Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
medium.com1. November 2025 · Q010060

SwiftUI: Live Text Interactions with Images. Built-In Vs Custom.

medium.com · Originalbericht öffnen ↗

Zusammenfassung

Für diesen Bericht lag nur ein Auszug oder keine vollständige Fassung vor. Die Zusammenfassung sagt das selbst.

Kurz

Der vollständige Bericht erklärt eine eingebaute VisionKit-Lösung und eine anpassbare SwiftUI-Implementierung für Texterkennung und Interaktionen mit Bildinhalten. Für die eingebaute Variante muss `preferredInteractionTypes` laut Autor nach dem Analyseergebnis gesetzt werden; die eigene Lösung verbindet Vision-Ergebnisse mit Datenerkennung und Aktionen wie Kopieren oder Link öffnen. Barcode-Erkennung und `visualLookUp` sind laut Artikel im Simulator eingeschränkt beziehungsweise nicht verfügbar.

Mittel

Der vollständige Bericht zeigt zwei Ansätze für interaktive Texterkennung in Bildern mit SwiftUI: Apples eingebaute Lösung über VisionKit und UIKit sowie eine eigene Implementierung mit Vision und SwiftUI. Die eingebaute Variante nutzt `ImageAnalyzer` für die Analyse und `ImageAnalysisInteraction` für die Interaktion. Der Autor betont, dass `preferredInteractionTypes` erst nach dem Setzen des Analyseergebnisses zugewiesen werden darf, sonst funktioniere die Interaktion nicht.

Die benutzerdefinierte Variante erkennt Text und Barcodes mit Vision, ordnet den Treffern Bildbereiche zu und ergänzt erkannte Texte mit Datenerkennung. Darüber legt der Beispielcode Menüs, mit denen sich Text kopieren oder ein erkannter Link öffnen lässt. Der Artikel vergleicht `NSDataDetector` mit `DataDetector`; der Autor empfiehlt Letzteren, weil er nach seiner Einschätzung mehr Datentypen und Zusatzinformationen bietet.

Es handelt sich um ein Code-Tutorial, nicht um einen systematischen Leistungsvergleich. Barcode-Erkennung erfordert laut Artikel ein echtes Gerät; im Simulator kann sie fehlschlagen. Auch maschinenlesbare Codes und `visualLookUp` sollen dort nicht funktionieren.

Ausführlich lesen

Der vollständige Bericht vergleicht zwei Wege, in SwiftUI Bilder mit interaktiven Live-Text-Funktionen auszustatten: Apples eingebaute Lösung mit VisionKit und UIKit sowie eine selbst gestaltete Variante mit Vision und SwiftUI. Mit Live-Text-Interaktionen meint der Autor, dass Nutzer erkannte Inhalte in Bildern auswählen und etwa kopieren oder für weitere Aktionen verwenden können. Dazu zählen laut Artikel Text, Barcodes und andere Bildinhalte.

Für die eingebaute Lösung beschreibt der Autor `ImageAnalyzer` zur Bildanalyse, `ImageAnalysis` als Analyseergebnis und `ImageAnalysisInteraction` als Oberfläche für erkannte Inhalte. Für macOS nennt er stattdessen `ImageAnalysisOverlayView`. Die Anleitung prüft zunächst, ob Live Text auf dem Gerät unterstützt wird, fügt die Interaktion einer Bildansicht hinzu und lässt den Analyzer das Bild untersuchen. Der zentrale Hinweis des Artikels: `preferredInteractionTypes` muss erst gesetzt werden, nachdem das Analyseergebnis der Interaktion zugewiesen wurde. Andernfalls funktioniere die Interaktion laut Autor nicht. Delegaten können unter anderem auf Auswahländerungen reagieren; das Beispiel zeigt außerdem, wie der Analyzer-Task bei einer neuen Analyse abgebrochen wird.

Die eigene Lösung soll mehr Kontrolle über erkannte Inhalte und die Benutzeroberfläche ermöglichen. Der Beispielcode verwendet Vision-Anfragen für Texterkennung und Barcodes, speichert Text, Begrenzungsvierecke und optionale Datentreffer in eigenen Ergebnisstrukturen und zeigt die erkannten Bereiche als anklickbare Menüs über dem Bild. Diese Menüs bieten etwa das Kopieren des Texts und das Öffnen erkannter Links. Ein Manager bündelt die Analyse, lässt ausgewählte Anfragen und die anschließende Datenerkennung mit Task-Gruppen parallel ausführen und kann zwischen Text- und Barcode-Erkennung umschalten.

Für erkannte Textpassagen stellt der Artikel `NSDataDetector` und das neuere `DataDetector` gegenüber. `NSDataDetector` kann laut Darstellung Datumsangaben, Adressen, Links, Telefonnummern und Verkehrsinformationen erkennen. Der Autor empfiehlt `DataDetector`, weil es nach seiner Einschätzung mehr Datentypen und zusätzliche Informationen unterstützt. Das Beispiel zeigt unter anderem Kalenderereignisse, E-Mail-Adressen, Geldbeträge, Flugnummern, Sendungsverfolgung und Messwerte.

Der Bericht ist ein Implementierungstutorial mit Codebeispielen, kein dokumentierter Leistungsvergleich oder systematischer Test. Eine wichtige Einschränkung: Barcode-Erkennung benötigt laut Artikel ein echtes Gerät; im Simulator kann sie mit einem internen Fehler scheitern. Auch `visualLookUp` und maschinenlesbare Codes sollen im Simulator nicht funktionieren. Der Autor demonstriert eine gebündelte Beispielgrafik und schlägt vor, die Lösung bei Bedarf auf ausgewählte Bilder oder Live-Aufnahmen auszuweiten.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19 ungeprüft

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 7 von 7
Angezeigte Modelle

Kein Modell sieht bei diesem Bericht einen Bezug zu einer der 44 Sammelfragen.

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →