder verlassen dieses Fenster nie, nicht mal in Richtung Festplatte. Wenn du gleich fertig bist: erst spielen, dann neu laden. 🙂

🧠 Kurzer Check — hast du es?

1. In Kapitel 420 brauchte das Ziffern-Netz rund 7.000 Bilder. Warum reichen hier zehn?

2. Was wird beim „Trainieren“ auf dieser Seite NICHT verändert?

3. Alle deine „Apfel“-Fotos entstehen vor einer roten Wand, alle „Birne“-Fotos vor einer weißen. Die Erkennung klappt perfekt. Was ist das Problem?

🚀 Und damit zurück nach oben: Du hast gerade genau das gebaut, was Googles Teachable Machine berühmt gemacht hat — und weißt jetzt, dass die „Zauberei“ aus zwei nüchternen Teilen besteht: einem eingefrorenen Auge und einem Gedächtnis für Vektoren. Der Kontrast zu „Ziffern erkennen“ zeigt dir, was Vorwissen wert ist; „Latent Space“ erklärt, warum Ähnliches nah beieinander liegt; und „Finetuning vs. Prompting“ ist dieselbe Idee eine Etage höher, bei den Sprachmodellen. Als Nächstes kommt in dieser Reihe die Textsuche — dasselbe Embedding-Prinzip, nur mit Sätzen statt Bildern: Sätze werden zu Vektoren, und die Suche wird zum Nachbarschaftsvergleich. Der Trick bleibt derselbe.