Bounding Box

Eine Bounding Box ist ein Rechteck, das um ein Objekt in einem Bild gelegt wird. Es soll das Objekt möglichst knapp umschließen, also ohne viel leeren Rand. Der Rahmen sagt zwei Dinge: wo etwas ist und meist auch, worum es sich handelt. Ein Foto einer Straße kann so ein Rechteck um jedes Auto, jeden Fußgänger und jedes Verkehrsschild bekommen. Technisch ist so ein Rechteck nur eine Handvoll Zahlen, zum Beispiel die Position der linken oberen Ecke sowie Breite und Höhe. Genau diese schlichte Darstellung macht die Bounding Box zum Standardwerkzeug überall dort, wo Software Objekte in Bildern finden soll.

Warum Rechtecke und keine exakten Umrisse

Man könnte ein Objekt auch pixelgenau nachzeichnen. Das nennt sich Segmentierung und ist deutlich präziser. Aber es ist auch viel aufwendiger: Ein Mensch braucht für einen sauberen Umriss ein Vielfaches der Zeit, die ein Rechteck kostet. Bei Datensätzen mit Millionen Bildern entscheidet dieser Unterschied darüber, ob ein Projekt bezahlbar ist.

Dazu kommt: Für viele Aufgaben reicht das Rechteck völlig aus. Ein Fahrassistent muss wissen, dass ein Fahrradfahrer rechts vorne ist und wie weit er sich nähert. Die exakte Kontur des Lenkers spielt dafür keine Rolle. Erst wenn ein Roboterarm ein Objekt greifen soll, wird die genaue Form wichtig.

Bounding Boxes sind außerdem die Grundlage für Trainingsdaten. Ein Erkennungsmodell lernt nur, was Menschen ihm vorher gezeigt haben. Zehntausende von Hand gezogene Rechtecke sind das Material, aus dem später die automatische Erkennung entsteht. Schlampig gesetzte Rahmen führen zu einem schlampigen Modell — das ist einer der häufigsten Gründe für schlechte Ergebnisse in der Bilderkennung.

Von vier Zahlen zur Objekterkennung

Eine Box wird als Zahlenreihe gespeichert. Üblich sind entweder die Koordinaten zweier gegenüberliegender Ecken oder Mittelpunkt plus Breite und Höhe. Dazu kommen ein Klassenname wie „Hund“ und oft ein Konfidenzwert. Dieser Wert zwischen null und eins drückt aus, wie sicher sich das Programm bei seiner Einschätzung ist.

Ein Erkennungsmodell schlägt für ein Bild zunächst sehr viele mögliche Rechtecke vor, manchmal Tausende. Die meisten überlappen sich oder enthalten gar nichts. Ein Nachbearbeitungsschritt wirft dann alle Vorschläge weg, die stark mit einem sichereren Vorschlag überlappen. Übrig bleibt pro Objekt möglichst genau ein Rahmen.

Um die Qualität zu messen, vergleicht man die vorhergesagte Box mit der von Hand gesetzten. Dafür berechnet man, wie groß die gemeinsame Fläche im Verhältnis zur gesamten abgedeckten Fläche ist. Dieses Maß heißt Intersection over Union. Liegt es über einem Schwellwert, meist 0,5, gilt die Erkennung als richtig. Ein typischer Irrtum ist, eine Box als „falsch“ abzutun, nur weil sie um wenige Pixel verschoben ist — entscheidend ist die Überlappung, nicht die perfekte Deckung.

Vom Handyfoto bis zur Qualitätskontrolle

Am sichtbarsten sind Bounding Boxes in der Kamera-App des Handys. Die kleinen Rahmen, die um Gesichter springen, sind genau das. Auch Fotoverwaltungen nutzen sie, um Personen zu erkennen und Bilder automatisch zu sortieren. In Videokonferenzen entscheiden sie mit, welcher Ausschnitt gezeigt wird.

In der Industrie prüfen Kameras mit solchen Rahmen Bauteile auf Kratzer oder falsch sitzende Schrauben. In der Landwirtschaft markieren Drohnenaufnahmen befallene Pflanzen. Im Straßenverkehr sind Bounding Boxes die Zwischenstufe zwischen Kamerabild und Fahrentscheidung. Und in der Medizin helfen sie, auffällige Stellen auf Röntgenbildern hervorzuheben, die ein Arzt anschließend beurteilt.

In Nachrichten taucht der Begriff oft im Zusammenhang mit Datenannotation auf. Ganze Firmen leben davon, Rechtecke in Bilder zu zeichnen, häufig mit Personal in Ländern mit niedrigen Löhnen. Wenn über die Kosten und die Arbeitsbedingungen hinter KI-Systemen berichtet wird, geht es sehr oft genau um diese Tätigkeit.