Deepness-Alternative für QGIS: 5 Tools im Vergleich

Die schnellste Deepness-Alternative für QGIS ist AI Segmentation, unser eigenes Plugin: Zone zeichnen, building eintippen, und die Polygone kommen zurück, ganz ohne Modelldatei. Deepness selbst lässt ein Deep-Learning-Modell Kachel für Kachel über ein Raster in QGIS laufen, auf Ihrem eigenen Rechner und kostenlos.

Deepness arbeitet mit einer ONNX-Datei, die Sie selbst mitbringen: Sie wählen ein Modell auf der Dokumentationsseite aus, laden es herunter und wählen es dann im Plugin aus. Wenn Sie keine solche Datei haben, gehen die anderen Tools unten von anderen Eingaben aus. Deepness steht auf Platz zwei, nach denselben Kriterien wie die anderen.

Die Alternativen im Überblick

1. AI Segmentation

AI Segmentation stammt von uns, gewichten Sie diesen Eintrag also entsprechend. Zeichnen Sie eine Zone über ein beliebiges Raster oder eine Basiskarte, tippen Sie ein Wort wie building oder solar panel, und jeder Treffer kommt als eigenes Polygon zurück. Das Ergebnis ist ein gestaltetes GeoPackage, in dem jedes Polygon eine Bezeichnung, eine Klasse, einen Konfidenzwert und eine Fläche trägt.

• Geeignet für: Geomatiker ohne Modell, ohne Grafikkarte und ohne freien Abend, die heute Objekte aus einem Bild brauchen.
• Nicht geeignet für: Bilddaten, die den Rechner nicht verlassen dürfen (außer im Modus Semi-Auto), oder eine Klasse, die nur Ihre eigenen Labels kennen.
• Preis: kostenlos für 1,5 km² automatische Erkennung pro Monat, ohne Kreditkarte. Pro kostet 39 € pro Monat für 100 km². Semi-Auto auf Ihrem eigenen Rechner hat keinen Zähler.
• Läuft auf: unseren Servern in Europa bei den beiden Cloud-Modi, die Bilddaten in Ihrer Zone verlassen Ihren Rechner also. Semi-Auto führt ein kleines Modell lokal aus und behält die Daten dort.
• Installation: das Plugin, sonst nichts. Kein pip-Befehl, kein CUDA und keine Gewichte zum Herunterladen.

Stärken

• Das eingegebene Wort ist die Klasse: Der Wechsel von building zu solar panel kostet ein Feld, keinen neuen Trainingslauf.
• Regler für Konfidenzwert und Fläche filtern das Ergebnis direkt, noch vor dem Export.

Grenzen

• Es liefert mehr, als Sie angefragt haben. Lüftungsöffnungen, Dachfenster, Schuppen im Hof und Schatten kommen als korrekt umrandete Polygone zurück, die keine Gebäude sind. Sie ziehen die Regler, bis sie verschwinden. Bei einem Lauf in Paris sank die Zahl von 635 auf 82 Polygone, und diese 82 deckten noch 84 % der bebauten Fläche ab.

Produktseite und der vollständige Leitfaden.

Kostenlos in QGIS testen, ohne Kreditkarte

2. Deepness

Deepness lädt ein ONNX-Netz, das Sie liefern, schiebt es in überlappenden Kacheln über ein Raster und schreibt das Ergebnis als Layer zurück. Es unterstützt Segmentierung, Objekterkennung, Regression und Superauflösung, und Sie stellen Kachelgröße, Überlappung und Nachbearbeitung selbst ein.

• Geeignet für: Nutzer mit einer trainierten ONNX-Datei oder mit einem Sensor, der zu einem der 24 Modelle auf der Zoo-Seite passt, und deren Bilddaten auf dem Rechner bleiben müssen.
• Gebaut für: alle, die ihr eigenes ONNX-Modell mitbringen.
• Preis: kostenlos. Kein Konto, kein API-Schlüssel, keine Lizenzprüfung im Code. Die einzige ausgehende Anfrage ist das pip install beim ersten Start.
• Läuft auf: Ihrem Rechner, mit CPU oder CUDA. Der Installer lädt die GPU-Variante nur unter Linux. Unter Windows und macOS gibt es also nur das einfache onnxruntime.
• Installation: das Plugin, dann OpenCV und ONNX Runtime beim ersten Start.

Stärken

• Ihr eigenes Modell läuft. Jede ONNX-Datei mit der dokumentierten Form funktioniert, trainiert auf Ihren Labels, Ihrem Sensor und Ihrer Auflösung.
• Nichts wird abgerechnet: Ein Ort mit 10 km² und eine Region mit 1.000 km² kosten dasselbe.
• Apache 2.0 und in SoftwareX begutachtet (DOI 10.1016/j.softx.2023.101495), sodass eine festgehaltene Modelldatei in drei Jahren dasselbe Ergebnis liefert.

Grenzen

• Sie bringen das Modell mit und stellen seine Auflösung in cm pro Pixel selbst ein. Die Zoo-Seite listet 24 Modelle, die mit Auflösungen von 0,5 bis 1.000 cm pro Pixel trainiert wurden, und weist darauf hin, dass die mitgelieferten Modelle keine universellen Werkzeuge sind.
• CPU-Läufe dauern länger als GPU-Läufe. Ein Nutzer meldete in Issue #192 eine Kachel von 5.000 mal 5.000 Pixeln bei 20 cm, 80 Minuten auf einem Ryzen 7 5800X gegenüber 61 Sekunden auf einer GTX 1660 Ti. Eine Maschine, ein Modell: Lesen Sie es als seine Messung, nicht als Benchmark.

Repository und Dokumentation. Stand 23. August 2026 wird die Dokumentation aus einem neueren, unveröffentlichten Branch gebaut, während die Marketplace-Version 0.6.5 vom 10. Dezember 2024 ist.

3. Geo SAM

Segment Anything in QGIS. Klicken Sie auf einen Punkt oder ziehen Sie ein Rechteck auf einem Raster, und genau dieses eine Objekt kommt als Polygon zurück.

• Geeignet für: ein paar Dutzend Objekte aus einem lokalen Bild, ohne Modelldatei zu suchen und ohne pip-Befehl.
• Gebaut für: ein Objekt pro Prompt.
• Preis: kostenlos, MIT.
• Läuft auf: Ihrem Rechner, mit oder ohne Grafikkarte. Kein Konto.
• Installation: das Plugin. Es verwaltet seine Abhängigkeiten selbst und lädt seine Checkpoints aus QGIS heraus.

Stärken

• Die einzige Offline-Option, die überhaupt keine Modelldatei verlangt.
• Es akzeptiert eine Rasterdatei oder einen XYZ-, WMS- oder WMTS-Layer, eine Basiskarte funktioniert also.

Grenzen

• Beim ersten Prompt auf einem neuen Bild müssen Sie warten, bis das ganze Bild kodiert ist, laut eigener FAQ „von wenigen Sekunden bis zu mehreren Minuten, je nach Bildgröße, Modell und Hardware“. Die FAQ nennt auch eine Strategie für wenig Arbeitsspeicher, falls dieser Schritt den RAM aufbraucht.

Repository, Dokumentation und Plugin-Eintrag.

4. GeoAI

Ein Werkzeugkasten aus fertigen Aufgaben, jeweils mit einem andockbaren Bedienfeld: Baumsegmentierung, Wassersegmentierung, Segment Anything, semantische und Instanzsegmentierung, dazu ein Trainer für das eigene Modell. Jedes Bedienfeld gibt Polygone und Masken aus.

• Geeignet für: Nutzer mit einer NVIDIA-Karte und einem freien Abend, die mehrere Erkennungsaufgaben abdecken wollen, ohne eine ONNX-Datei zu exportieren.
• Hinweis: SAM 3 braucht eine NVIDIA-Karte.
• Preis: kostenlos, MIT.
• Läuft auf: Ihrem Rechner. CUDA für die Geschwindigkeit, Apple MPS auf Apple Silicon, CPU als Rückfall. Kein Konto, nur die SAM-3-Gewichte erfordern vorab eine Zugriffsanfrage bei Hugging Face.
• Installation: das Plugin plus eine PyTorch-Umgebung. Die eigene Seite sagt, das könne „wegen der komplizierten pytorch/cuda-Abhängigkeiten schwierig sein“.

Stärken

• Mehrere Aufgaben in einem Plugin, jede mit eigenem Bedienfeld, keine braucht eine Modelldatei.
• Der Trainer hält Ihre eigenen Labels im selben Werkzeug.

Grenzen

• SAM 3 braucht eine NVIDIA-Karte. Ohne sie erscheint Failed to load model: Torch not compiled with CUDA enabled, und die anderen Modelle laufen weiter.

Plugin-Dokumentation und Repository.

5. Mapflow von Geoalert

Zeichnen Sie ein Gebiet über eine der Bildquellen von Mapflow, wählen Sie eine Klasse, und es kommen Vektorlayer zurück: Gebäude mit optionaler Höhe, Straßen, landwirtschaftliche Felder, Wald, Baustellen.

• Geeignet für: eine dieser fertigen Klassen über einen ganzen Ort, ohne Installation und ohne Grafikkarte.
• Nicht geeignet für: eine Klasse außerhalb ihrer Liste.
• Preis: Credits zu je 0,10 $. Gebäude kosten 10 Credits pro km², die Basiskarte kommt mit 1 bis 9 weiteren hinzu. Ein Lauf auf einer Mapbox-Basiskarte in Zoomstufe 18 kostet also 13 Credits, etwa 1,30 $ pro km², und jeder Auftrag wird auf ganze km² aufgerundet. Der kostenlose Tarif bietet 250 Credits für höchstens 25 km².
• Läuft auf: ihrem gehosteten Dienst für das QGIS-Plugin, mit einem Konto. Ihre Website nennt zudem eine On-Premise-Option für Unternehmenskunden, die dieser Artikel nicht vergleicht.
• Installation: nur das Plugin.

Stärken

• Das Bedienfeld nennt den Preis des Laufs, bevor Sie ihn starten.
• Die Gebäudehöhe kommt als Attribut zurück, was kein anderes Tool hier bietet.

Plugin-Dokumentation und Repository.

Die Tools im direkten Vergleich

Die Spalte Installation unterschätzen die meisten, und der Eintrag von Deepness sagt das selbst.

Von Deepness zu einer Alternative wechseln

Exportieren Sie zuerst Ihre Ergebnisse. Ein Deepness-Lauf landet in einem Temporärlayer, der mit dem Projekt verschwindet. Klicken Sie ihn mit der rechten Maustaste an und speichern Sie ihn als GeoPackage, bevor Sie QGIS schließen.

Ihre ONNX-Datei hat bei den anderen vier kein Zuhause. Keines davon lädt ein Netz, das Sie selbst trainiert haben. Behalten Sie die Datei und lassen Sie Deepness installiert, für den Tag, an dem ein Auftrag es braucht.

Verlieren würden Sie die Offline-Inferenz, aber nur, wenn Sie beim gehosteten Plugin von Mapflow oder unserem Modus Automatisch landen, denn beide senden die Bilddaten in Ihrer Zone an einen Server. Geo SAM und GeoAI bleiben lokal, genau wie Deepness. Der Gewinn ist in allen vier Fällen derselbe: keine Modellsuche, keine Auflösung in cm/px zum Eintippen, kein pip install beim ersten Start.

Das Wichtigste in Kürze

Deepness ist das einzige Tool auf dieser Seite, das ein selbst trainiertes Netz ausführt. Das ist der eine Punkt, den Sie vor einem Wechsel abwägen sollten.

Der Model Zoo ist eine Dokumentationsseite, die ONNX-Datei kommt also von Hand, und Sie stellen ihre Auflösung selbst ein.

Eine von einem Nutzer gemeldete Kachel von 5.000 mal 5.000 Pixeln bei 20 cm brauchte auf einer CPU 80 Minuten, gegenüber 61 Sekunden auf einer GTX 1660 Ti.

Deepness, Geo SAM und GeoAI stellen keine Netzwerkverbindung her, während das Modell läuft. Bilddaten unter Upload-Verbot bleiben also auf Ihrer Festplatte.

Alle Gebäude eines Ortes mit 10 km² zu erkennen kostet bei Mapflow etwa 13 $, mit Pro ein Zehntel eines Monats für 39 €, und bei den drei kostenlosen Tools Installationszeit.

Wie ich die Tools verglichen habe

Fünf Kriterien: was Sie dem Tool übergeben, wo es läuft, ob Ihre Bilddaten den Rechner verlassen, was ein echter Auftrag kostet und wie lange die Installation dauert. Preise, Versionen, Lizenzen und offene Issue-Nummern habe ich am 23. August 2026 im Repository oder in der Dokumentation des jeweiligen Projekts gelesen. Die Screenshots stammen vom selben Tag.

Offenlegung: Eintrag eins stammt von uns. Wenn Ihre Bilddaten unter einer Richtlinie liegen, die jeden Upload verbietet, und Sie bereits eine trainierte ONNX-Datei haben, bleiben Sie bei Deepness. Unser Modus Automatisch erkennt auf unseren Servern, daran ändert nichts auf dieser Seite etwas.

Häufige Fragen

Gibt es eine Deepness-Alternative, die ohne ONNX-Datei auskommt?

Alle vier anderen. Geo SAM und GeoAI laden ihre Gewichte selbst für Sie herunter, das gehostete Plugin von Mapflow und unsere AI Segmentation halten ihre auf einem Server, es landet also nichts auf Ihrer Festplatte. Deepness verlangt, dass Sie die Datei mitbringen, und genau das erlaubt ihm, auch ein selbst trainiertes Modell auszuführen.

Läuft Deepness auf macOS?

Der GitHub-Tracker nennt Berichte zur Installation unter macOS, zum Beispiel #209, Stand 23. August 2026 offen. Prüfen Sie den Tracker, bevor Sie darauf planen. Geo SAM verwaltet seine Abhängigkeiten selbst, und die gehosteten Tools brauchen nur das Plugin, ein Mac hält also keines davon auf.

Kann ich Deep Learning in QGIS ohne Grafikkarte nutzen?

Ja. Deepness, Geo SAM und GeoAI weichen alle auf die CPU aus, und Deepness installiert unter Windows und macOS nicht einmal die GPU-Variante. Sie zahlen in Zeit: Eine von einem Nutzer gemeldete Kachel brauchte auf einer CPU 80 Minuten, auf einer GTX 1660 Ti 61 Sekunden. Haben Sie weder Karte noch Geduld, rechnen Mapflow und unsere AI Segmentation auf einem Server.

Gibt es ein bekanntes Deepness-Problem unter QGIS 3.44?

Ein Nutzer hat es in Issue #235 gemeldet, Stand 23. August 2026 offen: Die Anforderungen des Plugins pinnen numpy<2.0.0, und QGIS 3.44 bringt NumPy 2.4.3 mit, sodass der erste Start A module that was compiled using NumPy 1.x cannot be run in NumPy 2.4.3 ausgab. Lassen Sie numpy.__version__ in der Python-Konsole von QGIS ausgeben, bevor Sie installieren.

Welches dieser Tools lässt meine Bilddaten auf meinem Rechner?

Deepness, Geo SAM und GeoAI, alle drei vollständig: kein Konto, kein API-Schlüssel und keine Netzwerkverbindung, während das Modell läuft. Auch unser Modus Semi-Auto bleibt lokal, während unser Modus Automatisch und das gehostete Plugin von Mapflow die Bilddaten in Ihrer Zone an einen Server senden, unseren in Europa.

Was kostet es, alle Gebäude eines Ortes mit 10 km² zu erkennen?

Etwa 13 $ bei Mapflow, bei 13 Credits pro km² auf einer Mapbox-Basiskarte in Zoomstufe 18. Im Pro-Tarif deckt 39 € pro Monat 100 km² ab, dieser Ort kostet also ein Zehntel eines Monats. Bei den drei kostenlosen Tools kostet die Fläche nichts, und Sie zahlen mit Installationszeit und CPU-Stunden.

Decken die 24 Modelle im Deepness Model Zoo meine Bilddaten ab?

Sie sind mit Auflösungen von 0,5 bis 1.000 cm pro Pixel trainiert, prüfen Sie daher die Spalte CM/PX gegen Ihre Bilddaten. Die Seite selbst weist darauf hin, dass die Modelle keine universellen Werkzeuge sind.

Bleibt ein Deepness-Ergebnis erhalten, wenn ich QGIS schließe?

Ein Deepness-Lauf landet in einem Temporärlayer, der mit dem Projekt verschwindet. Klicken Sie ihn mit der rechten Maustaste an und speichern Sie ihn als GeoPackage, bevor Sie irgendetwas schließen.

Für engere Aufgaben gibt es eigene Tools: Bunting Labs AI Vectorizer zeichnet Linien vor Ihrem Cursor nach, während Sie von Hand digitalisieren, SamGeo ist ein weiteres lokales Segment-Anything-Plugin, und SCP klassifiziert die Landbedeckung anhand von Trainingsflächen, die Sie zeichnen.

Die acht KI-Plugins im Vergleich deckt das weitere Feld ab, der SAM-Leitfaden geht tiefer auf Segment Anything ein, und was GeoAI bedeutet erklärt den Begriff, unter dem alle fünf Tools verkauft werden. Die Übersicht zu KI in QGIS zeigt den Rest.

Kostenlos in QGIS testen, ohne Kreditkarte