Eingescannte Familienfotos geotaggen: ein praktischer Leitfaden
Du hast eine Schachtel Familienfotos eingescannt und sitzt jetzt vor Hunderten JPEGs ohne GPS, ohne Aufnahmedatum, ohne Metadaten. So fügt KI-basierte Bilderkennung den Standort zurück — was funktioniert, was nicht, und ein Schritt-für-Schritt-Workflow.
Du hast 500 Fotos aus den Alben deiner Großmutter eingescannt. Die Daten in den Dateieigenschaften sind alle gleich — der Tag, an dem du gescannt hast. Die Dateinamen heißen IMG_001.jpg bis IMG_500.jpg. Und das GPS-Feld, das Apple Photos verwendet, um deine Fotos auf einer Karte anzuzeigen? Bei jedem einzelnen Bild leer. So bekommst du diese Fotos wieder dorthin zurück, wo sie hingehören.
TL;DR: Eingescannte Fotos sind der schlimmste Fall für traditionelles Geotagging — sie haben kein EXIF-GPS, keine Originalzeitstempel, nichts, woran man sich orientieren könnte. KI-basierte Bilderkennung ist eines der wenigen Werkzeuge, das hier helfen kann, weil es aus dem arbeitet, was das Foto zeigt, statt aus dem, was daran hängt. Lade den Stapel hoch, lass die KI Standorte aus Architektur, Schildern und Wahrzeichen vorschlagen, dann übernimm oder korrigiere jeden Vorschlag. Der Export schreibt Standard-GPS-Tags, die jedes Stammbaum-Tool lesen kann.
Warum eingescannte Fotos klassisches Geotagging aushebeln
Jedes große Foto-Organisationstool — Apple Photos, Lightroom, digiKam, sogar Google Photos — setzt voraus, dass das Foto mit irgendetwas ankommt, womit man arbeiten kann. Der GPS-Chip einer Kamera schreibt Koordinaten ins JPEG. Ein Smartphone hält fest, wann das Foto aufgenommen wurde. Selbst ältere Digitalkameras stempeln Datum und Kameramodell ein. Geotagging-Tools bauen auf diesem Gerüst auf.
Eingescannten Abzügen fehlt all das. Der Scanner schreibt sein eigenes EXIF — Scannermodell, Scan-Datum, Farbprofil — aber das einzige Datum, das ein Foto-Tool findet, ist das Scan-Datum, also der Moment, in dem du den Scanner laufen ließest, nicht der Moment, in dem das Foto entstanden ist. Das GPS-Feld ist leer, weil der Fotograf 1962 keinen Satellitenempfänger dabei hatte. Selbst Kameramarke und -modell fehlen meist, weil die meisten Verbraucher-Scanner nicht danach fragen, mit welcher Kamera der Originalabzug geschossen wurde.
Wenn du den Geolocation-Editor von digiKam oder die Kartenansicht von Apple Photos auf eine eingescannte Bibliothek loslässt, funktionieren die Tools — aber du fängst bei null an. Es gibt keinen GPX-Track, gegen den abgeglichen werden könnte, keine Metadaten, aus denen sich etwas ableiten ließe, keine Abkürzung. Du würdest jede Koordinate manuell eintragen, Foto für Foto.
Was die KI-Bilderkennung sehen kann
Hier ändert KI die Rechnung. Ein Vision-Modell braucht kein EXIF — es arbeitet aus den Pixeln. Wurde es auf genug Bildern von Orten, Schildern, Fahrzeugen und Architektur trainiert, kann es Standorte aus Hinweisen ableiten, die auch ein Mensch nutzen würde, nur viel schneller.
Was das Scannen überlebt und der KI etwas zum Arbeiten gibt:
- Architektur. Ein Levittown-Bungalow der 1950er sieht völlig anders aus als eine Spanish-Revival-Villa der 1920er in Pasadena oder ein Reihenhaus aus Backstein in Brooklyn. Dachneigung, Fensterproportionen, Materialien und Straßenführung sind erstaunlich spezifisch.
- Beschilderung. Straßenschilder, Ladenschilder, Nummernschilder, Postleitzahlen — selbst teilweise lesbar — engen Stadt oder Land schnell ein.
- Wahrzeichen. Kathedralen, Brücken, markante Türme, Bergsilhouetten. Das sind die leichten Treffer; die KI landet sie auf Straßenebene.
- Fahrzeuge. Ein Plymouth Fury in der Einfahrt deutet auf Nordamerika 1958-1964. Ein Citroën DS auf Frankreich oder französisch geprägte Märkte. Epoche und Ort gleichzeitig.
- Vegetation und Gelände. Saguaro-Kakteen bedeuten Arizona oder Sonora. Bougainvillea mit Ziegeldächern bedeutet Mittelmeerraum. Kahle Birken mit Schnee bedeuten Nordeuropa oder Kanada.
- Modeepoche. Nützlich, um Fotos zu datieren, was dann die plausiblen Orte eingrenzt (die Florida-Reise deiner Großtante 1972 vs ihre Hochzeitsreise nach Vermont 1948).
Wobei sie nicht helfen kann: Innenaufnahmen ohne Fenster, enge Porträts mit unscharfem Hintergrund, generische Vorstadt- oder Landszenen ohne Wahrzeichen und "Fotos von Fotos" (wenn jemand einen bestehenden Abzug abfotografiert statt gescannt hat). Für solche taggst du manuell oder überspringst sie.
Der Workflow Schritt für Schritt
- Scanne als JPEG mit 300 DPI oder mehr. Jeder Flachbettscanner reicht. Höhere Auflösung hilft der KI, feine Details wie Beschilderung und Nummernschilder herauszupicken, aber Standard-300-DPI genügen für Wahrzeichen- und Architekturerkennung.
- Lade den Stapel zu RetroTagr hoch. Zieh den Ordner aufs Dashboard oder nutz den Bulk-Import. Uploads laufen im Hintergrund; du kannst weiterarbeiten.
- Die KI schlägt Standorte mit Konfidenzwerten vor. Jedes Foto bekommt eine Koordinate (oder "kein Vorschlag" für die, die sie nicht lesen kann) plus ein Konfidenzband — hoch, mittel, niedrig.
- Prüfen. Übernimm die Vorschläge mit hoher Konfidenz in Bulk. Öffne die mittleren, um zu verifizieren oder den Pin nachzujustieren. Bei niedriger Konfidenz oder "kein Vorschlag" taggst du entweder manuell über die Karte oder markierst sie als nicht taggbar.
- Exportieren. RetroTagr schreibt Standard-GPS-EXIF-Tags in die JPEGs. Lad die getaggten Versionen herunter.
- In deine Bibliothek importieren. Leg sie in Apple Photos, Lightroom oder dein Stammbaum-Tool ab. Standorte erscheinen automatisch in der Kartenansicht — wie bei Fotos, die mit einem modernen Smartphone gemacht wurden.
Die gesamte Schleife für ein 500-Foto-Album dauert typischerweise 30-60 Minuten echter Prüfzeit, je nachdem, wie wiedererkennbar die Orte sind.
Wie das in der Praxis aussieht
Ein paar Muster aus echten Scan-Projekten (anonymisiert, keine identifizierenden Details):
Ein Backstein-Reihenhaus im Hintergrund, zwei Erwachsene davor, Kleidung der späten 1950er. Die KI ordnete die Architektur als Brooklyn-Brownstone-Ära ein. Eine schwache Ecke eines Straßenschilds oben rechts pinnte es auf ein bestimmtes Viertel fest. Konfidenz: hoch. Mit einem Klick übernommen.
Ein Strandfoto. Zwei Kinder, keine Wahrzeichen, leerer Sand, generisches Meer. Die KI lieferte "kein Vorschlag". Die Familie wusste, dass es die Outer Banks von einer Reise 1968 waren. Manuell über die Karte getaggt. Drei Sekunden.
Eine Aufnahme eines Paars vor einem Gebäude mit fremdsprachiger Beschilderung. Die KI erkannte italienischen Text, engte es auf "Norditalien" ein, konnte aber aus der Architektur allein keine spezifische Stadt festnageln. Konfidenz: mittel. Als "Raum Verona" übernommen — nah genug für die Familienkarte und ein Ausgangspunkt für weitere Recherche.
Das Muster, das sich abzeichnet: Vielleicht ein Drittel eines typischen Familienalbums bekommt KI-Vorschläge mit hoher Konfidenz, die du gedankenlos übernimmst. Ein weiteres Drittel braucht eine kurze Prüfung oder einen Pin-Nudge. Das letzte Drittel braucht manuelles Tagging oder wird einfach übersprungen, weil der Standort nie im Bild war.
Warum das für Familiengeschichte zählt
Familienfotos zu geotaggen ist selten ein Selbstzweck. Der Grund dafür liegt meist nachgelagert: eine Kartenansicht, wo die Vorfahren lebten und reisten, eine Diashow, die jedes Foto geografisch verortet, eine Stammbaum-Anwendung, die Fotos gegen die Orte eines Lebens plottet. Standard-GPS-EXIF-Tags funktionieren mit jedem großen Familienhistorie-Tool — Family Tree Maker, MyHeritage, die Foto-Funktionen von Ancestry, RootsMagic, Gramps — weil sie alle JPEG-Metadaten gleich lesen.
Das Ziel der Übung sind nicht perfekte Koordinaten für jede Aufnahme. Es geht darum, genug von der Bibliothek getaggt zu bekommen, dass die Kartenansicht aussagekräftig wird — eine visuelle Antwort auf "wo haben meine Großeltern ihr Leben verbracht", die die ein oder zwei Stunden Prüfung wert ist.
Wenn du das an einem Album ausprobieren willst, bevor du ein größeres Projekt angehst, bewältigt die kostenlose Stufe von RetroTagr 100 Fotos und 5 KI-Vorschläge — genug, um zu sehen, ob der Workflow zu deinen Fotos und deiner Geduld passt.