Ein Leitfaden zur Polygonannotation mit der Ultralytics Platform

Modernste KI-Technologien finden ihren Weg in zahlreiche Branchen – vom autonomen Fahren bis zur Präzisionslandwirtschaft. Milchviehhalter setzen beispielsweise KI und Bildanalyse ein, um Krankheiten bei Rindern zu erkennen. Gesundheitsprobleme wie Lahmheit können durch die Beobachtung von Veränderungen in Gangbild und Körperhaltung eines Tiers überwacht werden, etwa durch einen gekrümmten Rücken und asymmetrische Bewegungen.

Abb. 1. Beispiel für die Überwachung von Kühen mit KI und Bildanalyse.

Computer Vision, ein Teilgebiet der künstlichen Intelligenz, ermöglicht solche Anwendungen, indem Maschinen visuelle Daten interpretieren und analysieren können. Insbesondere ist die Instanzsegmentierung eine Computer-Vision-Aufgabe, bei der jedes Objekt in einem Bild auf Pixelebene erkannt und segmentiert wird, sodass einzelne Tiere präzise erkannt und analysiert werden können.

Die Polygonannotation spielt in diesem Prozess eine zentrale Rolle. Dabei handelt es sich um eine Methode zur Datenannotation, bei der die exakte Form eines Objekts in einem Bild sorgfältig nachgezeichnet wird, indem Punkte entlang seiner Kanten platziert werden. Im Gegensatz zu einfachen Annotationen mit Begrenzungsrahmen folgt dieser Ansatz dem tatsächlichen Umriss des Objekts, wodurch präzisere Trainingsdaten erstellt werden und Vision-KI-Modelle Objektgrenzen besser verstehen können.

Heutzutage stehen viele Werkzeuge zum Erstellen von Polygonannotationen zur Verfügung. Diese Optionen wirken jedoch oft fragmentiert, insbesondere wenn sie uneinheitliche oder eingeschränkte Unterstützung für verschiedene Annotationstypen bieten und dadurch die Verwaltung vielfältiger Kennzeichnungsanforderungen in einem einzigen Arbeitsablauf erschweren.

Die Ultralytics Platform, unser neuer durchgängiger Arbeitsbereich für Vision-KI, der Datenverwaltung, Annotation, Training, Bereitstellung und Überwachung miteinander verbindet, löst dieses Problem, indem sie mehrere Annotationstypen und KI-gestützte Arbeitsabläufe in einem nahtlosen Arbeitsbereich unterstützt und so den gesamten Annotationsprozess vereinfacht.

In diesem Artikel untersuchen wir, was Polygonannotationen sind und wie du sie mit der Ultralytics Platform erstellst. Legen wir los!

Polygonannotation genauer betrachtet#

Bevor wir uns der Ultralytics Platform und ihren Funktionen für Polygonannotationen widmen, machen wir einen Schritt zurück und klären, was Polygonannotation ist.

Bei der Bildannotation werden visuelle Daten mit Beschriftungen versehen, damit KI-Modelle verstehen können, was sie sehen. In der Regel werden dabei Objekte in einem Bild identifiziert und so markiert, dass ein Modell daraus lernen kann.

Eine der häufigsten Methoden besteht darin, rechteckige Rahmen um Objekte zu zeichnen, die als Begrenzungsrahmen bezeichnet werden. Begrenzungsrahmen liefern jedoch nur einen groben Umriss eines Objekts. Die Polygonannotation ist ein präziserer Ansatz.

Dabei wird ein Objekt Punkt für Punkt entlang seiner Grenzen umrissen, anstatt es mit einem Rahmen einzuschließen. Dazu platzieren Annotatoren mehrere Eckpunkte entlang der Kanten eines Objekts und zeichnen seine Kontur nach, bis die gesamte Form erfasst ist.

Diese verbundenen Punkte bilden ein Polygon, das den natürlichen Umriss des Objekts widerspiegelt. Da die Form der Objektgrenze eng folgt, erfasst die Annotation Details, die herkömmliche Kennzeichnungsmethoden oft übersehen. Dies ist besonders nützlich, wenn Objekte unregelmäßige Formen oder komplexe Kanten haben, etwa Blätter, menschliche Silhouetten und sich überschneidende Objekte.

Diese Präzision bei den Daten hilft Machine-Learning-Modellen, während des Modelltrainings effektiver zu lernen. Wenn Annotationen die tatsächlichen Grenzen eines Objekts genau erfassen, können Modelle die Muster des Objekts auf Pixelebene besser verstehen. Dies führt zu einer verbesserten Modellleistung, insbesondere bei Segmentierungsaufgaben mit hohen Genauigkeitsanforderungen.

Die Rolle von Polygonannotationen in Computer-Vision-Arbeitsabläufen#

Wie werden Polygonannotationen also tatsächlich eingesetzt? Sie stehen in engem Zusammenhang mit Vision-KI-Modellen, die Bildsegmentierungsaufgaben wie die Instanzsegmentierung unterstützen.

Bei vielen Computer-Vision-Anwendungen ist es entscheidend, die genaue Fläche zu kennen, die jedes Objekt in einem Bild oder Videobild einnimmt. Ein gutes Beispiel ist die Erkennung von Fahrzeugteilen in der Fertigung. In diesem Fall müssen Modelle Teile wie Türen, Fenster und Scheinwerfer identifizieren und präzise umranden, selbst wenn sie sich überschneiden oder komplexe Formen haben.

Hier kommt die Instanzsegmentierung ins Spiel. Sie ermöglicht es Modellen, jedes Objekt zu erkennen und seine exakten Grenzen auf Pixelebene abzubilden. Dies unterscheidet sich von der einfachen Objekterkennung, die Begrenzungsrahmen verwendet.

Abb. 2. Die Instanzsegmentierung kann auch dabei helfen, beschädigte Fahrzeugteile zu unterscheiden. (Quelle)

Begrenzungsrahmen liefern lediglich grobe rechteckige Bereiche um Objekte und enthalten oft zusätzlichen Hintergrund, wodurch es schwieriger wird, unregelmäßige Formen zu erfassen oder sich überschneidende Elemente zu trennen.

Die Polygonannotation spielt eine entscheidende Rolle, wenn es um diese Präzision geht. Durch das Nachzeichnen der exakten Form jedes Objekts in Datensatzbildern entstehen hochwertige Trainingsdaten, die die tatsächlichen Objektgrenzen widerspiegeln. Diese detaillierten Annotationen helfen Modellen wie Ultralytics YOLO26, die Struktur jeder Komponente besser zu verstehen, was zu genaueren Segmentierungsergebnissen führt.

Einschränkungen herkömmlicher Bildannotationswerkzeuge#

Sehen wir uns als Nächstes die Einschränkungen herkömmlicher Annotationswerkzeuge an, um den Bedarf an effizienteren und skalierbaren Lösungen wie der Ultralytics Platform zu verstehen.

Hier sind einige häufige Herausforderungen, mit denen Annotatoren bei der Verwendung herkömmlicher Werkzeuge für Polygonannotationen konfrontiert sind:

• Eingeschränkte Unterstützung für Annotationstypen: Einige Werkzeuge konzentrieren sich auf eine einzige Annotationstechnik, wodurch es schwierig wird, verschiedene Typen wie Polygone, Begrenzungsrahmen und Keypoints an einem Ort zu verwenden.
• Ineffiziente Verarbeitung komplexer Annotationen: Werkzeugen fehlen möglicherweise Funktionen, die eine präzise Annotation komplexer Objekte mit feinen Details erleichtern.
• Fehlende KI-gestützte Funktionen: Viele Werkzeuge beruhen vollständig auf manueller Arbeit und bieten keine integrierte KI-Unterstützung zur Beschleunigung der Annotation.
• Fragmentierte Datensatzverwaltung: Die Verwaltung von Datensätzen, Versionen und Annotationen kann schwierig sein, insbesondere wenn Werkzeuge keinen zentralen Arbeitsbereich bereitstellen.

Die Ultralytics Platform begegnet diesen Herausforderungen mit KI-gestützten Annotationsfunktionen, die sowohl von Modellen zur Segmentierung beliebiger Objekte (SAM) als auch von YOLO-Modellen unterstützt werden. SAM ermöglicht es Nutzern, aus einfachen Eingaben wie Klicks hochwertige Segmentierungsmasken zu erzeugen, die anschließend zu präzisen Polygonannotationen verfeinert werden können.

Die intelligente Annotation auf YOLO-Basis verwendet entsprechend vortrainierte oder benutzerdefinierte YOLO-Modelle, um Schlussfolgerungen für ein Bild auszuführen und Vorhersagen wie Begrenzungsrahmen, Segmentierungsmasken oder gedrehte Begrenzungsrahmen als Annotationen hinzuzufügen, die anschließend überprüft und bei Bedarf angepasst werden können. Zusammen machen diese Funktionen den Annotationsprozess schneller, konsistenter und leichter skalierbar.

Von der Ultralytics Platform unterstützte Annotationstypen#

Die Ultralytics Platform umfasst einen integrierten Annotationseditor, mit dem Nutzer Bilder direkt im Arbeitsbereich annotieren können. Dadurch lassen sich Datensätze einfacher erstellen und verwalten, ohne auf separate und oft zeitaufwendige Werkzeuge zur Datenkennzeichnung angewiesen zu sein.

Neben Polygonannotationen unterstützt die Ultralytics Platform mehrere weitere Annotationstypen. Hier ist ein kurzer Überblick:

• Begrenzungsrahmen: Annotatoren können einfache rechteckige Rahmen um Objekte zeichnen, wodurch diese in einem Bild leicht gekennzeichnet und erkannt werden können.
• Keypoints: Mit dieser Methode werden bestimmte Punkte wie Körpergelenke oder Orientierungspunkte für Aufgaben wie die Posenschätzung markiert.
• Gedrehte Begrenzungsrahmen (OBBs): Damit können Nutzer gedrehte oder schräg ausgerichtete Objekte im Vergleich zu herkömmlichen Begrenzungsrahmen genauer erfassen.
• Klassifikationslabels: Für einfachere Aufgaben können Nutzer ganze Bilder mit Labels versehen, anstatt einzelne Objekte zu markieren.

Objekte mit Polygonen auf der Ultralytics Platform annotieren#

Sehen wir uns nun an, wie du Polygonannotationen auf der Ultralytics Platform manuell oder mit KI-gestützten Werkzeugen erstellst.

Polygonannotationen manuell auf der Ultralytics Platform erstellen#

Hier ist eine kurze Schritt-für-Schritt-Anleitung zum manuellen Erstellen von Polygonannotationen:

• Schritt 1 – Zu deinem Datensatz navigieren: Öffne den Datensatz, der die zu annotierenden Bilder enthält. Dort werden deine Bilder und Annotationen gespeichert und verwaltet.
• Schritt 2 – Ein Bild öffnen: Klicke auf ein Bild, um es in der Annotationsoberfläche zu öffnen. Der Annotationsablauf hängt von der Aufgabe des Datensatzes ab. In einem Datensatz zur Instanzsegmentierung werden Annotationen beispielsweise mithilfe von Polygonmasken erstellt.
• Schritt 3 – Eine Maske erstellen: Klicke auf das Bild, um mit der Annotation zu beginnen. Jeder Klick fügt einen Eckpunkt entlang der Objektgrenze hinzu.
• Schritt 4 – Den Objektumriss nachzeichnen: Klicke weiter entlang der Objektkanten, um seine Form zu definieren.
• Schritt 5 – Das Polygon abschließen: Du kannst entweder die Eingabetaste drücken oder auf den ersten Punkt klicken, um das Polygon abzuschließen und ein Klassenlabel zuzuweisen.
• Schritt 6 – Weitere Annotationen hinzufügen: Wiederhole den Vorgang, um weitere Polygone für andere Objekte im Bild zu erstellen.
• Schritt 7 – Annotationen speichern: Annotationen werden beim Erstellen automatisch gespeichert.

Abb. 3. Einblick in das manuelle Erstellen von Polygonannotationen mit der Ultralytics Platform (Quelle)

Intelligente Polygonannotation auf der Ultralytics Platform#

Sehen wir uns als Nächstes die von der Ultralytics Platform unterstützten KI-gestützten Kennzeichnungsfunktionen an, die den Annotationsprozess beschleunigen.

Die Plattform bietet zwei Ansätze für intelligente Annotationen: einen Ansatz auf Basis von Modellen zur Segmentierung beliebiger Objekte für die interaktive, klickbasierte Erstellung von Annotationen und einen weiteren auf Basis von YOLO-Modellen, um Modellvorhersagen direkt als Annotationen hinzuzufügen. Beide Ansätze können für intelligente Polygonannotationen verwendet werden.

Intelligente Annotation mit SAM auf der Ultralytics Platform#

Die durch SAM unterstützte Annotation auf der Ultralytics Platform vereinfacht die manuelle Kennzeichnung, indem das Modell zur Segmentierung beliebiger Objekte (SAM) mit minimalen Eingaben Segmentierungsmasken erzeugt. Anstatt Objekte Punkt für Punkt nachzuzeichnen, können Nutzer über einfache Eingaben wie Klicks mit dem Bild interagieren, um anzugeben, was eingeschlossen oder ausgeschlossen werden soll.

Die Plattform unterstützt mehrere SAM-Modelle, darunter SAM 2.1 und SAM 3, sodass Nutzer je nach Bedarf zwischen höherer Geschwindigkeit und größerer Genauigkeit wählen können. Auf Grundlage der Nutzereingaben erzeugt SAM in Echtzeit Masken auf Pixelebene. Diese Masken können anschließend verfeinert und als Polygonannotationen verwendet werden, wodurch der Prozess schneller, konsistenter und leichter skalierbar wird.

So verwendest du SAM für Polygonannotationen auf der Ultralytics Platform:

• Schritt 1 – Ein Bild öffnen: Navigiere zu deinem Datensatz und klicke auf ein Bild, um die Vollbildansicht zu öffnen.
• Schritt 2 – Den Annotationsmodus aufrufen: Klicke auf „Edit“ und wechsle anschließend in den Smart-Modus (oder drücke S), um SAM zu aktivieren.
• Schritt 3 – Ein SAM-Modell auswählen: Wähle in der Werkzeugleiste ein SAM-Modell entsprechend deinen Anforderungen an Geschwindigkeit und Genauigkeit aus.
• Schritt 4 – Eingaben bereitstellen: Klicke mit der linken Maustaste, um positive Punkte (einzuschließende Bereiche) hinzuzufügen, und mit der rechten Maustaste, um negative Punkte (auszuschließende Bereiche) hinzuzufügen.
• Schritt 5 – Die Maske erzeugen und anwenden: SAM sagt in Echtzeit eine Segmentierungsmaske voraus. Drücke die Eingabetaste (oder verwende die automatische Anwendung), um die Annotation anzuwenden.
• Schritt 6 – Die Annotation verfeinern: Füge bei Bedarf weitere Punkte hinzu oder passe das Ergebnis an, um die Genauigkeit vor dem Speichern zu verbessern.

Abb. 4. SAM-gestützte Polygonannotation auf der Ultralytics Platform (Quelle)

Intelligente Annotation mit YOLO auf der Ultralytics Platform#

Die intelligente Annotation auf YOLO-Basis auf der Ultralytics Platform beschleunigt die Kennzeichnung, indem sie vortrainierte Ultralytics-YOLO-Modelle oder feinabgestimmte YOLO-Modelle verwendet, um Vorhersagen für ein Bild zu erzeugen und als Annotationen hinzuzufügen. Diese Vorhersagen können je nach Datensatzaufgabe Begrenzungsrahmen, Segmentierungsmasken oder gedrehte Begrenzungsrahmen umfassen.

Nutzer können diese Annotationen anschließend überprüfen und bei Bedarf verfeinern. Hier ist ein Überblick über die Schritte zur Verwendung der intelligenten Annotation auf YOLO-Basis auf der Ultralytics Platform:

• Schritt 1 – Ein Bild öffnen: Navigiere zu deinem Datensatz und wähle ein Bild aus, um es in der Vollbildansicht zu öffnen.
• Schritt 2 – Den Annotationsmodus aufrufen: Klicke auf „Edit“ und wechsle anschließend in den Smart-Modus (oder drücke S).
• Schritt 3 – Ein YOLO-Modell auswählen: Wähle in der Modellauswahl der Werkzeugleiste ein YOLO-Modell aus.
• Schritt 4 – Vorhersage ausführen: Klicke auf „Predict“, damit das Modell automatisch Annotationen erzeugt.
• Schritt 5 – Annotationen überprüfen: Überprüfe die dem Bild hinzugefügten vorhergesagten Begrenzungsrahmen, Segmentierungsmasken oder OBBs.
• Schritt 6 – Verfeinern und speichern: Bearbeite, passe an oder entferne falsche Annotationen nach Bedarf und speichere anschließend deine endgültigen Labels.

Abb. 5. Einblick in die Verwendung der YOLO-Smart-Annotation (Quelle)

Praxisbeispiele für Polygonannotationen#

Polygonannotation hat in vielen Branchen konkrete Auswirkungen – von der Qualitätskontrolle in der Fertigung bis hin zu Landwirtschaft und Gesundheitswesen. Sehen wir uns einige wichtige Praxisanwendungen an.

Erkennung von Schädlingen mit Computer Vision#

In der Landwirtschaft ist die Überwachung der Pflanzengesundheit entscheidend, um den Ertrag zu steigern und Verluste zu reduzieren. Die Erkennung von durch Schädlinge befallenen Bereichen auf Blättern kann schwierig sein, da diese Bereiche oft unregelmäßige Formen und unklare Grenzen haben.

Diese Art von Problem kann mit Bildsegmentierungstechniken wie der semantischen Segmentierung angegangen werden, bei der alle zu einer Klasse gehörenden Pixel (beispielsweise befallene Bereiche) gekennzeichnet werden, oder mit der Instanzsegmentierung, bei der Objektkonturen präziser getrennt werden.

Mit der Ultralytics Platform können Nutzer Polygonannotationen verwenden, um die exakte Form dieser befallenen Bereiche nachzuzeichnen. Dadurch entstehen genauere Datensätze, und Vision-KI-Algorithmen können subtile Muster in landwirtschaftlichen Umgebungen leichter erkennen.

Dadurch können Teams bessere Trainingsdaten erstellen, mit denen Modelle genau erkennen, wo Schädlingsbefall vorhanden ist. Dies ist effektiver als die Verwendung von Begrenzungsrahmen, die auch nicht betroffene Teile des Blatts einschließen können.

Medizinische Bildanalyse mit Instanzsegmentierung#

Ähnlich wie bei der Schädlingserkennung in der Landwirtschaft können selbst kleine Unterschiede an Grenzen beeinflussen, wie Krankheiten wie Krebs in der medizinischen Bildgebung analysiert werden. Dies ist besonders wichtig bei der Erkennung medizinischer Auffälligkeiten wie Tumoren in CT-Aufnahmen.

Herkömmliche Annotationsmethoden übersehen möglicherweise feine Kanten oder schließen umliegendes Gewebe ein, was die Genauigkeit verringern kann. Mit der Ultralytics Platform können Teams diese Bereiche in Trainingsdaten mithilfe von Polygonannotationen präzise nachzeichnen und so Modellen helfen, genauere und zuverlässigere Tumorsegmentierungen zu erzeugen.

Wichtige Erkenntnisse#

Polygonannotation ist entscheidend, wenn Modelle Objektformen in Bildern mit hoher Präzision verstehen müssen. Sie hilft dabei, komplexe Formen genauer darzustellen, insbesondere bei der Verwendung der Ultralytics Platform. Durch die Verbindung von Präzision und leistungsstarken Werkzeugen können Teams zuverlässigere und leistungsfähigere KI-Modelle entwickeln.

Möchtest du Vision-KI in deine Projekte integrieren? Tritt unserer Community bei und entdecke KI in der Automobilbranche sowie Vision-KI in der Robotik. Besuche unser GitHub-Repository, um mehr zu erfahren. Sieh dir unsere Lizenzierungsoptionen an und lege noch heute los!