Convolutional Neural Network (CNN)
Was ist ein Convolutional Neural Network (CNN)?
Ein Convolutional Neural Network (CNN) ist ein künstliches neuronales Netz, das räumliche Muster in strukturierten Daten erkennt. Es verarbeitet vor allem Bilder, kann aber auch Audio-, Video- und Zeitreihendaten analysieren. Charakteristisch sind lernbare Filter, die Merkmale wie Kanten, Formen und komplexe Objekte schrittweise erfassen.
Ein Convolutional Neural Network (CNN), deutsch: konvolutionales neuronales Netz, ist eine Architektur des Deep Learnings. Ihre Struktur orientiert sich an der räumlichen Anordnung der Eingangsdaten. Dadurch kann ein CNN beispielsweise erkennen, welche benachbarten Bildpunkte gemeinsam eine Kante, eine Textur oder ein Objekt bilden.
Die Bezeichnung Convolution beschreibt die mathematische Faltungsoperation. Dabei bewegt sich ein kleiner Filter über die Eingabedaten und berechnet für jeden Ausschnitt einen neuen Wert. Das Netz lernt während des Trainings selbst, welche Filter für die jeweilige Aufgabe geeignet sind.
Wie funktioniert ein CNN?
Ein CNN verarbeitet Daten in mehreren Schichten. Frühe Ebenen erkennen einfache Merkmale wie horizontale Linien, Farbwechsel oder Kanten. Tiefere Ebenen kombinieren diese Signale zu komplexeren Strukturen, beispielsweise Augen, Räder, Produktformen oder vollständigen Objekten.
Filter erkennen lokale Merkmale
Ein Filter, auch Kernel genannt, ist eine kleine Matrix mit lernbaren Gewichten. Bei einem Bild kann ein Filter beispielsweise eine Fläche von 3 × 3 Pixeln untersuchen. Der Filter wird schrittweise über das Bild bewegt und erzeugt eine Merkmalskarte, die anzeigt, wo ein bestimmtes Muster vorkommt.
Die Schrittweite des Filters heißt Stride. Ein Stride von eins verschiebt den Filter jeweils um ein Pixel. Ein höherer Wert verkleinert die erzeugte Merkmalskarte, senkt den Rechenaufwand und kann zugleich feine Details überspringen.
Pooling verdichtet die Informationen
Pooling fasst benachbarte Werte einer Merkmalskarte zusammen. Beim Max-Pooling wird beispielsweise nur der größte Wert eines Ausschnitts übernommen. Das Netz behält dadurch besonders auffällige Merkmale und reagiert weniger empfindlich auf kleine Verschiebungen eines Objekts.
Moderne Architekturen verwenden statt klassischem Pooling teilweise Faltungsschichten mit größerer Schrittweite. Beide Verfahren reduzieren die räumliche Auflösung. Welche Methode geeigneter ist, hängt von der Aufgabe, der Datenmenge und der gewünschten Genauigkeit ab.
So lernt das neuronale Netz
Ein CNN wird mit Beispieldaten trainiert. Bei einer Bildklassifikation erhält das Modell Bilder zusammen mit der korrekten Kategorie. Es berechnet zunächst eine Vorhersage, vergleicht sie über eine Verlustfunktion mit dem erwarteten Ergebnis und passt anschließend seine Gewichte an.
Die Anpassung erfolgt durch Backpropagation und ein Optimierungsverfahren wie den stochastischen Gradientenabstieg. Der Fehler wird dabei von der Ausgabe durch die vorherigen Schichten zurückgeführt. Nach zahlreichen Trainingsdurchläufen sollen Filter entstehen, die für neue, bisher unbekannte Eingaben verwertbare Merkmale erkennen.
Die Qualität des Ergebnisses hängt von geeigneten Trainingsdaten, korrekten Labels und einer passenden Modellarchitektur ab. Enthält der Datensatz überwiegend ähnliche Motive oder systematische Zuordnungsfehler, übernimmt das Modell diese Verzerrungen. Eine hohe Trainingsgenauigkeit allein belegt deshalb keine zuverlässige Leistung auf neuen Daten.
Typen von CNN-Modellen
Die Dimension eines CNN richtet sich nach der Struktur der Eingangsdaten. Ein eindimensionales Modell bewegt seine Filter entlang einer Achse, während zwei- und dreidimensionale Modelle räumliche Zusammenhänge über mehrere Achsen erfassen.
| Variante | Typische Daten | Beispiel |
|---|---|---|
| 1D-CNN | Zeitreihen, Audiodaten, Textsequenzen | Erkennung von Signal- oder Satzmustern |
| 2D-CNN | Bilder und zweidimensionale Matrizen | Bildklassifikation und Objekterkennung |
| 3D-CNN | Videos und medizinische Volumendaten | Bewegungsanalyse und Auswertung von CT-Daten |
Für komplexe Aufgaben werden häufig spezialisierte Architekturen eingesetzt. Klassifikationsmodelle ordnen ein Bild einer Kategorie zu. Objekterkennungsmodelle bestimmen zusätzlich die Position einzelner Gegenstände. Segmentierungsmodelle weisen jedem Pixel eine Klasse zu und können dadurch beispielsweise Produkt, Hintergrund und Verpackung voneinander trennen.
CNN im Online-Marketing
CNN-Modelle können im E-Commerce große Bildbestände klassifizieren, ähnliche Produkte erkennen und visuelle Qualitätsmängel aufdecken. Ein Onlineshop kann damit beispielsweise prüfen, ob Produktbilder den richtigen Kategorien zugeordnet sind oder ob mehrfach verwendete Motive den Katalog uneinheitlich machen.
Für SEO ist ein CNN kein direkter Ranking-Faktor. Bildanalyse kann jedoch Prozesse unterstützen, die sich auf die organische Auffindbarkeit und Nutzererfahrung auswirken. Dazu gehören die Erkennung fehlender Produktmotive, die Vorbereitung sinnvoller Bildbeschreibungen und die thematische Zuordnung visueller Inhalte. Die redaktionelle Kontrolle bleibt erforderlich, weil ein erkanntes Objekt noch keinen guten Alternativtext ergibt.
Im SEA können Modelle Werbemittel nach Motiven, Farben oder Bildaufbau gruppieren. Werden diese Merkmale mit CTR, Conversion-Rate und Umsatzdaten verbunden, lässt sich untersuchen, welche visuellen Eigenschaften bei bestimmten Zielgruppen häufiger mit einer Reaktion zusammenfallen. Die Korrelation allein beweist jedoch keine Ursache.
Für GEO, also Generative Engine Optimization, werden visuelle Inhalte relevanter, sobald KI-Systeme multimodale Eingaben aus Text und Bild verarbeiten. Unternehmen sollten Bilder deshalb eindeutig in den Seitenkontext einbetten und mit verständlichen Dateinamen, Bildunterschriften sowie umgebendem Text versehen. Weitere Grundlagen liefert der Ratgeber zur Auffindbarkeit in ChatGPT und anderen KI-Systemen.
Datenqualität bestimmt den Nutzen
In Marketingprojekten entsteht der größte Nutzen selten durch die Modellarchitektur allein. Entscheidend ist die Verbindung von Bildmerkmalen mit belastbaren Kampagnen-, Produkt- und Conversion-Daten. Eine KI kann nur dann verwertbare Zusammenhänge finden, wenn Kategorien konsistent definiert und Erfolgskennzahlen sauber erfasst wurden.
Die KI-gestützte Analyse von Inhalten folgt demselben Grundprinzip: Das Modell liefert Muster und Vorschläge, während fachliche Kriterien über die Umsetzung bestimmen. Für die Erstellung und Qualitätssicherung größerer Inhaltsbestände kann zusätzlich eine strukturierte Content-Strategie mit klaren Prüfprozessen erforderlich sein.
Abgrenzung zu verwandten Modellen
Der Unterschied zwischen einem CNN und einem gewöhnlichen vollständig verbundenen neuronalen Netz liegt in der Verarbeitung räumlicher Beziehungen. Ein vollständig verbundenes Netz verknüpft jedes Eingabeelement mit zahlreichen Neuronen. Ein CNN verwendet lokale Filter und geteilte Gewichte, wodurch es Bildmuster mit weniger Parametern erfassen kann.
Der Unterschied zwischen einem CNN und einem Recurrent Neural Network liegt in der Datenstruktur. Rekurrente Netze wurden vor allem für Reihenfolgen und zeitliche Abhängigkeiten entwickelt. CNN-Filter untersuchen dagegen lokale Ausschnitte und können mehrere Positionen parallel verarbeiten.
Vision Transformer teilen Bilder in Abschnitte auf und modellieren deren Beziehungen mit Attention-Mechanismen. CNNs priorisieren lokale Nachbarschaften bereits durch ihre Architektur. Vision Transformer können globale Beziehungen flexibel erfassen, benötigen je nach Modell und Trainingsverfahren jedoch umfangreiche Daten und Rechenressourcen. Viele moderne Systeme kombinieren Eigenschaften beider Ansätze.
Häufige Fragen zu CNN-Modellen
Ist ein CNN künstliche Intelligenz?
Ja. Ein CNN ist ein Verfahren des maschinellen Lernens und gehört zum Deep Learning. Es lernt Merkmale aus Beispieldaten, statt für jedes erkennbare Muster eine feste Regel zu erhalten.
Wie viele Bilder braucht ein CNN zum Lernen?
Die notwendige Datenmenge hängt von der Aufgabe, der Vielfalt der Motive und der Modellgröße ab. Transfer Learning kann den Bedarf reduzieren, weil ein bereits vortrainiertes Modell an die neue Aufgabe angepasst wird.
Kann ein CNN auch Text verarbeiten?
Ja. Ein 1D-CNN kann lokale Muster in Textsequenzen erkennen, beispielsweise charakteristische Wortgruppen. Für viele komplexe Sprachaufgaben werden inzwischen häufiger Transformer eingesetzt.
Was ist ein Kernel bei einem CNN?
Ein Kernel ist eine kleine Matrix mit lernbaren Gewichten. Er wird über die Eingabedaten bewegt und berechnet eine Merkmalskarte, die das Vorkommen bestimmter Strukturen abbildet.
Warum verwendet ein CNN mehrere Filter?
Mehrere Filter können unterschiedliche Merkmale lernen. Ein Filter reagiert möglicherweise auf Kanten, ein anderer auf Texturen und ein weiterer auf bestimmte Formen oder Farbübergänge.
Braucht man für ein CNN eine Grafikkarte?
Kleine Modelle lassen sich auf einer CPU trainieren und ausführen. Für große Bildbestände, tiefe Architekturen oder kurze Trainingszeiten beschleunigt eine geeignete GPU die vielen parallelen Matrixberechnungen deutlich.
Wenn du KI-Auswertungen mit eigenen SEO-, SEA- und GEO-Daten verbinden möchtest, kannst du einen Free Account mit einem kostenlosen SEO-Audit anlegen.
Sie haben noch Fragen?
