Vision Transformer
Definition
Ein Vision Transformer verarbeitet Bilder als Folge kleiner Bildausschnitte mit einer Transformer-Architektur.
Eine Bildmodellarchitektur, die Bildpatches als Tokensequenz mit einem Transformer verarbeitet.
Einfach erklärt
Die KI zerlegt ein Bild in kleine Kacheln und betrachtet deren Beziehungen, um das ganze Bild zu verstehen.
Warum das im Alltag wichtig ist
Der Begriff hilft, KI-Systeme fundiert auszuwählen, zu entwickeln, zu bewerten und ihre technischen Risiken realistisch einzuordnen.
Beispiel aus dem Mittelstand
Ein Qualitätsprüfer vergleicht ViT und CNN auf Defekten mit begrenzten Trainingsdaten.
Grenzen und Fallstricke
- ViT ist keine einzelne feste Architektur; Datenbedarf, Patchgröße und Vortraining beeinflussen Leistung und Kosten.
Entstehung & Geschichte
Dosovitskiy und Mitautoren veröffentlichten ViT 2020 und zeigten starke Ergebnisse bei großem Vortraining.
Anwendung im Mittelstand
- Mögliche Anwendung: Ein Qualitätsprüfer vergleicht ViT und CNN auf Defekten mit begrenzten Trainingsdaten.
Häufige Fragen
Was bedeutet Vision Transformer?
Eine Bildmodellarchitektur, die Bildpatches als Tokensequenz mit einem Transformer verarbeitet. Worauf sollte man achten? ViT ist keine einzelne feste Architektur; Datenbedarf, Patchgröße und Vortraining beeinflussen Leistung und Kosten.
Quellen
- An Image is Worth 16x16 Words · Dosovitskiy et al., An Image is Worth 16x16 Words
Quelle geprüft am 10.10.2026. Redaktionelle Anwendungsbeispiele sind hypothetisch; kein Nachweis realer Kundenergebnisse.
Redaktionell geprüft am: