Wie man mit Computer Vision und KI 11.000 $ im Monat verdient

Vollständiger Leitfaden für Anfänger ohne Programmierkenntnisse

Internationaler Markt. Einkommen in Dollar.

So nutzt du diesen Leitfaden. Lies ihn der Reihe nach.

Teile 1–3 helfen dir zu verstehen, worum es geht und wie du darüber denken solltest.

Teile 4–5 sind praktisch: Du führst deinen ersten Code aus.

Teile 6–8 verwandeln die Fähigkeit in Geld.

Am Ende gibt es ein FAQ und ein Glossar (wenn dir ein Wort unbekannt ist, schau dort nach).

Inhaltsverzeichnis

1. Was das ist und warum Leute dafür bezahlen
2. Deine Werkzeuge – was sie sind und warum (in einfachen Worten)
3. Wie man mit KI arbeitet – deine Hauptfähigkeit statt Programmieren
4. Deinen ersten Code in Google Colab ausführen – Schritt für Schritt
5. Das gebrauchsfertige Skript-Kit (mit Erklärung, was jedes tut)
6. Portfolio – drei Projekte, die sich verkaufen
7. Wo du Kunden findest und wie viel du verlangen solltest (mit englischen Vorlagen)
8. Dein 90-Tage-Plan
9. Geld-Benchmarks
10. Häufig gestellte Fragen (FAQ)
11. Was du NICHT tun solltest
12. Glossar

Teil 1. Was das ist und warum Leute dafür bezahlen

Computer Vision ist eine Technologie, die es einem Computer ermöglicht, ein Foto oder Video zu „betrachten" und zu verstehen, was darin ist: welche Objekte vorhanden sind, wo sie sind, wohin sie sich bewegen, wie viele es gibt. Im Wesentlichen macht es dasselbe wie das menschliche Auge und Gehirn – nur automatisch und gleichzeitig über beliebig viele Kameras.

Die vier Videos, die das alles ins Rollen gebracht haben, sind keine Spielzeug-Tutorials – es sind vier echte kommerzielle Aufgaben:

• Objekte zählen – Lagerhäuser, Inventar, Bestandskontrolle.
• Personen/Fahrzeuge verfolgen und zählen – Geschäfte (wie viele kamen herein), Straßen (wie viele fuhren vorbei).
• Geschwindigkeitsschätzung – Verkehrsüberwachung, Straßen- und Baustellensicherheit.
• Sportanalyse – Spieler verfolgen, Spiele analysieren (eine riesige Branche).

Unternehmen bezahlen ständig für solche Dinge: Einzelhandel, Sicherheit, Straßenverkehr, Fertigung (Fehlerkontrolle), Landwirtschaft, Sport, Logistik.

Warum kann das jetzt jemand ohne Abschluss und ohne Programmierkenntnisse tun? Weil zwei Dinge aufgetaucht sind:

1. Fertige Werkzeuge, die bereits „sehen" können (keine Notwendigkeit, sie zu erfinden – du führst sie einfach aus).
2. KI-Assistenten, die Code für dich schreiben und korrigieren.

Früher brauchte man dafür einen Ingenieur mit jahrelanger Erfahrung. Jetzt besteht deine Aufgabe darin, fertige Bausteine zusammenzusetzen und der KI zu erklären, was du brauchst.

Ehrliche Worte darüber, was tatsächlich funktionieren wird:

• Dieser Weg führt am besten zu Freelancing und schlüsselfertigen Projekten – du baust dem Kunden ein funktionierendes System (z. B. Besucherzählung) und wirst für das Ergebnis bezahlt. Das ist der Hauptweg (Weg B unten).
• Es ist schwieriger und langsamer für Vollzeit-Ingenieurjobs in einem Unternehmen: In Vorstellungsgesprächen werden sie dich immer noch bitten, live Code zu schreiben, und KI allein reicht nicht aus. Dorthin gehen Leute, sobald sie Projekterfahrung haben (Weg A).

Mit anderen Worten: Geld kommt am schnellsten von Kunden für fertige Arbeit, nicht als Angebot eines großen Konzerns.

Teil 2. Deine Werkzeuge – was sie sind und warum

Hab keine Angst vor den Namen. Hier ist, was das alles in einfacher Sprache bedeutet:

• YOLO – das „Auge". Ein fertiges Modell, das Objekte in einem Bild findet und einen Rahmen mit einer Bezeichnung darum zeichnet („Person", „Auto"). Wird mit einer einzigen Zeile heruntergeladen, sofort verwendbar.
• ByteTrack – der „Speicher". Alleinstehend sieht YOLO jedes Bild von Grund auf neu. ByteTrack verknüpft Objekte zwischen den Bildern und weist ihnen Nummern (IDs) zu, sodass es versteht: Diese Person in Sekunde 1 und in Sekunde 5 ist dieselbe. Ohne dies kannst du nicht zählen oder Bewegungen messen.
• Supervision – der „Baukasten". Eine Bibliothek mit fertigen Bausteinen: Rahmen zeichnen, eine Zähllinie hinzufügen, eine Zone definieren, Überquerungen zählen. Es verwandelt „das Modell sieht Objekte" in „das Programm zählt Ein- und Ausgänge".
• Roboflow – die „Fast-No-Code-Plattform". Im Browser: Du markierst deine Daten mit der Maus, trainierst ein Modell mit ein paar Klicks und erhältst eine fertige API. Und im Bereich Roboflow Universe gibt es Tausende bereits trainierter Modelle – oft musst du gar nichts trainieren, sondern nimmst einfach ein fertiges.
• Google Colab – der „Computer in deinem Browser". Eine kostenlose Umgebung, in der Code auf Googles Servern läuft. Du brauchst keinen leistungsstarken PC und installierst nichts: Seite öffnen, Code einfügen, Knopf drücken.
• KI-Assistent (Claude, ChatGPT, Gemini) – „dein Programmierer". Schreibt Code für deine Aufgabe, ändert ihn und behebt Fehler. Für diejenigen, die eine echte App bauen wollen, gibt es Cursor – einen Editor, in dem die KI fast den gesamten Code selbst schreibt.

Wie es zusammenarbeitet (die Pipeline):

Video →

YOLO

findet die Objekte →

ByteTrack

weist ihnen Nummern zu →

Supervision

zählt nach Linie/Zone → du erhältst das Ergebnis (annotiertes Video + Zahlen). All das läuft in

Colab

, und der Code wird von

KI

geschrieben und korrigiert. Wenn du nicht standardmäßige Objekte brauchst, trainierst du ein Modell in

Roboflow

.

Teil 3. Wie man mit KI arbeitet – deine Hauptfähigkeit

In diesem Setup ist deine eigentliche Fähigkeit nicht Python – es ist die Fähigkeit, der KI die Aufgabe klar zu erklären und die Teile zusammenzusetzen. Es ist wie die Arbeit mit einem sehr fähigen Assistenten: Je klarer die Aufgabe, desto besser das Ergebnis.

Die goldene Regel: Jeden Fehler, den Colab auswirft, kopierst du vollständig und gibst ihn der KI – sie wird den Code für die aktuelle Version der Bibliothek korrigieren. Versionen ändern sich, Code geht manchmal kaputt – das ist normal, dafür ist die KI da. Setz dich niemals hin und kämpfe selbst mit einem Fehler.

Prompt-Vorlagen, die 90 % der Aufgaben abdecken:

Ein Skript für dich anpassen:

"Hier ist ein funktionierendes Python-Skript, das die Supervision-Bibliothek verwendet [Code einfügen]. Ich bin kein Programmierer. Ändere es so, dass es nur Personen zählt, nicht alle Objekte. Gib den vollständigen, kompletten Code zurück."

Einen Fehler beheben:

"Ich habe diesen Code in Google Colab ausgeführt [Code einfügen] und diesen Fehler erhalten: [gesamten Fehlertext einfügen]. Korrigiere den Code für die aktuelle Version der Bibliothek und gib die vollständige korrigierte Version zurück."

Verstehen, was der Code tut:

"Erkläre in einfachen Worten, ohne Fachjargon, was dieses Skript tut und was ich als Ausgabe sehen werde."

An ein bestimmtes Video anpassen:

"Hilf mir, die Koordinaten der Zähllinie für ein Video mit 1280 Breite und 720 Höhe einzustellen. Die Linie soll horizontal durch die Mitte verlaufen."

Eine neue Funktion erstellen:

"Füge auf der Grundlage dieses Skripts eine separate Zählung nach Typ hinzu: wie viele Autos und wie viele Lastwagen vorbeigekommen sind. Gib den vollständigen Code zurück."

**Text schreiben (Lebenslauf, README, Kundenangebot):

"Schreibe eine kurze englische Beschreibung eines Besucherzählungsprojekts für mein GitHub: das Problem, die Lösung, welche Technologien, wie man es ausführt."

Häufige Anfängerfehler bei der Arbeit mit KI:

• Der KI einen Ausschnitt statt des gesamten Codes geben – also korrigiert sie blind. Gib das gesamte Skript.
• „Es funktioniert nicht" schreiben, anstatt den Fehlertext. Füge immer den vollständigen Fehler ein.
• Den Code wahllos von Hand bearbeiten. Bitte die KI, die Änderung vorzunehmen und die fertige Version zurückzugeben.

Und am wichtigsten -> überprüfe immer das Ergebnis. Die KI kann selbstbewusst Code produzieren, der läuft, aber das Falsche zählt. Öffne das Ausgabevideo, überprüfe mit eigenen Augen, ob die Rahmen auf den richtigen Objekten sind und die Zahlen plausibel aussehen. Das ist deine Verantwortung, nicht die der KI.

Teil 4. Deinen ersten Code in Google Colab ausführen – Schritt für Schritt

Das ist der „gruseligste" Teil für einen Anfänger, aber in Wirklichkeit sind es 5 Minuten. Einmal verstanden.

1. Öffne colab.research.google.com (mit einem Google-Konto anmelden) → klicke auf Neues Notebook.
2. Du siehst eine leere Box – das ist eine Zelle. Hier kommt der Code hin. Links von der Zelle befindet sich die ▶-Schaltfläche (Ausführen).
3. Füge Skript 0 (Installation der Bibliotheken) in die erste Zelle ein und drücke ▶. Warte 20–60 Sekunden – es scrollen Textzeilen vorbei, das ist normal.
4. Hole dir ein Testvideo. Der einfachste Weg ist das integrierte Beispiel. Erstelle eine neue Zelle (die Schaltfläche „+ Code") und führe aus:

1from supervision.assets import download_assets, VideoAssets
2path = download_assets(VideoAssets.PEOPLE_WALKING)
3print("Video heruntergeladen:", path)   # das ist die Datei people-walking.mp4

Oder lade dein eigenes Video hoch:

1from google.colab import files
2uploaded = files.upload()   # wähle eine Datei; merke dir den Namen und setze ihn im Skript anstelle von input.mp4 ein

• Füge das benötigte Skript (z. B. Skript 3) in eine neue Zelle ein. Korrigiere ggf. den Eingabedateinamen. Drücke ▶.
• Lade das Ergebnis auf deinen Computer herunter:

1from google.colab import files
2files.download("output_count.mp4")

Wenn etwas schiefgeht:

• „No such file" / Datei nicht gefunden – der Videoname im Skript stimmt nicht mit dem tatsächlichen überein. Überprüfe den Dateinamen.
• Langsam und träge – schalte die kostenlose GPU ein: Menü Laufzeit → Laufzeittyp ändern → GPU.
• Jeder rote Fehler – kopiere ihn vollständig und gib ihn der KI (die goldene Regel).

Teil 5. Das gebrauchsfertige Skript-Kit

Du musst diese Skripte nicht Zeile für Zeile verstehen. Führe sie aus, bei einem Fehler gib ihn der KI. Jedes wird mit einer Erklärung in einfacher Sprache geliefert.

Skript 0 -> Installation (immer zuerst ausführen)

1!pip install ultralytics supervision -q

Was es tut: Installiert das „Auge" (YOLO) und den „Baukasten" (Supervision). Einmal pro Sitzung ausführen.

Skript 1 -> Objekte in einem Video finden und beschriften

Was es tut: Zeichnet Rahmen mit Bezeichnungen um alle Objekte. Dies ist die grundlegende Überprüfung, dass alles funktioniert.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")          # das „Auge"-Modell, wird automatisch heruntergeladen
5box_annotator = sv.BoxAnnotator()
6label_annotator = sv.LabelAnnotator()
7
8def callback(frame, index):
9    results = model(frame)[0]
10    detections = sv.Detections.from_ultralytics(results)
11    labels = [f"{results.names[c]} {conf:.2f}"
12              for c, conf in zip(detections.class_id, detections.confidence)]
13    out = box_annotator.annotate(frame.copy(), detections=detections)
14    out = label_annotator.annotate(out, detections=detections, labels=labels)
15    return out
16
17sv.process_video(source_path="input.mp4", target_path="output_detect.mp4", callback=callback)
18print("Fertig: output_detect.mp4")

Skript 2 -> Verfolgung mit Nummern (IDs)

Was es tut: Weist jedem Objekt eine dauerhafte Nummer zu und behält sie, solange das Objekt im Bild ist. Die Grundlage für Zählung und Bewegung.

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6box_annotator = sv.BoxAnnotator()
7label_annotator = sv.LabelAnnotator()
8
9def callback(frame, index):
10    results = model(frame)[0]
11    detections = sv.Detections.from_ultralytics(results)
12    detections = tracker.update_with_detections(detections)
13    labels = [f"#{tid}" for tid in detections.tracker_id]
14    out = box_annotator.annotate(frame.copy(), detections=detections)
15    out = label_annotator.annotate(out, detections=detections, labels=labels)
16    return out
17
18sv.process_video(source_path="input.mp4", target_path="output_track.mp4", callback=callback)
19print("Fertig: output_track.mp4")

Skript 3 -> Linienüberquerungen zählen (das wichtigste, kommerzielle)

Was es tut: Zählt, wie viele Objekte eine imaginäre Linie in jede Richtung überquert haben. Das ist genau das, was „wie viele Besucher hereingekommen sind" oder „wie viele Autos vorbeigefahren sind".

1from ultralytics import YOLO
2import supervision as sv
3
4model = YOLO("yolov8n.pt")
5tracker = sv.ByteTrack()
6
7# Zähllinie: Passe die Koordinaten (x, y in Pixeln) an dein Video an.
8line_zone = sv.LineZone(start=sv.Point(x=0, y=400), end=sv.Point(x=1280, y=400))
9
10box_annotator = sv.BoxAnnotator()
11label_annotator = sv.LabelAnnotator()
12line_annotator = sv.LineZoneAnnotator()
13
14def callback(frame, index):
15    results = model(frame)[0]
16    detections = sv.Detections.from_ultralytics(results)
17
18    # UM NUR PERSONEN ZU ZÄHLEN – entferne das # in der Zeile unten (0 = Person):
19    # detections = detections[detections.class_id == 0]
20
21    detections = tracker.update_with_detections(detections)
22    line_zone.trigger(detections)
23    labels = [f"#{tid}" for tid in detections.tracker_id]
24    out = box_annotator.annotate(frame.copy(), detections=detections)
25    out = label_annotator.annotate(out, detections=detections, labels=labels)
26    out = line_annotator.annotate(out, line_counter=line_zone)
27    return out
28
29sv.process_video(source_path="input.mp4", target_path="output_count.mp4", callback=callback)
30print(f"Rein: {line_zone.in_count} | Raus: {line_zone.out_count}")

Zählung in einer Datei speichern (kannst du dem Kunden geben)

Füge dies ganz am Ende hinzu, nachdem das Video verarbeitet wurde:

1with open("counts.txt", "w") as f:
2    f.write(f"Rein: {line_zone.in_count}\n")
3    f.write(f"Raus: {line_zone.out_count}\n")
4print("Zahlen in counts.txt gespeichert")

Alles Schwierigere -> der KI übergeben (nicht selbst schreiben)

• Fahrzeuggeschwindigkeitsschätzung: „Schreibe basierend auf YOLO und der Supervision-Bibliothek ein Skript für Google Colab, das die Geschwindigkeit von Autos in Dashcam-/Straßenkamera-Videos schätzt. Erkläre in einfachen Worten, im Detail, wie man die Perspektive für mein Bild einrichtet. Ich bin kein Programmierer, gib mir den vollständigen, fertigen Code."
• Zählung innerhalb eines Bereichs (statt einer Linie) – z. B. wie viele Personen sich in einer Wartezone befinden: „Überarbeite das Skript so, dass es die Anzahl der Personen innerhalb einer rechteckigen Zone im Video zählt (verwende PolygonZone von supervision). Gib den vollständigen Code und erkläre, wie man die Zonenkoordinaten einstellt."
• Benutzerdefinierte Objekte (Produkte, Defekte, Tiere, die nicht im Standardmodell sind): Markiere einen Datensatz in Roboflow über den Browser, trainiere ihn dort, erhalte dein Modell und bitte die KI, es in Skript 3 einzubinden.

Teil 6. Portfolio – drei Projekte, die sich verkaufen

Ein Portfolio ist wichtiger als ein Abschluss: Auf dem internationalen Markt schauen sie auf das Ergebnis, das du gezeigt hast, nicht auf Qualifikationen. Du brauchst 3 kurze Demos für echte Nischen.

Wo du kostenlose Videos für Demos bekommst (keine Urheberrechtsprobleme):

• Das integrierte Supervision-Beispiel (siehe Teil 4) – der schnellste Start.
• Pexels und Pixabay – kostenlose Stock-Videos von Menschen, Straßen, Autos, lizenziert für die Nutzung.

Die drei Projekte:

1. Besucherzählung für ein Geschäft. Skript 3 mit einem Nur-Personen-Filter, Linie am Eingang. Du zeigst: das Video mit Rahmen und Zähler + die endgültigen Zahlen. An wen es sich verkauft: Einzelhandel, Cafés, Einkaufszentren.
2. Autos zählen und verfolgen. Skript 3 auf Straßen-/Parkplatzaufnahmen. An wen es sich verkauft: Parkplatzbetreiber, Straßendienste, Verkehrsanalyse.
3. Ein benutzerdefiniertes Objekt über Roboflow. Du markierst etwas Nicht-Standardmäßiges (z. B. Flaschen auf einem Band oder Defekte) und zählst es. Zeigt, dass du mit den Daten des Kunden arbeiten kannst. An wen es sich verkauft: Fertigung, Lagerhäuser, Landwirtschaft.

Wie du jedes Projekt verpackst:

• Nimm ein Demo-Video des Ergebnisses auf (10–30 Sekunden). Nimm das Ausgabevideo mit dem Bildschirm auf – jeder Bildschirmrekorder funktioniert, oder lade einfach einen kurzen Clip als „nicht gelistet" auf YouTube hoch.
• Stelle es auf GitHub (eine kostenlose Seite für Code und Projekte). Lass die KI die Dateien und den Beschreibungstext (README) schreiben: „Schreibe eine README auf Englisch für ein Besucherzählungs-auf-Video-Projekt. Teile es auf in: das Problem, was die Lösung tut, welche Technologien (YOLO, ByteTrack, Supervision), wie man es in Google Colab ausführt. Kurz und klar."
• Optional -> eine Live-Demo. Du kannst es kostenlos auf Hugging Face Spaces bereitstellen (eine Plattform, auf der deine Demo online läuft und über einen Link geöffnet werden kann) oder über Roboflows fertige API. Das erhöht das Vertrauen des Kunden erheblich. Wie das geht – frage die KI.

Teil 7. Wo du Kunden findest und wie viel du verlangen solltest

Kunden aus den USA/Europa zahlen in Dollar. Die wichtigste Plattform für den Einstieg ist Upwork.

Schritt 1. Dein Upwork-Profil

Die Überschrift sollte eine enge Spezialisierung sein, nicht „KI-Entwickler allgemein". Beispiel (du kannst es so verwenden):

Computer Vision Engineer

->

Objekterkennung, -verfolgung & Personen-/Fahrzeugzählung

Der „Überblick"-Text -> ein englisches Beispiel:

I build computer vision systems that detect, track, and count objects in video -> people counting for retail, vehicle counting for traffic and parking, and custom object detection for manufacturing and inventory.Stack: YOLO, ByteTrack, Supervision, Roboflow, Python. I deliver working solutions with annotated output video and exportable counts (CSV/report).See my demos below. Tell me your use case and I'll show you exactly what's possible.

Im Portfolio des Profils -> deine drei Demos mit Videos und Links zu GitHub.

Schritt 2. Deine ersten Bewertungen

Das entscheidet am Anfang über alles. Nimm deine ersten 3–5 Aufträge zu einem etwas unter dem Marktpreis liegenden Satz an (z. B. 30–45 $/Std. statt 60+ $), um schnell Bewertungen und eine Bewertung zu bekommen. Erhöhe deinen Satz dann sofort – bei einem niedrigen Satz zu bleiben, nachdem du gute Bewertungen hast, bedeutet, Geld liegenzulassen.

Schritt 3. Auf einen Auftrag antworten (Angebot)

Schreibe keine Textwand. Struktur: „Ich verstehe die Aufgabe → ich habe genau das schon gebaut → wie und für wie viel ich es machen werde." Englisches Beispiel:

Hi! You need to count [people/vehicles] in your video footage -> I've built exactly this. Here's a 20-second demo of my counting system: [link].For your project I'll: detect and track the objects, set up a counting line/zone, and give you the annotated video plus the final counts in a report.I can deliver a first working version in [3–5] days. Happy to do a quick test on a short clip of your footage first, free of charge.

Ein kostenloser Test an einem kurzen Clip des Kunden beseitigt die Hälfte der Zweifel und besiegelt oft den Deal.

Schritt 4. Was du den Kunden vorab fragen solltest (damit du nichts falsch machst)

• Was genau zählen/erkennen wir (Personen, Autos, ein bestimmtes Produkt)?
• Woher kommt das Video: eine fertige Datei, eine Kamera, ein Online-Stream (RTSP)?
• Was wird als Ausgabe benötigt: annotiertes Video, Zahlen in einer Tabelle, ein Live-Dashboard, Benachrichtigungen?
• Welche Genauigkeit ist gut genug, und was ist die Frist?
• Was ist das Budget?

Schritt 5. Preise und Gebühren

• Stündlich: Starte bei 30–45 $ (für Bewertungen) → dann selbstbewusst in Richtung Markt bewegen: Junior 50–80 $, Mittelstufe 80–120 $, Senior 120–200+ $. Der mediane ML-Freelance-Satz liegt bei ~100 $/Std.
• Pro Projekt (Festpreis): ein einfaches schlüsselfertiges Zählsystem, ein Start-Benchmark von 300–1500 $; ernsthafte Systeme beginnen bei 5k $ und gehen viel höher (auf dem Markt erreichen Projekte 250k $+).
• Upwork-Gebühr -> variabel 0–15 %, normalerweise ~10 % (bei einem Satz von 50 $ netto erhältst du ~45 $). Baue dies in deinen Preis ein.

Schritt 6. Wo du wachsen kannst

• Toptal -> eine Plattform mit einem Top-3 %-Screening, höheren Sätzen und solideren Kunden. Geh dorthin, sobald du bereits ein Portfolio und Bewertungen hast.
• Fiverr -> du kannst einen „produktisierten Dienst" einrichten (z. B. „Ich richte die Personenzählung auf deinem Video für $X ein") und Aufträge passiver erhalten.

Teil 8. Dein 90-Tage-Plan

Zeitraum

Was du tust

Ergebnis

Woche 1

Colab verstanden, Skripte 1–3 auf einem Testvideo ausgeführt

Code funktioniert in deinen Händen

Wochen 2–3

3 Nischen-Demos auf eigenen Videos erstellt, Clips aufgenommen

Fertige Demos

Woche 4

GitHub + englische Verpackung (Text von KI)

Portfolio online

Woche 5

Upwork-Profil, erste Angebote

Erste Angebote gesendet

Wochen 6–10

Aktive Angebote (10–20/Woche), kostenlose Tests für Kunden

Erster Auftrag und Bewertung

Wochen 11–13

Arbeit ausgeliefert, Bewertungen gesammelt, Satz erhöht

Erstes Geld, Satzerhöhung

Lass dich nicht entmutigen, wenn der erste Auftrag nicht sofort kommt – am Anfang ist das normal; der Weg dauert oft 1–3 Monate aktiver Bemühungen.

Teil 9. Geld-Benchmarks (USD, 2026)

Kanal

Junior

Mittelstufe

Senior

Freelance ($/Std.)

50–80 $

80–120 $

120–200+ $

Schlüsselfertiges Projekt

ab ~10k $

—

bis zu 250k+ $

Vollzeitjob in den USA ($/Jahr)

~102k $

~130–165k $

200k–266k+ $

Der Computer-Vision-Markt wächst: etwa 22 Milliarden $ im Jahr 2024 → eine Prognose von ~111 Milliarden $ bis 2033. Die Nachfrage ist auf deiner Seite.

Teil 10. Häufig gestellte Fragen (FAQ)

Brauche ich einen leistungsstarken Computer? Nein. Google Colab gibt dir kostenlosen Zugang zu leistungsstarken Servern mit einer GPU in der Cloud. Du kannst sogar von einem schwachen Laptop oder einem Tablet aus arbeiten.

Muss ich für etwas bezahlen? Im Grunde ist alles kostenlos: Colab (kostenlose Stufe), YOLO/Supervision (Open Source), Roboflow (kostenloser Plan), GitHub. Du zahlst erst, wenn die Projekte wachsen (bezahltes Colab/Cloud).

Ist das legal? Die Werkzeuge selbst – ja, sie sind offen und legal. Aber wenn du mit echten Kameras und Menschen arbeitest, gibt es Datenschutz- und Datengesetze. Veröffentliche keine Aufnahmen anderer Personen ohne Erlaubnis und besprich mit dem Kunden, dass er das Recht auf diese Daten hat.

Was ist, wenn die Aufgabe des Kunden nicht wie die Skripte ist? Dafür ist die KI da: Zerlege die Aufgabe in Teile und bitte um Hilfe. Wenn die Aufgabe wirklich über das hinausgeht, was du tun kannst, ist es besser, ehrlich abzulehnen, als die Frist zu sprengen.

Wie schnell kommt das erste Geld? Realistisch gesehen – von ein paar Wochen bis zu ein paar Monaten bei aktivem Einsatz. Das ist kein „Geldknopf", sondern eine Fähigkeit, die du verkaufen musst.

Brauche ich Mathematik und Theorie? Für diesen KI-gestützten Weg – nein. Die Grundlagen zu verstehen, wird später helfen, wenn du komplexe Projekte übernehmen oder in eine Vollzeitarbeit einsteigen willst.

Wird es in Echtzeit / mit einer Live-Kamera funktionieren? Das kostenlose Colab reicht für Demos und die Verarbeitung von Dateien. Für einen Online-Stream (RTSP) und Echtzeit brauchst du mehr Ressourcen – die KI wird dir sagen, wie du es einrichtest.

Teil 11. Was du NICHT tun solltest

• Geh nicht auf den Markt, ohne ein „Ergebnis liefern" zu können. „Es lief auf meinem Rechner" reicht nicht – der Kunde braucht ein klares Ergebnis (Video + Zahlen + einen kurzen Bericht).
• Kopiere keine reinen Tutorials eins zu eins. Du brauchst Demos auf eigenen Videos und für eine bestimmte Nische.
• Bleib nicht bei einem niedrigen Satz hängen. Erhöhe ihn nach deinen ersten Bewertungen.
• Vertraue dem Code der KI nicht blind. Öffne immer das Ergebnis und überprüfe mit eigenen Augen, ob es richtig zählt.
• Verzettel dich nicht in „KI im Allgemeinen". Eine enge Spezialisierung (Zählung/Verfolgung/Videoanalyse) verkauft sich besser und ist leichter zu verstehen.

Teil 12. Glossar

• Modell → Ein trainiertes Programm, das etwas erkennt (z. B. YOLO erkennt Objekte).
• Datensatz → Eine Sammlung von Bildern/Videos, aus denen das Modell lernt.
• Labeling / Annotation → Wenn du die benötigten Objekte in Bildern mit der Maus umrandest, damit das Modell versteht, wonach es suchen soll (wird in Roboflow durchgeführt).
• Bounding Box → Das rechteckige Kästchen um ein erkanntes Objekt.
• Klasse → Der Objekttyp: „Person“, „Auto“, „Flasche“.
• Konfidenz → Wie sicher sich das Modell bei einer Erkennung ist (von 0 bis 1).
• Inferenz → Der Moment, in dem das Modell läuft und etwas erkennt (im Gegensatz zum Training).
• Training → Der Prozess, bei dem das Modell aus einem Datensatz für deine Aufgabe lernt.
• Tracking / ID → Ein einzelnes Objekt über mehrere Frames hinweg mit einer durchgängigen Nummer verfolgen.
• API → Eine Möglichkeit, das Modell „über das Internet“ zu erreichen: ein Bild senden, ein Ergebnis erhalten, ohne eigenen Modellcode.
• FPS → Bilder pro Sekunde; je höher, desto „echtzeitnäher“ ist die Videoverarbeitung.
• RTSP → Das Format eines Live-Streams von einer Überwachungskamera.
• GPU → Ein leistungsstarker Prozessor für Grafikkarten; er beschleunigt Modelle (in Colab ist er kostenlos in der Cloud).

Alle Zahlen sind Marktbenchmarks für 2026 und hängen von deinem Niveau, deiner Nische und dem jeweiligen Kunden/Arbeitgeber ab.

Allen, die es gelesen haben und es ausprobieren möchten, wünsche ich viel Erfolg 🩷

Speichere es in deinen Lesezeichen, damit du es nicht verlierst