Objectdetectie is een taak binnen computer vision die elk relevant object in een afbeelding vindt, er een kader omheen tekent en het labelt. Daarmee beantwoordt het twee vragen tegelijk: wat staat er op de afbeelding en waar bevindt het zich? Op basis van die antwoorden kan software tellen, controleren en een waarschuwing geven.
Stel je voor: een heftruck zet een pallet neer bij laaddock 4. Voordat de vrachtwagen vertrekt, moet iemand die controleren. Zijn alle 24 dozen aanwezig? Zit het verzendlabel erop? Vandaag doet iemand die controle met een klembord. Met objectdetectie kan een camera de eerste controle uitvoeren.
Deze gids bouwt voort op onze inleiding over computer vision en richt zich op één taak. We gebruiken het laaddock als doorlopend voorbeeld.
Belangrijkste punten
- Objectdetectie levert voor elk object een klasse, een kader en een betrouwbaarheidsscore op. Het begrijpt geen intenties of de bredere situatie.
- De waarde zit in wat daarna gebeurt: tellen, toetsen aan een regel of iemand waarschuwen.
- Een hoge benchmarkscore zegt weinig over je eigen camera’s. Test met eigen beelden die op verschillende dagen zijn gemaakt.
- Begin met één afgebakende taak en een nulmeting, en probeer een bestaand model voordat je voor maatwerk betaalt.
Wat is objectdetectie?
Objectdetectie laat zien welke objecten van bekende typen in een afbeelding voorkomen en waar elk object zich bevindt. Die typen heten klassen. Een model dat is getraind op de openbare COCO-dataset kent 80 alledaagse klassen, zoals persoon, vrachtwagen en fles. Een model voor een laaddock heeft er misschien maar drie nodig: pallet, doos en verzendlabel.
Voor elk gevonden object levert de detector een klasse, een begrenzingskader (bounding box) en een betrouwbaarheidsscore op. Het kader bestaat uit vier getallen die een rechthoek rond het object aangeven, en de score loopt van 0 tot 1.
Eén beeld bij dock 4 kan een pallet opleveren met een score van 0,97, 23 dozen met scores tussen 0,71 en 0,95 en een verzendlabel met een score van 0,88. De detector neemt geen beslissing. Een bedrijfsregel vergelijkt de 23 dozen met de 24 op de order en markeert de pallet voor controle.
Een object herkennen is niet hetzelfde als de scène begrijpen. De detector ziet een doos, maar niet dat daarin het verkeerde product zit of dat die op een andere vrachtwagen hoort. Die context komt uit andere systemen, zoals je magazijnbeheersysteem.
Ook betrouwbaarheidsscores vragen aandacht. Een score van 0,9 betekent niet dat het kader negen van de tien keer klopt. Onderzoek naar de kalibratie van betrouwbaarheidsscores bij objectdetectie liet zien dat detectiemodellen systematisch verkeerd gekalibreerd zijn. Gebruik de score om resultaten te rangschikken en bepaal drempelwaarden door ze op je eigen beelden te testen.
Hoe verschilt objectdetectie van andere taken binnen computer vision?
Objectdetectie zit tussen beeldclassificatie, die een hele afbeelding labelt, en beeldsegmentatie, die objecten pixel voor pixel afbakent. Objecttracking voegt tijd toe. De tabel past alle vier toe op ons laaddock.
| Taak | Vraag bij het laaddock | Wat het oplevert | Voldoende als je dit nodig hebt |
| Beeldclassificatie | Staat er een pallet op dit beeld? | Eén of meer labels voor de hele afbeelding | Weten of iets aanwezig is |
| Objectdetectie | Hoeveel dozen staan er op de pallet en waar? | Een klasse, kader en betrouwbaarheidsscore per object | Aantallen, posities of specifieke objecten |
| Beeldsegmentatie | Welke pixels tonen de gescheurde krimpfolie? | Een omtrek (masker) per object | Vorm, oppervlakte of een precieze rand |
| Objecttracking | Is dit dezelfde pallet die twee minuten geleden aankwam? | Een blijvende ID per object in opeenvolgende videobeelden | Beweging, wachttijd of het tellen van passerende objecten |
Kaders volstaan wanneer aantal en positie van belang zijn. Als oppervlakte of vorm belangrijk is, heb je segmentatie nodig.
Detectie heeft bovendien geen geheugen. Elk beeld wordt afzonderlijk verwerkt. Een pallet die tien seconden in beeld is bij 25 beelden per seconde, wordt dus 250 keer gedetecteerd. Om pallets te tellen die een deur passeren, heb je een tracker nodig die elk object in opeenvolgende beelden dezelfde ID geeft.
Hoe werkt objectdetectie?
Een detectiesysteem zet een camerabeeld in vijf stappen om in een actie. Het model is daar slechts één onderdeel van.
- Vastleggen: een camera maakt een beeld zodra een sensor de aankomst van de pallet waarneemt.
- Voorbereiden: software schaalt het beeld en normaliseert het voor het model.
- Het model uitvoeren: de detector levert kaders op, elk met een klasse en een score.
- Filteren en interpreteren: resultaten met lage scores en dubbele kaders worden verwijderd, waarna bedrijfsregels worden toegepast.
- Handelen: het systeem keurt de pallet goed, waarschuwt een supervisor of slaat het beeld op.
Twee fasen zijn belangrijk. Tijdens de training leert een model van gelabelde beelden waarin mensen om elk object een kader hebben getekend. Tijdens inferentie verwerkt het getrainde model nieuwe beelden. Inferentie wordt op elk beeld uitgevoerd; de snelheid en de gebruikte hardware bepalen daarom je operationele kosten en reactietijd.
Weinig bedrijven trainen een detector helemaal vanaf nul. Een voorgetraind model heeft al algemene visuele kenmerken geleerd uit grote openbare datasets. Met fine-tuning zet je die training voort op je eigen gelabelde beelden, zodat het model jouw soorten dozen en camerahoek leert herkennen.
Welke modelfamilies worden gebruikt voor objectdetectie?
YOLO (You Only Look Once) bekijkt het hele beeld in één doorgang. Het oorspronkelijke YOLO-artikel uit 2015 liet detectie zien die snel genoeg was voor livevideo. Ultralytics bracht in januari 2026 YOLO26 uit, ontwikkeld voor edge-apparaten. Controleer eerst de licentie: Ultralytics biedt AGPL-3.0 of een betaalde bedrijfslicentie.
Faster R-CNN werkt in twee fasen: het stelt beeldregio’s voor en classificeert die vervolgens. Het is doorgaans trager, maar blijft een goed begrepen referentiemodel. DETR, in 2020 ontwikkeld door onderzoekers van Facebook AI, gebruikt een transformer om alle objecten tegelijk te voorspellen. Het oorspronkelijke model trainde langzaam; latere varianten zoals RT-DETR richten zich op realtime snelheid.
Het nieuwste model is niet automatisch het beste voor jou. Het gaat om de nauwkeurigheid op jouw beelden, de snelheid op jouw hardware, de licentie en de vraag of je team het kan onderhouden.
Welke modellen voor objectdetectie kun je het beste als eerste evalueren?
Er zijn honderden detectiearchitecturen en duizenden getrainde varianten. Begin daarom bij je doel in plaats van bij een ranglijst. De tabel geeft veelgebruikte uitgangspunten weer, met oktober 2026 als peildatum. Sommige modellen classificeren, segmenteren of volgen objecten in plaats van ze te detecteren. In de praktijk worden ze gecombineerd met een detector.
| Je doel | Te evalueren modellen | Goed om te weten |
| Snelle detectie op een camera of edge-apparaat | YOLO26, YOLO11 | YOLO26 is de huidige Ultralytics-versie. YOLO27 is in september 2026 aangekondigd, maar is nog niet beschikbaar. |
| Hoge nauwkeurigheid wanneer snelheid minder belangrijk is | RT-DETR, grotere YOLO-varianten, Faster R-CNN | Vergelijk ze op je eigen beelden, niet op COCO-scores |
| Objecten vinden op basis van een tekstbeschrijving | Grounding DINO, YOLO-World, YOLOE | Nuttig voor haalbaarheidstests en het vooraf labelen van beelden |
| Objecten herkennen zonder training op maat | Grounding DINO, OWLv2, Florence-2 | Bij specialistische objecten doorgaans minder betrouwbaar dan een gefinetuned model |
| Precieze contouren in plaats van kaders | SAM 3, Mask2Former, YOLO-segmentatiemodellen | SAM 3 accepteert ook tekstprompts en werkt met video |
| Objecten volgen in video | Een detector plus ByteTrack of BoT-SORT, of SAM 3 | Trackers voegen ID’s toe; ze vinden zelf geen objecten |
| De hele afbeelding labelen | ConvNeXt, EfficientNet, ViT | Alleen classificatie: geen kaders |
| Draaien op kleine edge-apparaten | Nano- en kleine YOLO-varianten, modellen op basis van MobileNet | Controleer eerst of export naar jouw hardware wordt ondersteund |
Ook licenties verschillen. Ultralytics-modellen vallen onder AGPL-3.0 of een betaalde licentie, SAM 3 onder Meta’s eigen SAM License en veel onderzoeksmodellen onder permissieve licenties zoals Apache 2.0 of MIT. Controleer de licentie voordat je een product op een model bouwt.
Waar levert objectdetectie zakelijke waarde op?
Objectdetectie loont waar mensen op grote schaal handmatige controles uitvoeren en een gemiste fout duidelijke kosten heeft. In elk van de onderstaande voorbeelden komt de waarde voort uit de regels en systemen rond de detector.
Productie: zijn alle onderdelen aanwezig?
Een detector vindt elk verwacht onderdeel in een assemblage. Een regel vergelijkt het resultaat vervolgens met de stuklijst voor die productvariant. Ontbreken er onderdelen, dan gaat het product terug voor herstel. Zichtbare defecten zoals krassen variëren sterker dan onderdelen en vragen daarom vaak om aanvullende segmentatie of anomaliedetectie.
Logistiek: pallets, pakketten en labels
Bij ons laaddock vindt de detector pallets, dozen en labels. Een regel vergelijkt die met de order. Om het label te lezen, is OCR of een barcodelezer nodig. Eén beperking is fysiek: een camera kan geen dozen zien die binnen in een gestapelde pallet verborgen zitten.
Retail: staat het product in het schap?
Detectie op schapbeelden vindt producten en lege plekken, waarna software die vergelijkt met de geplande indeling. Bij duizenden producten bepaalt een tweede classificatiestap meestal om welk specifiek artikel het gaat. Nieuwe verpakkingen betekenen bovendien nieuwe trainingsbeelden.
Verkeer: weggebruikers en verkeersstromen
Detectie vindt auto’s, fietsers en voetgangers op een kruispunt. Tracking zet die waarnemingen om in aantallen en routes voor verkeersplanners. Camera’s in de openbare ruimte filmen mensen; houd daarom vanaf de eerste dag rekening met privacy in het ontwerp.
Landbouw: onkruid, fruit en gewassen
Bij See & Spray van John Deere herkennen camera’s op de spuitboom onkruid en schakelen ze afzonderlijke spuitdoppen alleen in waar dat nodig is. John Deere meldt dat klanten het systeem in 2025 op meer dan vijf miljoen hectares gebruikten en gemiddeld bijna de helft minder herbiciden zonder bodemnawerking verbruikten. Deze cijfers zijn door het bedrijf zelf gerapporteerd. Het principe blijft hetzelfde: detectie alleen bespuit niets; de waarde ontstaat door de koppeling met de machinebesturing.
Wat bepaalt de nauwkeurigheid en betrouwbaarheid van objectdetectie?
De betrouwbaarheid hangt sterker af van de beelden en de opstelling dan van het model.
Beeldomstandigheden, data en labels
Bij het dock valt de middagzon naar binnen zodra de dockdeur opengaat. Krimpfolie weerkaatst licht, een bewegende heftruck veroorzaakt onscherpte en de mast bedekt een deel van de stapel. Een label op zes meter afstand beslaat maar enkele tientallen pixels. Al deze factoren verminderen de nauwkeurigheid en treden vaak tegelijk op.
Trainingsbeelden moeten elke dienst, elk seizoen, elke productvariant en elk type fout omvatten. Labels moeten consequent worden aangebracht: als de ene persoon elke doos omkadert en de andere de hele stapel, raakt het model in de war. Nieuwe verpakkingen of een verplaatste camera veranderen de omstandigheden na ingebruikname. Blijf daarom monitoren.
Foutpositieven en foutnegatieven
Bij een foutpositief wordt een complete pallet ten onrechte gemarkeerd en verliest een supervisor een paar minuten. Bij een foutnegatief wordt een pallet waarop echt een doos ontbreekt niet opgemerkt en ontvangt de klant een onvolledige levering. Dat laatste kost meestal meer. Een lagere drempel voor de betrouwbaarheidsscore vangt meer echte problemen op, maar geeft ook meer valse alarmen. Stel de drempel daarom in op basis van de kosten van elk type fout.
Precision, recall, IoU en mAP in gewone taal
Precision beantwoordt de vraag: hoeveel van alles wat het model heeft gemarkeerd, was correct? Recall vraagt: hoeveel van alles wat er daadwerkelijk was, heeft het gevonden? IoU (intersection over union) meet hoe goed een voorspeld kader overlapt met het werkelijke kader. Een detectie telt pas als correct boven een vastgestelde overlap, vaak 0,5.
mAP (mean average precision) vat precision en recall samen in één getal, gemiddeld over alle klassen. De COCO-benchmark neemt bovendien het gemiddelde over tien overlapdrempels van 0,5 tot 0,95. Dat helpt om modellen te vergelijken. Vraag voor een zakelijke beslissing echter om precision en recall bij je eigen drempelwaarde.
Waarom benchmarkscores niet zomaar overdraagbaar zijn
Grounding DINO behaalde 52,5 AP op COCO zonder COCO-trainingsdata te gebruiken. In dezelfde zero-shot-opzet behaalde het gemiddeld 26,1 AP op ODinW, een verzameling datasets uit praktijksituaties. De benchmarks verschillen in moeilijkheidsgraad, maar het verschil laat zien hoe sterk resultaten per domein kunnen variëren. Jouw laaddock is een domein op zich.
Snelheid, realtime verwerking en menselijke beoordeling
Grotere modellen zijn doorgaans nauwkeuriger en trager. Bij een wachtende pallet is één goed resultaat binnen enkele seconden voldoende, terwijl een pakketsorteerder binnen milliseconden antwoord nodig heeft. Bepaal eerst de vereiste reactietijd.
Laat onzekere resultaten of resultaten met ingrijpende gevolgen door een mens beoordelen. Een pallet waarover twijfel bestaat verschijnt met ingetekende kaders op het scherm van de supervisor. Elke correctie levert nieuwe trainingsdata op.
Hoe begin je aan een project voor objectdetectie?
Begin met één afgebakende, meetbare vraag en toon met je eigen beelden aan dat het model werkt voordat je iets integreert.
- Definieer één probleem, bijvoorbeeld ontbrekende labels bij docks 1 tot en met 4, en meet hoe vaak dat nu voorkomt.
- Stel acceptatiecriteria vast. Een hypothetisch doel: 95 procent van de ontbrekende labels vinden, met maximaal vijf valse alarmen per dienst.
- Leg de cameraopstelling vast en verzamel beelden van verschillende diensten en producten, inclusief echte fouten.
- Evalueer eerst een bestaand model en bepaal daarna of fine-tuning nodig is.
- Test op nog niet eerder gebruikte beelden van verschillende dagen, niet op beelden uit dezelfde videoclip.
- Laat een pilot enkele weken naast het huidige proces draaien, waarbij pallets worden gemarkeerd maar niet worden tegengehouden.
- Plan de integratie, monitoring en het onderhoud, en leg vast wie verantwoordelijk is voor het model.
Moet het model aan de edge of in de cloud draaien?
Bij inzet aan de edge draait het model op een apparaat naast de camera. Dat reageert snel, werkt offline en houdt beelden op locatie, maar je moet op elke locatie hardware onderhouden. De cloud is eenvoudiger bij te werken en op te schalen, maar vereist een stabiele verbinding en verstuurt beelden buiten de locatie. Veel systemen voeren detectie aan de edge uit en trainen in de cloud. Onze vergelijking van cloud, edge en lokale AI behandelt de afwegingen.
Als camera’s ook mensen vastleggen, kunnen de beelden persoonsgegevens zijn. De EDPB-richtsnoeren over videoapparatuur leggen uit hoe de AVG van toepassing is. In de praktijk: richt camera’s op de goederen, vervaag personen waar mogelijk en bewaar beelden kort.
Wat kost objectdetectie en wanneer loont het?
Het model is zelden de grootste kostenpost. Camera’s, data, integratie en onderhoud wegen meestal zwaarder.
| Kostenpost | Wat eronder valt | Wat de hoogte bepaalt |
| Camera’s en verlichting | Camera’s, bevestigingen, verlichting, bekabeling | Aantal posities, stof, kou of buitengebruik |
| Data en labels | Beelden verzamelen, kaders tekenen, een handleiding voor het labelen | Aantal klassen, objecten per beeld, zeldzame fouten |
| Ontwikkeling | Modelkeuze, fine-tuning, bedrijfsregels, testen | Hoe specifiek de klassen zijn, de gewenste nauwkeurigheid |
| Rekenkracht | Edge-apparaten, GPU-servers of inferentie in de cloud | Beeldsnelheid, modelgrootte, aantal camera’s |
| Integratie | Koppelingen met magazijn- of productiesystemen, waarschuwingen | Aantal systemen, mate van automatisering |
| Onderhoud | Monitoring, opnieuw trainen, cameraonderhoud, licenties | Hoe vaak producten en omstandigheden veranderen |
Vergelijk de totale kosten over meerdere jaren met meetbare voordelen, zoals bespaarde controle-uren en voorkomen fouten.
Een hypothetisch voorbeeld: een magazijn verzendt 100.000 pallets per jaar. Stel dat bij 0,5 procent een doos of label ontbreekt: dat zijn 500 pallets, met per pallet €120 aan kosten voor creditnota’s en nalevering. Dat komt neer op €60.000 per jaar. Als de pilot laat zien dat het systeem 80 procent daarvan vindt, voorkomt het jaarlijks €48.000 aan kosten. Vervang elke aanname door je eigen cijfers.
Soms is een camera niet het juiste hulpmiddel. Als elke doos tijdens het orderpicken wordt gescand, is het tellen van scans goedkoper en betrouwbaarder. Objectdetectie is zinvol wanneer objecten en posities variëren en geen barcode of sensor de vraag kan beantwoorden.
Veelgestelde vragen over objectdetectie
Wat is het verschil tussen objectdetectie en beeldherkenning?
Beeldherkenning bepaalt meestal wat een afbeelding laat zien, vaak met één label per afbeelding. Objectdetectie gaat verder: het vindt elk object van de klassen die het kent, markeert elk object met een begrenzingskader en voegt een betrouwbaarheidsscore toe. Herkenning zegt dat er een pallet aanwezig is. Detectie zegt hoeveel het er zijn en waar ze staan.
Kan objectdetectie in realtime werken?
Objectdetectie kan in realtime werken. Compacte modellen verwerken op geschikte hardware tientallen videobeelden per seconde. Of dat snel genoeg is, hangt af van je proces: bij een stilstaande pallet heb je seconden, terwijl een snelle transportband om milliseconden vraagt. Bepaal eerst de reactietijd en kies daarna het model en de hardware.
Hoeveel trainingsdata heb je nodig?
Er is geen vaste hoeveelheid die voor elk project werkt. Het finetunen van een voorgetraind model begint vaak met honderden tot enkele duizenden gelabelde beelden, afhankelijk van de klassen. Variatie is belangrijker dan volume: neem elke dienst, lichtomstandigheid, productvariant en elk type fout mee en houd aparte beelden achter om te testen.
Kan een model objecten detecteren waarvoor het oorspronkelijk niet is getraind?
Een standaarddetector vindt alleen de klassen waarop hij is getraind. Detectoren met een open vocabulaire, zoals Grounding DINO, gebruiken een tekstprompt en kunnen zonder extra training nieuwe objecttypen vinden. Ze zijn geschikt voor snelle haalbaarheidstests en het vooraf labelen van beelden, maar voor specialistische objecten is een gefinetuned model meestal betrouwbaarder.
Hoe meet je de nauwkeurigheid van objectdetectie?
Teams meten precision (hoeveel detecties correct zijn), recall (hoeveel werkelijk aanwezige objecten zijn gevonden) en mAP, dat beide over verschillende klassen samenvat. Kijk voor een zakelijke beslissing naar precision en recall bij de drempelwaarde die je daadwerkelijk gaat gebruiken, op nog niet eerder gebruikte beelden van je eigen camera’s.
Heb je een model op maat nodig?
Je hebt niet altijd een model op maat nodig. Voor veelvoorkomende objecten zoals mensen, voertuigen of pakketten kan een voorgetraind model goed genoeg presteren. Test dat dus eerst. Fine-tuning is meestal nodig als je klassen specifiek zijn, zoals eigen onderdelen of verpakkingen, of als je camerabeeld afwijkt van openbare datasets.
Kan objectdetectie op een bestaand camerasysteem draaien?
Objectdetectie werkt vaak met bestaande camera’s, zolang die de objecten duidelijk in beeld brengen. Resolutie, kijkhoek, verlichting, beeldsnelheid en videocompressie bepalen of de beelden goed genoeg zijn. Test eerst op opgenomen beelden. Een ongunstige hoek of heel kleine objecten kunnen alsnog een extra camera of betere verlichting vereisen.
Wat kost een project voor objectdetectie?
De kosten hangen vooral af van camera’s, het labelen van beelden, integratie en onderhoud, meer dan van het model. Een pilot met bestaande camera’s en een voorgetraind model kost veel minder dan een systeem voor meerdere locaties met specifieke klassen. Baken één taak af en vergelijk de totale eigendomskosten met gemeten voordelen voordat je opschaalt.
Waar begin je met objectdetectie?
Met objectdetectie kan software lokaliseren en tellen wat je medewerkers nu met het oog controleren. Het werkt het best bij een afgebakende taak, met je eigen beelden en een duidelijke regel voor elke detectie. Kies één visuele controle die zich steeds herhaalt, meetbaar is en veel kost als het misgaat, en test die op je eigen beelden. Het computer vision-team van DataNorth kan je helpen de haalbaarheid te beoordelen en een kleine pilot naast je huidige proces uit te voeren.
