Datorseende: så lär sig AI att känna igen bilder

Datorseende, på engelska computer vision, är området där AI-modeller tränas att hitta mönster i bilder och video, och i praktiken bygger det på maskininlärning. Bildigenkänning är en vanlig del av datorseende.

Det betyder inte att modellen ser som en människa eller har någon egen förståelse av bilden. Den arbetar med bilddata som tal och lär sig stegvis statistiska mönster, från enkla kanter och färgskillnader till mer sammansatta former och delar av objekt. Det kan vara mycket användbart, men resultatet beror helt på hur modellen tränats och vilken data den fått.

I korthet

Datorseende är AI för bilder och video, alltså modeller som hittar mönster i visuella data.
Bildigenkänning är en del av datorseende, men området rymmer också uppgifter som att hitta objekt, läsa text i bilder och följa rörelser i video.
De flesta system tränas på många exempelbilder, ofta med etiketter som talar om vad bilden innehåller.
Modellen har ingen mänsklig förståelse av bilden. Den lär sig statistiska samband mellan bildmönster och rätt svar.
Vanliga problem är dålig träningsdata, snedvridning i datan, överanpassning och fel i nya miljöer.

Vad är datorseende?

Datorseende handlar om att låta en modell analysera visuella data. Det kan vara en stillbild, en videoström eller en kamera som skickar nya bildrutor hela tiden. Målet är att modellen ska ge ett användbart svar, till exempel ”det här är en katt”, ”det finns tre bilar i bilden” eller ”texten på skylten är så här”.

Ordet bildigenkänning används ofta brett i vardagsspråk. Här använder vi det smalare, alltså när modellen avgör vad en bild eller ett objekt föreställer. Datorseende är bredare och kan också handla om att dela upp en bild i olika delar, följa ett objekt mellan bildrutor eller upptäcka att något avviker från det vanliga.

Det här används redan i vardagen. Mobilkameror kan till exempel hitta ansikten för att justera fokus eller exponering. Appar kan läsa av kvitton. Bildappar kan sortera foton efter motiv. I industrin kan kameror leta efter fel på produkter. Om du vill se fler vardagsfall finns fler exempel på maskininlärning på sajten.

Hur går det till när en modell tittar på en bild?

En digital bild består av många små bildpunkter, så kallade pixlar. Varje pixel har värden för till exempel ljus och färg. För en människa blir bilden snabbt meningsfull. För en modell är den först bara en stor mängd tal.

Gör om bilden till data

Bilden läses in som pixelvärden. Ibland ändras storleken eller beskärningen så att bilderna blir lättare att jämföra.

Låt modellen leta efter mönster

Modellen söker först enkla drag som kanter och färgskillnader. I flera steg kan den sedan lära sig mer sammansatta mönster, som hörn, former och delar av objekt.

Jämför med facit under träning

Om modellen tränas med märkta bilder jämförs dess gissning med rätt svar, till exempel ”hund” eller ”inte hund”.

Justera modellen lite i taget

Efter varje gissning ändras många små inställningar i modellen, ofta kallade parametrar, så att felet blir mindre nästa gång.

Använd modellen på nya bilder

När träningen är klar testas modellen på bilder den aldrig sett förut. Fungerar det där också har den lärt sig ett mönster som kan användas i praktiken.

På andra delar av sajten förklarar vi övervakad inlärning, träningsdata och hur AI tränas mer i detalj. För datorseende är kopplingen mellan bild och rätt svar ofta det centrala under träningen.

Vilka uppgifter kan datorseende lösa?

Det finns flera vanliga typer av uppgifter inom datorseende. De skiljer sig åt i vad modellen ska lämna tillbaka som svar.

Uppgift	Vad modellen ska göra	Vardagsexempel
Bildklassificering	Välja en kategori för hela bilden	”katt”, ”hund” eller ”fågel”
Objektdetektering	Hitta objekt och markera var de finns	Rita rutor runt bilar eller personer i en bild
Segmentering	Dela upp bilden pixel för pixel i olika delar, till exempel väg, himmel och fotgängare	Skilja olika delar av en trafiksituation åt
Optisk teckenigenkänning, OCR	Läsa text i en bild	Skanna kvitton eller läsa registreringsskyltar
Spårning i video	Följa samma objekt mellan bildrutor	Följa en boll eller en person i en video

Skillnaden mellan de här uppgifterna är viktig. En modell som bara kan säga ”det finns en cykel i bilden” är inte samma sak som en modell som också kan peka ut exakt var cykeln finns.

Hur tränas datorseende?

Många system för datorseende tränas med övervakad inlärning, på engelska supervised learning. Då får modellen många bilder där rätt svar redan finns. En bild kan till exempel ha etiketten ”cykel”, eller vara märkt med rutor runt alla cyklar som syns.

Det viktiga är inte bara mängden data, utan också kvaliteten. Om bilderna är felmärkta, suddiga eller ensidiga lär sig modellen fel saker. Om nästan alla träningsbilder visar bilar i solsken kan modellen få svårt när vädret, vinkeln eller bakgrunden ändras.

I vissa fall används också omärkt data. Då kan modellen först tränas på stora mängder bilder för att lära generella bildmönster och sedan finjusteras på en mindre mängd märkta bilder för en särskild uppgift. Grundidén är ändå densamma. Modellen justeras efter data tills den blir bättre på uppgiften.

Det är också vanligt att återanvända en modell som redan tränats på stora bildsamlingar och sedan träna om den på ett smalare problem, till exempel att hitta sprickor i asfalt eller känna igen olika växtsjukdomar. Det sparar tid och kräver ofta mindre ny data.

Varför fungerar det utan mänsklig förståelse?

Det här är en viktig poäng. Datorseende kan verka nästan magiskt, men det bygger inte på att modellen ser världen som en människa. Den har inga ögon, inget medvetande och ingen egen uppfattning om vad ett föremål är. Den har tränats att koppla återkommande mönster i data till vissa svar.

Många moderna bildmodeller bygger på neurala nätverk. Det är modeller som är bra på att hitta komplicerade samband i stora mängder data. Under träningen kan de till exempel lära sig att vissa kombinationer av kanter, former och ytmönster ofta hänger ihop med kategorin ”katt”.

Det betyder inte att modellen saknar förmåga helt. Tvärtom kan den göra statistiskt avancerade bedömningar och bli mycket träffsäker i en smal uppgift. Men träffsäkerhet är inte samma sak som mänsklig förståelse. Därför kan en modell fungera bra i många fall och ändå göra oväntade fel.

Vad kan gå fel i datorseende?

Det vanligaste felet är att modellen fungerar bra på träningsdatan men sämre i verkligheten. Det kallas överanpassning, på engelska overfitting. Då har modellen lärt sig detaljer i träningsbilderna i stället för mönster som håller även för nya bilder.

Ett annat problem är snedvridning i datan, ofta kallat bias. Det betyder att träningsdatan inte speglar verkligheten på ett bra sätt. Då kan modellen bli sämre för vissa miljöer, hudtoner, kameratyper, klädstilar eller ljusförhållanden. Problemet uppstår inte för att modellen ”vill” något, utan för att människor samlat in, märkt eller använt datan på ett begränsat sätt.

Dåligt ljus, rörelseoskärpa eller ovanliga vinklar kan ge fel svar.
Bakgrunden kan lura modellen om den råkat bli ett starkt mönster i träningsdatan.
Samma objekt kan se mycket olika ut beroende på storlek, färg eller om en del är skymd.
En modell kan fungera bra i testmiljön men falla när kameran, platsen eller användningen ändras.

Därför räcker det inte att fråga om en modell fungerar. Man måste fråga för vem, i vilken miljö och för vilket syfte.

Hur vet man om ett system för datorseende är bra?

Man bedömer inte en bildmodell genom att titta på några få lyckade exempel. Den måste testas på data som inte användes under träningen. Först då ser man om modellen fungerar också på nya bilder. Det kallas ofta att modellen generaliserar, alltså att den inte bara kan sina träningsexempel utantill.

Vilket mått som passar beror på uppgiften. Vid klassificering tittar man ofta på träffsäkerhet, men också på hur många missar modellen gör och vilken sorts fel som är mest kostsam. I ett sjukvårdssystem kan det vara värre att missa ett problem än att ge en extra varning. I en automatisk grind kan det vara tvärtom.

För objektdetektering och segmentering räcker det inte att hitta rätt kategori. Modellen måste också markera rätt plats i bilden. Därför behöver man kontrollera både om objektet hittades och hur väl markeringen stämmer.

Bra utvärdering handlar också om testdata. Om testbilderna är för lika träningsbilderna får man en för snygg bild av verkligheten. Därför vill man ofta testa i flera miljöer, med olika kameror och under olika förhållanden.

Var används datorseende idag?

Datorseende finns i många vanliga tjänster. Mobilen kan sortera bilder efter motiv. Appar kan läsa text från kvitton och dokument. Kameror i fabriker kan hitta produkter med fel. Vissa fordonssystem kan varna om något dyker upp framför bilen.

Det är bra att skilja på bekväma och känsliga användningar. Att sortera semesterbilder är en sak. Att analysera övervakningskameror eller hjälpa till i trafiken är något annat. Ju större konsekvenser ett fel kan få, desto högre krav behövs på data, testning och mänsklig kontroll.

Testa själv

Du kan prova enkel bildigenkänning utan att programmera i Teachable Machine. Där ser du tydligt hur resultatet påverkas av vilka exempelbilder du tränar modellen på.

Vill du ha en lugn introduktion till hur AI lär sig mönster kan du också testa Elements of AI. Det hjälper dig att se varför datorseende handlar om data och träning, inte om mänsklig förståelse.

Vanliga frågor

Är datorseende samma sak som bildigenkänning?

Inte riktigt. Bildigenkänning brukar syfta på att avgöra vad en bild eller ett objekt föreställer, till exempel katt eller hund. Datorseende är bredare och omfattar också sådant som att hitta objekt, läsa text i bilder och följa rörelser i video.

Kan datorseende användas på video också?

Ja. En video är i grunden en snabb följd av bilder. Då kan modellen både analysera varje bildruta och följa hur objekt rör sig mellan rutorna.

Behöver datorseende alltid märkt data?

Nej, men märkt data är mycket vanligt när modellen ska lära sig ett tydligt rätt svar. Det går också att använda omärkt data för att lära mer allmänna bildmönster och sedan finjustera modellen med färre märkta exempel.

Är ansiktsigenkänning en del av datorseende?

Ja. Både ansiktsdetektion, alltså att hitta ett ansikte i bilden, och ansiktsigenkänning, alltså att koppla ansiktet till en viss person, hör till datorseende. Det är samtidigt ett känsligt användningsområde eftersom fel och snedvridningar kan få stora konsekvenser.

Kan en tydlig bild ändå ge fel svar?

Ja. En modell kan ha lärt sig fel mönster från träningsdatan, till exempel bakgrunder, kameravinklar eller ljus som råkade vara vanliga under träningen. Därför kan ett system göra fel även när bilden ser enkel ut för en människa.

Källor

Skriven av AI-redaktionen. Texten är researchad och faktakontrollerad mot källorna ovan.

Senast uppdaterad: 26 oktober 2026

Ser du något som är fel eller har blivit inaktuellt? Hör av dig så rättar vi.