Kurz gesagt: Ich nutze ein bereits trainiertes Bildmodell, trainiere den letzten Teil mit Schadensfotos nach und prüfe die Ergebnisse streng gegen echte Gutachterfälle. So kann ich auch mit kleineren Datensätzen sichtbare Schäden grob einordnen, etwa nach Bauteil, Schweregrad und Schadensart.

Wenn du wissen willst, worauf es ankommt, sind das die vier Punkte:

  • Saubere Daten zuerst: klare Labels, saubere Bilder, Kennzeichen unkenntlich machen
  • Vortrainiertes Modell nutzen: z. B. ResNet50 oder MobileNetV2
  • Schrittweise nachtrainieren: erst den neuen Kopf, dann obere Schichten mit kleiner Lernrate
  • Nicht nur Accuracy prüfen: auch Precision, Recall, F1-Score und Konfusionsmatrix

Wichtig ist dabei: Die KI liefert keinen fertigen Kfz-Schadenbericht. Sie hilft bei der Vorsortierung. Fälle mit niedriger Konfidenz, möglichen Strukturschäden oder schlechter Bildqualität müssen weiter von Menschen geprüft werden.

Ein paar Zahlen aus dem Ablauf zeigen schnell, wie das praktisch aussieht:

  • Eingabegröße oft 224 × 224 px
  • Lernrate für den neuen Head oft 1 × 10⁻³ bis 5 × 10⁻⁴
  • Lernrate beim Fine-Tuning oft 1 × 10⁻⁴ bis 1 × 10⁻⁵
  • In Studien sind unter Testbedingungen bis zu 95,22 % Validierungswert genannt

Mein Kurzfazit: Transfer Learning spart nicht die Datensauberkeit, sondern macht gute Datensätze mit weniger Bildern nutzbar. Für Werkstatt, Versicherung und Sachverständige ist das vor allem dann sinnvoll, wenn die KI nur den ersten Prüfblock übernimmt und jede Vorhersage bei kritischen Fällen kontrolliert wird.

Transfer Learning für Kfz-Schäden: 4-Schritte-Prozess

Transfer Learning für Kfz-Schäden: 4-Schritte-Prozess

Schritt 1: Einen geeigneten Schadensdatensatz vorbereiten

Nach dem Vortraining macht vor allem die Datengrundlage den Unterschied im Alltag. Ein sauberer Datensatz wirkt sich direkt auf die Modellqualität aus. Unausgewogene oder schlecht gelabelte Fotos führen im Gutachtenprozess fast immer zu schwachen Ergebnissen.

Fotos sammeln und klare Labels definieren

Geeignete Quellen sind Gutachterfotos, Werkstattdokumentationen und Versicherungsbilder. Am besten funktioniert eine Mischung aus allen drei Quellen, ergänzt durch eine saubere Qualitätskontrolle. Bilder ohne klar erkennbares Fahrzeug, stark überbelichtete Aufnahmen oder Fotos von Dokumenten sollten rausfliegen.

Bei den Schweregraden hat sich diese Einteilung bewährt:

Schweregrad Beschreibung
Kein Schaden Keine sichtbare Beschädigung
Geringfügig Oberflächliche Kratzer, kleine Dellen
Mittel Tiefere Dellen, betroffene Lackschichten, kleinere Teile betroffen
Schwer Strukturelle Verformung, mehrere Bauteile, Airbag-Auslösung

Genau diese Struktur braucht das Modell später für die automatische Schadenserfassung. Der Schweregrad und die Bauteil-Labels – zum Beispiel Stoßfänger vorne, linke/rechte Tür oder Motorhaube – legen fest, welche Ausgaben das Modell später im Gutachten liefert.

Bilder für reale Aufnahmebedingungen vorverarbeiten

Die meisten vortrainierten CNNs erwarten eine feste Eingabegröße von 224 × 224 px. Beim Skalieren sollte das Seitenverhältnis erhalten bleiben, damit Fahrzeugformen nicht verzogen werden. Eine Farbnormalisierung hilft dabei, Unterschiede zwischen Kameras und Lichtverhältnissen auszugleichen, etwa bei Aufnahmen in Tiefgaragen, bei Regen oder in der Dämmerung.

Auch Augmentation ist hier wichtig. Sie bildet typische Bedingungen aus der Praxis nach, zum Beispiel:

  • leichte Rotationen
  • wechselnde Helligkeit
  • Teilansichten

Kennzeichen sollten vor dem Training verpixelt werden, automatisch oder manuell. Wichtig ist dabei die DSGVO-konforme Umsetzung, ohne dass der Schadensbereich selbst verdeckt wird.

Sind Eingaben und Labels sauber aufeinander abgestimmt, lässt sich das vortrainierte CNN im nächsten Schritt gezielt anpassen.

Daten richtig aufteilen und Klassenungleichgewicht beheben

Teile den Datensatz in Training, Validierung und Test auf. Diese Aufteilung sollte auf Fall- oder Fahrzeugebene passieren. Sonst landen Fotos desselben Fahrzeugs am Ende gleichzeitig in Training und Test, und das Ergebnis sieht besser aus, als es in Wahrheit ist.

In der Praxis ist oft das Klassenungleichgewicht das größere Problem. Leichte Kratzer tauchen viel häufiger auf als schwere Kollisionsschäden. Für digitale Gutachten ist das heikel, weil gerade diese seltenen Fälle finanziell und haftungsrechtlich am meisten Gewicht haben. Wenn das Ungleichgewicht zu stark wird, braucht es Gegenmaßnahmen: Oversampling seltener Klassen, Klassengewichtung in der Verlustfunktion oder eine gezielte Augmentation schwerer Schadensfälle.

Schritt 2: Ein vortrainiertes Modell an Fahrzeugschäden anpassen

Nach der Datenaufbereitung kommt der Teil, in dem das Modell auf den Schadensfall zugeschnitten wird: erst ein Basismodell wählen, dann einen neuen Head trainieren und danach feinjustieren. Welche Architektur am besten passt, hängt vor allem von Datensatzgröße, Bildqualität und der gewünschten Zielausgabe ab. Genau hier zeigt sich, wie gut das Modell später auf Schadensarten und Schweregrade anspringt.

Das passende vortrainierte CNN auswählen

Für mobile Einsätze oder eine zügige Vorprüfung ist MobileNetV2 oft die naheliegende Wahl. Auf Servern liefern ResNet50 und InceptionV3 bei komplexeren Schäden meist stabilere Resultate.

Architektur Stärken
MobileNetV2 Schnelle Vorprüfung, niedrige Rechenlast
ResNet50 Stabile Merkmalsextraktion, gute Allgemeingenauigkeit
InceptionV3 Stark bei komplexen Formen und Größenunterschieden

In der Praxis kann MobileNetV2 die Vorprüfung übernehmen, während ResNet50 für die Endklassifikation zuständig ist. Danach wird die Ausgabeschicht auf die gewünschten Schadensklassen zugeschnitten.

Zuerst den neuen Klassifikations-Head trainieren

Das Basismodell wird mit ImageNet-Gewichten geladen, die ursprüngliche Ausgabeschicht entfernt. Zunächst bleiben alle Schichten eingefroren. Das Modell arbeitet in dieser Phase als Feature-Extraktor für Kanten, Texturen und Formen.

Darauf kommt ein neuer Head, meist mit:

  • Global Pooling
  • Dense-Schicht
  • Dropout
  • Ausgabeschicht

Dieser Head übersetzt die vorbereiteten Schadenslabels in Modellentscheidungen. Softmax passt zu exklusiven Klassen, Sigmoid zu mehreren gleichzeitigen Schadenstypen. Am Anfang wird nur dieser Head trainiert, meist mit einer Lernrate von 1·10⁻³ bis 5·10⁻⁴, bis die Validierung stabil bleibt.

Obere Schichten mit niedrigerer Lernrate feinjustieren

Sobald der Head sauber trainiert ist, werden nach und nach zuerst die oberen Schichten aufgetaut. Gleichzeitig sinkt die Lernrate auf 1·10⁻⁴ bis 1·10⁻⁵, damit die vortrainierten Gewichte nicht verfälscht werden. Early Stopping hilft dabei, Überanpassung an den Trainingsdatensatz zu vermeiden. Das ist gerade bei echten Gutachtenbildern wichtig, weil Licht, Perspektive und Bildqualität stark schwanken können.

Die Validierung zeigt dann, ob das Modell im Schadenskontext belastbar arbeitet.

Schritt 3: Ergebnisse bewerten und typische Fehler vermeiden

Genauigkeit mit mehr als einer Kennzahl messen

Eine hohe Gesamtgenauigkeit klingt erst mal gut. Sie kann aber leicht verdecken, dass das Modell einzelne Schadensklassen schlecht erkennt.

Deshalb reicht Accuracy allein nicht aus. Wichtiger sind mehrere Kennzahlen pro Klasse:

  • Precision zeigt, wie oft positive Vorhersagen korrekt sind.
  • Recall zeigt, wie viele Fälle das Modell tatsächlich findet.
  • F1-Score verbindet beide Werte.
  • Eine Konfusionsmatrix zeigt, welche Klassen das Modell miteinander verwechselt.

Gerade bei Fahrzeugschäden ist das wichtig. Besonders heikel sind übersehene sichtbare Schäden: Das Modell stuft ein beschädigtes Fahrzeug als unbeschädigt ein. In einem Kfz-Gutachten führt das direkt zu zu niedrig angesetzten Reparaturkosten. Auch die Verwechslung zwischen leichten und mittleren Schäden ist problematisch. Sie verzerrt die Schadenshöhe und kann sogar die Einstufung nach Reparaturweg beeinflussen.

In der Praxis bietet sich die Auswertung mit classification_report und confusion_matrix aus scikit-learn an, am besten als Wärmekarte dargestellt. Die Resultate sollten dann in einem kurzen technischen Bericht festgehalten werden: mit einer Beschreibung des Testdatensatzes, Metriktabellen je Klasse und einem knappen Kommentar zu kritischen Fehlmustern, zum Beispiel bei Verwechslungen zwischen leichten und mittleren Schäden.

Erst die Auswertung pro Klasse zeigt, ob das Modell bei echten Schadensfällen standhält.

Typische Fehler beim Transfer Learning für Fahrzeugschäden

Die häufigsten Probleme entstehen oft gar nicht im eigentlichen Training, sondern schon davor: bei der Vorbereitung der Daten und bei der Konfiguration.

Unzureichendes Fine-Tuning führt dazu, dass das Modell eher allgemeine Bildmerkmale nutzt, statt typische Schadensmuster am Fahrzeug zu lernen. Das klappt oft noch bei groben Klassen, bricht aber bei feinen Unterschieden ein, etwa zwischen oberflächlichen Kratzern und tieferen Dellen.

Dazu kommt ein Klassiker: Overfitting auf kleinen Datensätzen. Das zeigt sich meist an einem deutlichen Abstand zwischen Trainings- und Testmetriken. Auf dem Papier sieht das Modell stark aus. Im Alltag fällt es dann durch.

Auch Klassenungleichgewicht ist ein Problem. Wenn eine Klasse viel öfter vorkommt als andere, bevorzugt das Modell genau diese Mehrheitsklasse. Der Recall seltener Klassen sackt dann ab.

Ein Risiko, das oft zu spät auffällt, ist die Verteilungsverschiebung (Dataset Shift). Trainingsbilder kommen häufig aus Werkstattdokumentationen. Im Einsatz landen dann aber Smartphone-Fotos aus Parkhäusern, bei Regen oder bei schlechtem Licht im System. Kein Wunder also, dass das Modell bei Park-, Unfall- und Mischschäden im Betrieb oft klar schlechter abschneidet als in der Validierung.

Genau an diesem Punkt zeigt sich, welche Vorhersagen nicht automatisch weiterlaufen dürfen, sondern in die manuelle Prüfung müssen.

KI-Ausgaben gegen Sachverständigen-Einschätzung prüfen

Bevor KI-Ergebnisse in ein offizielles Gutachten einfließen, braucht es einen sauberen Plausibilitätscheck. Dafür eignen sich repräsentative Fallgruppen wie Parkschäden, Unfallschäden und gemischte Vorschäden mit älteren Reparaturen oder Korrosion.

Für jede dieser Gruppen werden die KI-Vorhersagen mit den Einschätzungen erfahrener Sachverständiger abgeglichen. Das passiert idealerweise in gemeinsamen Bildprüfungen, bei denen Foto und KI-Ausgabe direkt nebeneinander liegen. So fallen systematische Schwächen schneller auf, zum Beispiel wenn das Modell bei Mischschäden alte und neue Schäden falsch zuordnet.

Zusätzlich sollte das System niedrige Konfidenzwerte automatisch markieren. Fälle mit möglichen Strukturschäden gehören grundsätzlich in die manuelle Prüfung. Bei CUBEE Sachverständigen AG lässt sich dieser Ablauf direkt in den digitalisierten Gutachtenprozess einbauen: Die KI erstellt einen strukturierten Erstbefund, der Sachverständige prüft diesen und gibt das Gutachten erst danach frei. Alle KI-Entscheidungen und Korrekturen werden dabei protokolliert.

So gelangen nur geprüfte Vorhersagen in den digitalen Gutachtenprozess.

Schritt 4: Transfer Learning im digitalen Gutachtenprozess einsetzen

Von hochgeladenen Fotos zum strukturierten Schadensbefund

Nach Training und Prüfung geht es in den Einsatz. Bilder werden hochgeladen, vorverarbeitet und dann vom Modell in ein strukturiertes Ergebnis überführt. Am Ende stehen Angaben zur Schadensklasse, zum Schweregrad, zum Bauteil und zur Konfidenz.

Ein Bild kann zum Beispiel als Kratzer am hinteren Stoßfänger mit mittlerem Schweregrad eingestuft werden. Unscharfe, schlecht belichtete oder widersprüchliche Aufnahmen fallen dabei aus dem Raster und gehen in die manuelle Prüfung. Genau das ist der Punkt: Das System soll nicht raten, sondern klare Fälle vorsortieren.

Warum dieser Ansatz für Kfz-Gutachten relevant bleibt

So wird aus einzelnen Bildanalysen ein skalierbarer Prüfprozess. Im Alltag sortiert das Modell Routinefälle vor und gibt unklare Fälle an den Sachverständigen weiter. Klare Standardschäden laufen zügiger durch, während knifflige Fälle direkt beim Experten landen.

Das bringt noch einen anderen Punkt mit: Die Vorprüfung wird über verschiedene Standorte und mobile Einsätze hinweg einheitlicher. Gerade im Kfz-Bereich ist das viel wert. Denn wer mit vielen Fotos, vielen Fahrzeugen und vielen Fällen arbeitet, kennt das Problem: Ohne festen Ablauf wird es schnell uneinheitlich.

Im Betrieb zählt vor allem eine schnelle und gleichbleibende Vorprüfung. Bei CUBEE Sachverständigen AG kann sich dieser Ansatz in den digitalisierten Gutachtenprozess einfügen. Die KI bleibt dabei eine Vorprüfung und nicht die Endentscheidung.

Fazit: Was Transfer Learning leistet – und wo es endet

Transfer Learning spielt seine Stärken dann aus, wenn die Basis stimmt: saubere Labels, ein passendes vortrainiertes Modell, sorgfältiges Fine-Tuning und eine regelmäßige Validierung im laufenden Betrieb. Studien zeigen, dass gut konfigurierte Modelle Validierungswerte von bis zu 95,22 % erreichen können – unter kontrollierten Bedingungen und mit repräsentativen Daten.

Trotzdem ersetzt KI nicht das fachliche Urteil eines Sachverständigen, das besonders bei gerichtlichen Auseinandersetzungen entscheidend bleibt. Verdeckte Strukturschäden, ungewöhnliche Fahrzeugmodifikationen oder Bilder mit widersprüchlicher Qualität brauchen menschliche Einschätzung. In diesem Rahmen dient Transfer Learning als Entscheidungsunterstützung: als strukturierter Erstbefund, zur Vorselektion und als Grundlage für die Freigabe durch den Sachverständigen.

FAQs

Wie viele Schadensfotos braucht Transfer Learning mindestens?

Der Blog nennt keine feste Mindestanzahl an Schadensfotos.

Worauf es stattdessen ankommt? Auf klare, vollständige Bilder. Dazu gehören Übersichtsfotos aus mehreren Blickwinkeln und passende Detailaufnahmen, auf denen der Schaden gut zu sehen ist.

Fehlen Bilder oder ist ein Schaden nicht gut erkennbar, lassen sich diese Aufnahmen in vielen Fällen nachreichen. Sind jedoch zu wenige oder unvollständige Fotos vorhanden, kann das die Ergebnisse beeinträchtigen.

Wann sollte ein Fall trotz KI manuell geprüft werden?

Eine manuelle Prüfung bleibt bei komplexen Schäden unverzichtbar. Das gilt zum Beispiel für strukturelle Verformungen, Fahrwerksschäden, ausgelöste Airbags oder schwer zugängliche Bereiche. In solchen Fällen reicht ein Foto-Check durch ein System oft nicht aus. Hier braucht es den Blick von Menschen, die wissen, worauf sie achten müssen.

Auch bei Oldtimern und Spezialfahrzeugen ist menschliche Expertise entscheidend. Diese Fahrzeuge folgen oft nicht dem üblichen Muster. Teile, Bauweise und Zustand können stark abweichen.

Manuell geprüft werden sollte ein Fall außerdem dann, wenn die KI selbst eine unsichere Bewertung meldet. Das gilt auch bei niedrigen Certainty Scores, oder wenn ein Schaden gar nicht erkannt wird. Kurz gesagt: Sobald Zweifel im Raum stehen, sollte ein Mensch übernehmen.

Wie lässt sich die Modellqualität im Alltag sichern?

Bei CUBEE wird die Modellqualität durch laufendes Monitoring, regelmäßige Datenaudits und menschliche Fachkenntnis gesichert. Automatisierte Systeme erkennen Abweichungen früh und melden, wenn Leistungskennzahlen unter festgelegte Schwellen fallen.

Erfahrene Sachverständige prüfen die KI-Ergebnisse, korrigieren sie bei Bedarf und geben diese Korrekturen in das Retraining zurück. Neue Schadenstypen und Fahrzeugmodelle fließen fortlaufend in die Trainingsdaten ein. Auffällige Schadenssummen werden manuell geprüft.

Verwandte Blogbeiträge