Computer Vision —
von Grund auf verstehen
Kein Vorwissen in KI erforderlich. Wir zeigen, wie Maschinen wirklich sehen — von Pixelwerten bis zu neuronalen Netzen — in Tempo und Tiefe, die zu Ihrem Alltag passen.
Jetzt einschreiben
Was Sie hier lernen
Das Programm ist in drei aufeinander aufbauende Phasen unterteilt — von den Grundlagen der Bildverarbeitung bis hin zu realen KI-Projekten.
Bildverarbeitung und Mathematik dahinter
Erst wenn Sie verstehen, wie ein Bild als numerische Matrix existiert, macht alles andere Sinn. Diese Phase erklärt Farbraum-Transformationen, Faltungsoperationen und Kantendetektoren — mit Python-Beispielen, die man direkt nachbauen kann.
- 1Pixel, Kanäle und Farbmodelle (RGB, HSV, Graustufen)
- 2Faltung und räumliche Filter in der Praxis
- 3Histogramme, Schwellenwerte und Segmentierung
- 4OpenCV-Grundlagen: Bilder laden, transformieren, ausgeben
Convolutional Neural Networks und Training
Hier geht es konkret: Sie bauen ein CNN von Grund auf mit PyTorch, verstehen warum Pooling-Layer wichtig sind und was genau während des Backpropagation-Schritts passiert. Kein Blackbox-Denken — jeder Layer wird erklärt.
- 5CNN-Architektur: Conv-, Pooling-, Dense-Layer
- 6Training-Pipelines und Datensatz-Management
- 7Overfitting erkennen und mit Dropout/Regularisierung beheben
- 8Transfer Learning mit vortrainierten Modellen (ResNet, EfficientNet)
Objekterkennung und Deployment
Theorie ist eine Sache — ein laufendes System eine andere. Sie trainieren ein YOLO-basiertes Modell auf eigenen Daten und deployen es als REST-API mit FastAPI. Am Ende halten Sie etwas in der Hand, das tatsächlich funktioniert.
- 9Objekterkennung: YOLO, Bounding Boxes, IoU-Metriken
- 10Datenlabeling mit Label Studio und Augmentierung
- 11Modell-Export (ONNX) und Inferenz-Optimierung
- 12API-Deployment mit FastAPI und Docker
Die Personen, die
das Programm tragen
Kein allgemeines Kursmaterial, das seit Jahren unverändert online steht. Unsere Kursleitenden arbeiten aktiv an Computer-Vision-Projekten — in der Industrie, in der Forschung und in Open-Source-Projekten.
Feedback auf Ihre Abgaben kommt von Menschen, nicht von Musterlösungs-Automaten. Das macht tatsächlich einen Unterschied bei komplexen Fragestellungen.
Kontakt aufnehmen
Tobias Vrančić
Bildverarbeitung & OpenCV
Sven Laakkonen
Deep Learning & CNN
Anja Korhonen-Brandt
Deployment & MLOpsAcht Jahre Erfahrung in der Produktivstellung von ML-Modellen. Hat unter anderem an industriellen Qualitätssicherungssystemen mitgewirkt, bei denen Frame-Raten unter 50 ms Pflicht waren.
Wie das Lernen hier abläuft
Sequenziell, aufeinander aufbauend — und so gestaltet, dass Sie wirklich vorankommen, auch neben Beruf oder Studium.
Video-Lektion
Jedes Konzept wird in 15–25 Minuten erklärt. Keine 3-Stunden-Vorlesungen. Sie können pausieren, zurückspulen und Notizen einblenden.
Code-Aufgabe
Direkt nach der Lektion folgt ein Notebook. Keine vorgefertigten Lösungen — Sie schreiben echten Code und sehen sofort, was klappt und was nicht.
Feedback-Runde
Wöchentliche Live-Sessions, in denen Sie Fragen stellen können. Abgaben werden kommentiert — konkret und auf Ihren Code bezogen.
Abschlussprojekt
Am Ende jeder Phase ein eigenes kleines Projekt. Am Ende des Programms ein vollständiges CV-System, das Sie selbst gebaut haben.
Einschreiben — wann Sie bereit sind
Das Programm läuft fortlaufend. Sie steigen ein, wenn es für Sie passt — und schließen in Ihrem eigenen Tempo ab. Fristen existieren für Feedback-Sessions, nicht für Ihren Lernweg.
- Zugang zu allen 12 Modulen ab Tag 1
- Unbegrenzte Videoauflösungen — kein Qualitätsverlust
- Wöchentliche Live-Q&A mit Kursleitenden
- Persönliches Feedback auf Ihre Projektabgaben
- Zertifikat nach erfolgreichem Abschluss
Jetzt einen Platz sichern
Kein Spam. Wir melden uns innerhalb von 24 Stunden.