In dieser Arbeit präsentieren wir eine genaue und effektive Lösung für die 6D-Pose-Schätzung aus einem RGB-Bild. Der Kern unseres Ansatzes besteht darin, zunächst eine Reihe von Oberflächenpunkten auf dem Modell des Zielobjekts als Keypoints zu definieren und anschließend einen Keypoint-Detektor (KPD) zu trainieren, um diese zu lokalisieren. Schließlich kann ein PnP-Algorithmus die 6D-Pose basierend auf der 2D-3D-Beziehung der Keypoints rekonstruieren. Im Gegensatz zu den neuesten CNN-basierten Ansätzen, die auf einem zeitaufwendigen Nachbearbeitungsverfahren beruhen, erreicht unsere Methode vergleichbare Genauigkeit ohne jegliche Verfeinerung nach der Pose-Vorhersage. Gleichzeitig erzielen wir eine relative Verbesserung von 30 % in Bezug auf die ADD-Genauigkeit unter den Methoden, die keine Verfeinerung verwenden. Darüber hinaus gelingt es uns, schwere Verdeckungen durch die Auswahl der vertrauenswürdigsten Keypoints zur Rekonstruktion der 6D-Pose zu bewältigen. Zur Gewährleistung der Reproduzierbarkeit werden wir unseren Code und unsere Modelle bald öffentlich zugänglich machen.