AWS Rekognition

Kurzfazit

AWS Rekognition ist die naheliegende Wahl, wenn dein Team bereits in AWS lebt und Computer Vision ohne neuen Vendor lösen will. Es deckt das volle Spektrum ab: Objekte, Szenen, Texte in Bildern, Content-Moderation, Custom Labels, Video-Analyse, sogar Streaming. Entscheidend für deutsche Kunden: Rekognition läuft in eu-central-1 (Frankfurt) und eu-west-1 (Irland), Custom Labels auch in Frankfurt. Damit ist es DSGVO-konform betreibbar, sofern du die Region korrekt setzt und Gesichtserkennung mit Bedacht einsetzt. Die Kehrseite: API-only, kein deutscher Support, kein Edge-Computing und für reine Gesichtserkennung ein heißes Eisen.

Für wen ist AWS Rekognition?

AWS-native Engineering-Teams: Wer S3, Lambda und Kinesis ohnehin nutzt, bekommt mit Rekognition eine nahtlose CV-Pipeline ohne neue Verträge, neue Logins, neue Abrechnungswege. IAM, CloudWatch und VPC-Endpoints funktionieren wie für jeden anderen AWS-Service.

Logistik, Lager, Industrie: Objekt-, Personen- und Aktivitätserkennung auf Förderbändern, in Lagerhallen oder auf Außengeländen, das ist die Komfortzone von Rekognition. Mit Custom Labels lassen sich firmenspezifische Klassen (Verpackungstypen, Defekte, Werkzeugzustände) ohne tiefes ML-Know-how nachtrainieren.

UGC-Plattformen mit Moderationsbedarf: Die Moderation-API erkennt Nacktheit, Gewalt, Hate-Symbole und Drogen mit einem konfigurierbaren Schwellwert. Für Marktplätze, Foren und Social-Apps eine pragmatische erste Verteidigungslinie, gepaart mit menschlicher Review für Edge Cases.

Identity-Verification-Anbieter: Face Liveness (Anti-Spoofing) und Face Compare sind eine etablierte Bausteinkette für KYC-Flows. Wer ein Identity-Produkt baut, hat hier eine fertige Komponente, mit allen DSGVO-Pflichten, die das mit sich bringt.

Weniger geeignet für: Fachabteilungen ohne Entwickler, Betriebe in Edge-Szenarien (Werkshalle ohne stabile Internetanbindung), DSGVO-sensible Branchen, die flächendeckende Gesichtserkennung planen, sowie Teams, die Vendor-Unabhängigkeit oder ein Open-Source-Setup priorisieren.

Preise im Detail

Funktion	Preis (US-Region, Stand Mai 2026)	Hinweis
Bild-Label-Erkennung (Group 2)	0,001 USD/Bild (erste 1 Mio.), danach gestaffelt bis 0,00025 USD/Bild	Objekte, Szenen, Aktivitäten
Face Compare / Face Search (Group 1)	0,001 USD/Bild (erste 1 Mio.), gestaffelt bis 0,0004 USD/Bild	Gesichtsvergleich und -suche
Stored Video, Label Detection	0,10 USD/Minute	abgerechnet auf Sekunde genau
Stored Video, Shot Detection	0,05 USD/Minute	Szenenwechsel-Erkennung
Streaming Video	0,00817 USD/Minute	Live-Streams, Kameras
Custom Labels	1 USD/Std. Training + 4 USD/Std. Inference	Inference fällt nur bei laufendem Endpoint an
Face Liveness	0,015 USD/Check (erste 500K), gestaffelt darunter	Anti-Spoofing für KYC
Free Tier	12 Monate für neue AWS-Konten: 5.000 Bilder, 1.000 Face-Vektoren, 60 Video-Minuten/Monat	Nur einmal pro Konto

Einordnung: EU-Regionen (eu-central-1, eu-west-1) sind in der Regel 5-15 % teurer als US-East. Die Kosten skalieren stark mit dem Volumen: Bei 100.000 Bildern pro Monat reden wir über rund 100 USD, bei einer Million unter 800 USD. Achtung bei Custom Labels: 4 USD/Stunde Inference klingt harmlos, summiert sich aber auf rund 2.900 USD/Monat, wenn der Endpoint dauerhaft läuft. Für sporadische Inferenz lohnt sich, den Endpoint nur bei Bedarf zu starten.

Stärken im Detail

Echte EU-Regionen, nicht nur Marketing. Rekognition läuft in Frankfurt, Irland und London, Custom Labels in Frankfurt, Irland und London, Streaming-API in Irland, Face Search Streaming auch in Frankfurt. Wer den Region-Endpoint richtig setzt, hält Rohdaten und Modell-Calls innerhalb des EU-Wirtschaftsraums. Das ist der praktische Unterschied zwischen “DSGVO geht” und “DSGVO geht nicht”.

Pay-as-you-go ohne Lock-in-Vertrag. Keine Mindestumsätze, keine Plattform-Lizenz, keine Seat-Preise. Du zahlst pro API-Call und kannst Workloads über Nacht hochfahren oder einstampfen. Für Pilotprojekte, schwankende Lasten oder saisonale Anwendungen (z. B. Event-Sicherheit, Weihnachtssaison im Handel) ist das ein realer Kostenvorteil gegenüber Tools mit Mindest-Lizenzen.

Tiefe AWS-Integration. S3 als Eingangsspeicher, Lambda als Trigger, Kinesis Video Streams als Live-Quelle, SNS für Benachrichtigungen, CloudWatch für Logs, IAM für Berechtigungen, alles funktioniert wie aus einem Guss. Das spart eine ganze Schicht an Glue-Code, die bei externen CV-Anbietern oft selbst geschrieben werden muss.

Custom Labels ohne ML-Team. Du lädst gelabelte Beispiele in einen S3-Bucket, klickst Training an, bekommst nach wenigen Stunden ein Modell zurück. Kein TensorFlow, kein PyTorch, kein GPU-Setup. Für die meisten Industrieanwendungen, “Defekt erkennen”, “Verpackungstyp klassifizieren”, reicht das aus, ohne ein eigenes ML-Team aufzubauen.

Skaliert nach oben und unten. Vom einzelnen Bild bis zu Millionen Frames pro Tag, die API verhält sich gleich. Default-TPS-Limits (5 pro Account, 50 für Custom Labels) lassen sich auf Anfrage hochsetzen. Für Bursts ist das angenehmer als Tools mit harten Tageslimits.

Schwächen ehrlich betrachtet

API-only ist kein “Tool” für Fachanwender. Es gibt keine fertige Oberfläche, keine Drag-and-Drop-Pipeline. Jede Integration kostet Entwicklerzeit, mindestens für Aufruf, Auswertung der Konfidenz-Scores und Ergebnis-Persistierung. Wer ohne Engineering-Team einsteigt, wird Rekognition nicht produktiv nutzen können. Tools wie Roboflow oder andere CV-Plattformen mit Studio-Oberfläche sind dann der bessere Einstieg.

Gesichtserkennung ist ein DSGVO-Hochrisiko. Biometrische Identifikation fällt unter Art. 9 DSGVO und braucht eine explizite Rechtsgrundlage, meist Einwilligung. Der EU AI Act stuft viele Anwendungsfälle (Echtzeit-Identifikation im öffentlichen Raum) als hochriskant oder verboten ein. Praktisch heißt das: Für KYC mit Einwilligung ist Face Liveness ok, für ein “Mitarbeiter-Anwesenheitssystem im Empfang” wird die Datenschutzbehörde sehr genau hinsehen. Eine Datenschutz-Folgenabschätzung ist hier praktisch Pflicht.

Reputationslast aus US-Polizeideals. Rekognition wurde jahrelang an US-Strafverfolgungsbehörden vermarktet, was zu öffentlicher Kritik (ACLU, MIT-Gender-Shades-Studie zu Bias) führte. Amazon verhängte 2020 ein selbstauferlegtes Moratorium für Polizeibehörden, das nie offiziell aufgehoben wurde. Für Unternehmen mit Konsumentenmarken ist das ein PR-Faktor, der intern abgewogen werden sollte.

Kein Edge, kein On-Prem. Wenn deine Kameras in einer Werkshalle ohne stabile Internetanbindung hängen oder Latenz unter 50 ms gefordert ist, fällt Rekognition raus. Es gibt keine Möglichkeit, die Modelle lokal laufen zu lassen. Für Edge-Szenarien sind AWS Panorama (eingestellt 2025) oder Open-Source-Stacks auf NVIDIA Jetson die Alternative.

Englisch-zentrierte Welt. Support, Dokumentation, Zertifizierung, alles primär auf Englisch. Wer mit AWS-Premium-Support arbeitet, bekommt Antworten auf Deutsch, aber nur in höheren Tiers (ab Business Support, ab 100 USD/Monat). Für ein KMU mit interner Tech-Lite-Aufstellung ist das eine echte Hürde.

Lock-in in das AWS-Ökosystem. Wer Pipelines tief gegen S3, Lambda und EventBridge baut, kommt nicht mehr ohne signifikanten Aufwand wieder weg. Eine Migration auf Google Cloud Vision, Azure AI Vision oder einen Self-Hosted-Stack ist mehrere Personenwochen Arbeit.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Eigene Modelle in AWS-Welt trainieren willst (über Custom Labels hinaus)	AWS SageMaker
Video-Analyse mit fertiger UI ohne Entwickler willst	Azure Video Indexer
Eine Studio-Oberfläche für Custom-Modelle und Annotation möchtest	Roboflow
Spezialisierte industrielle Bildverarbeitung in der Fertigung brauchst	ISRA Vision
Dokumente strukturiert auslesen statt Bilder klassifizieren willst	Azure Document Intelligence

AWS Rekognition lohnt sich primär dann, wenn AWS schon der Standardstack ist. Wer von außen kommt, sollte eher die Anbieter wählen, die zur eigenen Cloud passen, Google Cloud Vision für GCP-Kunden, Azure AI Vision für Microsoft-Welten. Für Open-Source-affine Teams ist eine selbst gehostete Pipeline mit YOLO oder einem Hugging-Face-Modell auf eigener GPU oft langfristig günstiger und transparenter, kostet aber Aufbauarbeit und Wartung.

So steigst du ein

Schritt 1: Öffne die AWS Management Console, wechsle bewusst in eu-central-1 (Frankfurt) oder eu-west-1 (Irland), der Region-Schalter rechts oben. Dieser eine Klick entscheidet, wo deine Daten verarbeitet werden. Lege einen S3-Bucket in derselben Region an und prüfe per IAM-Policy, dass Rekognition nur darauf zugreift.

Schritt 2: Teste die API mit der CLI: aws rekognition detect-labels --image '{"S3Object":{"Bucket":"mein-bucket","Name":"test.jpg"}}' --region eu-central-1. Die Antwort kommt als JSON mit Labels und Konfidenz-Scores. Für den ersten produktiven Einsatz reicht oft ein Lambda, das auf S3-Uploads reagiert und das Ergebnis in DynamoDB schreibt.

Schritt 3: Setze einen Konfidenz-Schwellwert mit Verstand. Default ist 50 %, für Moderation oft zu niedrig (zu viele False Positives), für Sicherheitsalerts zu hoch (zu viele False Negatives). 75–85 % sind ein typischer Startpunkt, dann auf realen Daten kalibrieren. Vor produktivem Einsatz: Datenschutz-Folgenabschätzung, AVV mit AWS abschließen, IAM-Policies auf Least-Privilege auditieren.

Ein konkretes Beispiel

Ein mittelständischer Logistiker aus dem Ruhrgebiet betreibt zwölf Außenkameras an seinen Lagerhöfen. Statt einer klassischen Wachfirma nutzt das IT-Team Kinesis Video Streams in eu-central-1 und schickt die Streams nachts an Rekognition Streaming Video. Die ConnectedHome-Variante meldet “Person on Premise” und “Vehicle on Premise” mit Konfidenz und Bounding Box. Ein Lambda filtert die Events: bekannte Fahrzeuge (Kennzeichen via OCR) werden ignoriert, unbekannte Personen außerhalb der Lieferzeiten lösen einen SNS-Alert an die Bereitschaft aus. Kosten: rund 600 USD/Monat für 24/7-Streaming an zwölf Kameras. Ergebnis: Reaktionszeit auf nächtliche Vorfälle gesunken von 18 auf unter 4 Minuten, ohne zusätzliches Personal. Kritisch dokumentiert wurde die Verarbeitung in der DSFA: Aufnahmen werden 7 Tage in S3 vorgehalten, dann automatisch gelöscht; Gesichtserkennung ist explizit deaktiviert.

DSGVO & Datenschutz

• Datenhosting: EU-Regionen verfügbar (eu-central-1 Frankfurt, eu-west-1 Irland, eu-west-2 London). Custom Labels in eu-central-1, eu-west-1, eu-west-2. Streaming Video bisher nur eu-west-1 (Irland), Face Search Streaming auch eu-central-1.
• Auftragsverarbeitung: AWS bietet einen Standard-AVV (Data Processing Addendum), der die DSGVO-Anforderungen abdeckt. Für Behörden und regulierte Branchen liegt zusätzlich der CISPE Code of Conduct vor.
• Datennutzung: Rekognition nutzt Kundendaten standardmäßig nicht zum Training der Modelle, Opt-out ist seit 2021 Default für Image und Video. Schriftlich nachlesbar im AWS Service Terms §50.
• Biometrische Daten (Art. 9 DSGVO): Face Compare, Face Search und Face Liveness verarbeiten biometrische Daten. Rechtsgrundlage in der Regel Einwilligung (Art. 9 Abs. 2 lit. a). Eine Datenschutz-Folgenabschätzung ist faktisch zwingend.
• EU AI Act: Echtzeit-Gesichtserkennung im öffentlich zugänglichen Raum ist seit Februar 2025 grundsätzlich verboten. Nicht-Echtzeit- oder geschlossene Anwendungen (Mitarbeiter, Kunden mit Einwilligung) gelten meist als Hochrisiko-System mit umfangreichen Pflichten.
• Empfehlung für Unternehmen: Region explizit auf eu-central-1 setzen und im Code als Konstante hinterlegen, sonst landet im Zweifel ein Call in us-east-1 (Default vieler SDK-Clients). Gesichtserkennungs-Features nur einsetzen, wenn DSFA, Einwilligungsprozess und Löschkonzept stehen.

Gut kombiniert mit

• AWS SageMaker, wenn Custom Labels an Grenzen stößt (mehr als zwei Modelle parallel, eigene Architektur, GPU-Inferenz), ist SageMaker der nächste Schritt für selbst trainierte CV-Modelle in derselben Region.
• Roboflow, als Annotations- und Datensatz-Werkzeug vorgeschaltet: Bilder labeln, Datensätze versionieren, dann nach Rekognition Custom Labels exportieren statt das Annotation-Tooling selbst zu bauen.
• AWS Lambda, der Standard-Trigger für Rekognition. S3-Upload löst Lambda aus, Lambda ruft Rekognition, Ergebnis landet in DynamoDB oder einer Queue. Ohne Lambda-Glue läuft praktisch keine produktive Rekognition-Pipeline.

Unser Testurteil

AWS Rekognition verdient 3 von 5 Sternen. Das Pricing ist fair, die EU-Region-Verfügbarkeit ein echtes DSGVO-Argument, und in einer AWS-Welt ist die Integration kaum zu schlagen. Punkte verliert Rekognition durch das API-only-Konzept ohne Studio-UI, den fehlenden deutschsprachigen Support, die DSGVO-Reibungspunkte rund um Gesichtserkennung und das Reputationsthema aus den US-Polizeideals. Wer schon AWS hat und Computer Vision braucht, sollte trotzdem zuerst hier hinschauen, wer von außen kommt, hat oft bessere Optionen.

Was wir bemerkt haben

• 2020, Amazon verhängt nach George-Floyd-Protesten und der Gender-Shades-Studie ein einjähriges Moratorium für Rekognition-Verkäufe an US-Polizeibehörden. Es wurde nie offiziell aufgehoben oder verlängert, der Status bleibt unklar, was für Compliance-Teams ein laufendes Risikothema ist.
• 2021, AWS macht Opt-out des Trainings auf Kundendaten zum Default. Davor mussten Kunden aktiv widersprechen, dass ihre Bilder zur Modellverbesserung genutzt werden. Heute ist das Default-no und im Service Terms §50 dokumentiert.
• Februar 2025, Der EU AI Act verbietet Echtzeit-Gesichtserkennung im öffentlich zugänglichen Raum. Das schränkt das praktische Einsatzfeld von Rekognition Face Search in Europa stark ein, selbst legitime Anwendungen wie Stadion- oder Bahnhofsüberwachung sind faktisch raus.
• 2025, AWS Panorama (Edge-Computer-Vision-Appliance) wurde eingestellt. Wer Edge-CV in AWS-Welt brauchte, muss nun auf eigene Hardware oder Drittanbieter wechseln. Rekognition selbst bleibt cloud-only.
• Mai 2026, Wir haben verifiziert: Rekognition Image und Custom Labels sind in eu-central-1 (Frankfurt) verfügbar, das Streaming Video Label Detection bisher nur eu-west-1 (Irland). Wer Streaming + Frankfurt braucht, muss auf Stored Video ausweichen oder eu-west-1 in Kauf nehmen.