Wir schlagen eine Methode für die schwach überwachte Objekterkennung in Gemälden vor. Während der Trainingsphase sind nur bildbasierte Annotationen erforderlich. Dies, kombiniert mit der Effizienz unserer Mehrfachinstanz-Lernmethode, ermöglicht das schnelle Lernen neuer Klassen aus global annotierten Datenbanken und vermeidet die mühsame Aufgabe, Objekte manuell zu markieren. Wir zeigen an mehreren Datenbanken, dass die Weglassung von instanzbasierten Annotationen nur geringe Leistungsverluste zur Folge hat. Zudem stellen wir eine neue Datenbank, IconArt, vor, auf der wir Erkennungsexperimente durchführen, die Klassen betreffen, die nicht aus Fotografien gelernt werden können, wie zum Beispiel Jesuskind oder Heiliger Sebastian. Nach bestem Wissen sind dies die ersten Experimente, die sich mit der automatischen (und in unserem Fall schwach überwachten) Erkennung ikonographischer Elemente in Gemälden befassen. Wir glauben, dass solche Methoden für Kunsthistoriker von großem Nutzen sind, um große digitale Datenbanken zu erkunden.