Die visuelle Erkennung, die in der Mode angewendet wird, basiert auf einem präzisen technischen Prinzip: Ein Algorithmus analysiert die Pixel eines Bildes (Screenshot, Fernseherfoto), um die Konturen, Texturen und Farben eines Kleidungsstücks zu isolieren, und vergleicht diese Daten dann mit einer Datenbank von Produktbildern. Das Ergebnis hängt sowohl von der Qualität der Aufnahme als auch von der Größe des Katalogs ab, der von der Anwendung indiziert wird.
Mehrere Anwendungen bieten heute diese Funktion an, die oft als “Shazam der Mode” bezeichnet wird. Watiz, Google Lens oder spezialisiertere Lösungen ermöglichen es, ein Kleidungsstück, das im Fernsehen gesehen wurde, zu fotografieren und Kaufvorschläge zu erhalten. Das Versprechen ist verlockend, aber die Zuverlässigkeit variiert je nach dem, wonach man sucht.
Ebenfalls empfehlenswert : Wie man seine Beziehung zu den Eltern im Erwachsenenalter gestaltet
Bildrecognition Mode: Was zwischen der Aufnahme und dem Ergebnis passiert
Wenn eine Anwendung ein Foto eines Kleidungsstücks analysiert, “sieht” sie kein Kleid oder Blazer. Sie zerlegt das Bild in Attribute: Form des Kragens, Länge der Ärmel, dominierendes Muster, Farbpalette. Diese Attribute werden dann in numerische Vektoren umgewandelt, die mit denen der in der Datenbank gespeicherten Produktblätter verglichen werden.
Die Möglichkeit, ein relevantes Ergebnis zu erhalten, hängt direkt von der Qualität dieser Datenbank ab. Eine Anwendung, die hauptsächlich die Kataloge großer französischer Einzelhändler und westlicher Luxusmarken indiziert, wird konsistente Ergebnisse für eine Jacke liefern, die auf einem öffentlich-rechtlichen Fernsehsender gesehen wurde. Um die Kreation eines aufstrebenden Designers oder ein handgefertigtes Stück zu identifizieren, steigt die Fehlerrate deutlich an.
Auch lesenswert : Wie verbindet man seinen Smart TV mit dem Internet-Router?
Die seit kurzem verwendeten Deep-Learning-Modelle verbessern die Genauigkeit bei komplexen Stoffen und Mustern. Anwendungen wie Watiz integrieren diese Technologien, um die Übereinstimmung zwischen der Aufnahme und dem referenzierten Produkt zu verfeinern. Der Fortschritt ist bei großflächig vermarkteten Kleidungsstücken real, bleibt jedoch begrenzt, sobald das Stück die klassischen Vertriebswege verlässt.
Um ein Kleidungsstück, das im Fernsehen gesehen wurde, zu shazamen, besteht der zuverlässigste Ansatz darin, das schärfste Bild möglich zu erfassen, indem man Bildschirmreflexionen und Weitwinkelaufnahmen vermeidet, bei denen das Kleidungsstück eine geringe Fläche einnimmt.
Algorithmische Verzerrungen von Modeanwendungen: Welche Marken werden bevorzugt
Die Datenbanken dieser Anwendungen sind nicht neutral. Sie spiegeln die geschäftlichen Partnerschaften wider, die mit Marken und Online-Shops geschlossen wurden. Eine durch Affiliate-Programme finanzierte Anwendung erhält eine Provision, wenn der Benutzer über ihren Link kauft. Sie hat daher ein direktes Interesse daran, die Ergebnisse auf die Produkte zu lenken, die die meisten Einnahmen generieren.
Dieser Mechanismus erzeugt eine strukturelle Verzerrung zugunsten großer westlicher Marken. Die am besten indizierten Kataloge sind die von Einzelhändlern, die standardisierte Produktblätter mit Fotos auf weißem Hintergrund, normierten Beschreibungen und kompatiblen Datenströmen haben. Ein unabhängiger Designer, der auf seiner eigenen Website verkauft, ohne Datenströme im erforderlichen Format, bleibt für den Algorithmus unsichtbar.
- Luxusmarken und Fast-Fashion-Anbieter verfügen über umfangreiche und strukturierte digitale Kataloge, was ihre Präsenz in den Ergebnissen der visuellen Suche maximiert.
- Aufstrebende Designer oder Marken aus nicht-westlichen Textiltraditionen produzieren selten Datenströme, die mit den Indizierungsstandards kompatibel sind.
- Das europäische Digital Services Act (DSA) verlangt seit Ende 2024 mehr Transparenz über die Datenbanken, die von diesen Bildrecognition-Algorithmen verwendet werden, aber die praktische Anwendung bleibt ungleich.
Das Ergebnis für den Benutzer ist, dass diese Anwendungen wie ein kommerzieller Filter, der sich als Suchwerkzeug tarnt, funktionieren. Das Kleid, das von einer Moderatorin auf France 2 getragen wird, wird identifiziert, wenn es von einem Partnerunternehmen stammt. Wenn es aus einer handwerklichen Werkstatt stammt, schlägt die Anwendung eine “ähnliche Alternative” aus einem rentableren Katalog vor.
Google Lens im Vergleich zu spezialisierten Anwendungen: Vergleich für das Fernsehen
Die Erfahrungen aus der Praxis zeigen einen deutlichen Unterschied zwischen allgemeinen Werkzeugen und spezialisierten Modeanwendungen. Google Lens identifiziert dank seiner massiven Webindizierung ein breiteres Spektrum an Produkten. Seine multimodale Fähigkeit (kombinierte Analyse des visuellen Kontexts) gibt ihm einen Vorteil bei Fernsehscreenshot-Aufnahmen, bei denen die Beleuchtung und Bewegungen die Schärfe beeinträchtigen.
Spezialisierte Anwendungen wie Watiz bieten hingegen eine geführte Erfahrung für das Mode-Shopping. Die Benutzeroberfläche ist darauf ausgelegt, Kleidungsstücke zu vergleichen, nach Budget oder Stil zu filtern und direkt auf Online-Shops zuzugreifen. Bei einem scharfen Bild eines Kleidungsstücks, das in einer Sendung getragen wird, kann die Genauigkeit mit der von Google Lens vergleichbar sein.
Der Unterschied wird bei schwierigen Fällen größer: Vintage-Kleidung, maßgeschneiderte Stücke, Outfits, die in ausländischen Serien getragen werden. In diesen Fällen identifizieren allgemeine Lösungen häufiger den Kleidungsstil (Schnitt, Epoche, Stil), selbst wenn das genaue Produkt nicht gefunden wird. Modeanwendungen liefern entweder ein ungefähres kommerzielles Ergebnis oder gar kein Ergebnis.
Kriterien zur Auswahl der visuellen Suchanwendung
- Die Größe des indizierten Katalogs: Je größer die Datenbank, desto höher die Chancen auf Übereinstimmung, aber das garantiert nicht die Vielfalt der vertretenen Marken.
- Die Transparenz über geschäftliche Partnerschaften: Seit Inkrafttreten des DSA müssen Anwendungen angeben, ob die Ergebnisse gesponsert sind, ein Kriterium, das vor dem Vertrauen in einen Vorschlag überprüft werden sollte.
- Die Kompatibilität mit Fernsehscreenshots: Einige Anwendungen verarbeiten Bilder mit niedriger Auflösung oder Bildschirmreflexionen besser als andere.
Konkrete Grenzen der Erkennung von Kleidungsstücken im Fernsehen
Das Fernsehen bleibt ein herausforderndes Medium für die visuelle Erkennung. Die Einstellungen wechseln schnell, die Beleuchtung im Studio verändert die Farben, und die Videokompression beeinträchtigt die Details der Texturen. Ein einfarbiger Stoff, der in einer Weitwinkelaufnahme gefilmt wird, wird zu einer Farbfläche ohne verwertbare Informationen für einen Algorithmus.
Die zufriedensten Benutzer sind diejenigen, die einen klaren Nahaufnahme machen, idealerweise indem sie das Video während eines Replays anhalten. Der “Screenshot”-Modus direkt von einer Replay-Anwendung (France.tv, MyTF1) liefert bessere Ergebnisse als ein Foto, das mit dem Telefon vor dem Fernseher aufgenommen wurde.
Die wiederkehrenden Beschwerden in Modeforen beziehen sich auf einen bestimmten Punkt: Nicht-kommerzielle Outfits generieren wenig oder keine Ergebnisse. Ein Kleidungsstück, das von einer Serienfigur getragen wird und von der Kostümabteilung gefertigt wurde, existiert in keinem Katalog. Die Anwendung schlägt dann “ähnliche” vor, die manchmal stark vom Original abweichen.
Die visuelle Erkennung, die in der Mode angewendet wird, macht Fortschritte, unterstützt von leistungsfähigeren Lernmodellen und einer europäischen Regulierung, die zu mehr Transparenz drängt. Der letzte Punkt, den man im Hinterkopf behalten sollte, ist der einfachste: Diese Anwendungen identifizieren, was bereits in ihrer Datenbank vorhanden ist, nicht das, was in der realen Welt existiert.