RNN vs. CNN
RNNs verarbeiten Striche als zeitliche Folge, CNNs eine Skizze als Bild – zwei Wege, dieselbe Zeichnung zu erkennen.
Making-of: Die Technik hinter DrawLa
DrawLa ist ein schnelles Multiplayer-Zeichenspiel – dahinter steckt aber echte KI-Skizzenerkennung. Hier erklären wir, wie eine Zeichnung in Echtzeit erkannt wird: von den Modellen (RNN vs. CNN) über den Quick-Draw-Datensatz und das Training mit PyTorch bis zu neuronalen Netzen auf Smartphones und Edge-Geräten.
Quick, Draw!-Datensatz
Googles Datensatz mit Millionen Skizzen – als Stroke-Vektoren und als gerasterte Bilder. Grundlage für das Training.
Training mit PyTorch
Eine kompakte Pipeline lädt Quick-Draw-Skizzen als 96×96-Bilder, augmentiert sie und trainiert ein ResNet-artiges CNN.
Google QuickDraw auf GitHub
Googles archiviertes Component-Repo: Web Component, Data API und Self-Hosting-Hinweise für echte Doodles.
Mobile & Edge AI
Warum kleine CNNs ideal für lokale Inferenz auf NPU, GPU oder CPU sind – mit niedriger Latenz und ohne Server-Roundtrip.
iPhone & Android
Ein Modell, viele Hardwarepfade: Core ML auf iOS, ONNX/TFLite/ExecuTorch auf Android – plattformübergreifend.
Papers & Quellen
Die zentralen Arbeiten zu Sketch-RNN, dem Quick-Draw-Datensatz und ResNet-artigen CNNs – zum Nachlesen.