Ein Leitfaden zur Polygon-Annotation mit Ultralytics

Modernste KI-Technologien halten Einzug in eine Vielzahl von Branchen, vom autonomen Fahren bis hin zur Präzisionslandwirtschaft. So nutzen beispielsweise Milchviehhalter KI und Bildanalyse, um detect bei Rindern detect . Gesundheitsprobleme wie Lahmheit lassen sich durch die Beobachtung von Veränderungen im Gangbild und in der Körperhaltung eines Tieres, wie beispielsweise einem gewölbten Rücken und asymmetrischen Bewegungen, überwachen. 

‍

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

Die Polygon-Annotation spielt in diesem Prozess eine zentrale Rolle. Es handelt sich um eine Methode zur Datenannotation, bei der die genaue Form eines Objekts in einem Bild durch das Setzen von Punkten entlang seiner Kanten sorgfältig nachgezeichnet wird. Im Gegensatz zu einfachen Annotationen mit Begrenzungsrahmen folgt dieser Ansatz dem tatsächlichen Umriss des Objekts, was zur Erstellung präziserer Trainingsdaten beiträgt und es KI-Modellen im Bereich der Bildverarbeitung ermöglicht, Objektgrenzen besser zu verstehen.

Heutzutage stehen zahlreiche Tools zur Erstellung von Polygon-Annotationen zur Verfügung. Diese Optionen wirken jedoch oft unzusammenhängend, insbesondere wenn sie unterschiedliche Arten von Annotationen nur uneinheitlich oder eingeschränkt unterstützen, was es erschwert, vielfältige Beschriftungsanforderungen innerhalb eines einzigen Arbeitsablaufs zu bewältigen.

Ultralytics , unsere neue End-to-End-Arbeitsumgebung für visuelle KI, die die Lücke zwischen Datenmanagement, Annotation, Training, Bereitstellung und Überwachung schließt, löst dieses Problem, indem sie verschiedene Annotationstypen und KI-gestützte Arbeitsabläufe in einer nahtlosen Arbeitsumgebung unterstützt und so den gesamten Annotationsprozess vereinfacht.

In diesem Artikel erfahren Sie, was Polygon-Annotationen sind und wie Sie diese mit Ultralytics erstellen können. Legen wir los! 

Ein genauerer Blick auf die Beschriftung von Polygonen

Bevor wir uns näher mit Ultralytics und ihren Funktionen zur Polygon-Annotation befassen, wollen wir zunächst einen Schritt zurücktreten und klären, was Polygon-Annotation überhaupt ist. 

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

Eine der gängigsten Methoden ist das Einzeichnen rechteckiger Rahmen um Objekte, die als Begrenzungsrahmen bezeichnet werden. Begrenzungsrahmen liefern jedoch nur einen groben Umriss eines Objekts. Die Polygon-Annotation ist ein präziserer Ansatz.

Dabei wird ein Objekt nicht in einen Rahmen eingeschlossen, sondern Punkt für Punkt umrissen (seine Ränder). Dazu setzen die Annotatoren mehrere Eckpunkte (Punkte) entlang der Kanten des Objekts und zeichnen dessen Umrisse nach, bis die gesamte Form erfasst ist.

Diese verbundenen Punkte bilden ein Polygon, das die natürliche Kontur des Objekts widerspiegelt. Da die Form eng an die Begrenzung des Objekts angepasst ist, erfasst die Beschriftung Details, die bei herkömmlichen Beschriftungsmethoden oft übersehen werden. Dies ist besonders nützlich, wenn Objekte unregelmäßige Formen oder komplexe Kanten aufweisen, wie beispielsweise Blätter, menschliche Silhouetten und sich überlappende Objekte. 

Eine solche Datengenauigkeit hilft Machine-Learning-Modellen, während des Modelltrainings effektiver zu lernen. Wenn Annotationen die tatsächlichen Grenzen eines Objekts präzise erfassen, können Modelle die Muster des Objekts auf Pixelebene besser verstehen. Dies führt zu einer verbesserten Modellleistung, insbesondere bei Segmentierungsaufgaben, die eine hohe Genauigkeit erfordern.

Die Rolle von Polygon-Annotationen in Workflows der Bildverarbeitung

Wie werden Polygon-Annotationen also konkret eingesetzt? Sie sind eng mit Bildverarbeitungs-KI-Modellen verknüpft, die Bildsegmentierungsaufgaben wie die Instanzsegmentierung unterstützen.

In vielen Anwendungen der Bildverarbeitung ist es unerlässlich, die genaue Fläche zu kennen, die jedes Objekt in einem Bild oder Videobild einnimmt. Ein gutes Beispiel hierfür ist die Erkennung von Fahrzeugteilen in der Fertigung. In diesem Fall müssen Modelle Teile wie Türen, Fenster und Scheinwerfer identifizieren und präzise umreißen, selbst wenn diese sich überlappen oder komplexe Formen aufweisen.

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

‍

Begrenzungsrahmen geben lediglich grobe rechteckige Bereiche um Objekte herum an und enthalten oft zusätzlichen Hintergrund, was es erschwert, unregelmäßige Formen zu erfassen oder überlappende Elemente voneinander zu trennen.

Polygon-Annotationen spielen eine entscheidende Rolle dabei, diese Präzision zu erreichen. Durch das Nachzeichnen der exakten Form jedes Objekts in den Bildern des Datensatzes entstehen hochwertige Trainingsdaten, die die tatsächlichen Objektgrenzen widerspiegeln. Diese detaillierten Annotationen helfen Modellen wie Ultralytics , die Struktur jeder Komponente besser zu verstehen, was zu genaueren Segmentierungsergebnissen führt.

Einschränkungen herkömmlicher Tools zur Bildbeschriftung

Lassen Sie uns als Nächstes die Einschränkungen herkömmlicher Annotationswerkzeuge betrachten, um die Notwendigkeit effizienterer und skalierbarer Lösungen wie Ultralytics zu verstehen.

Hier sind einige typische Herausforderungen, mit denen Annotatoren bei der Verwendung herkömmlicher Polygon-Annotationswerkzeuge konfrontiert sind:

• Eingeschränkte Unterstützung für Annotationstypen: Einige Tools konzentrieren sich auf eine einzige Annotationstechnik, was die Arbeit mit verschiedenen Typen wie Polygonen, Begrenzungsrahmen und Kontrollpunkten an einem Ort erschwert.
• Ineffiziente Bearbeitung komplexer Annotationen: Den Tools fehlen möglicherweise Funktionen, die es erleichtern, komplexe Objekte mit feinen Details präzise zu annotieren.
• Fehlende KI-gestützte Funktionen: Viele Tools basieren vollständig auf manueller Arbeit und verfügen über keine integrierte KI-Unterstützung, um die Annotation zu beschleunigen.
• Zersplitterte Verwaltung von Datensätzen: Die Verwaltung von Datensätzen, Versionen und Anmerkungen kann schwierig sein, insbesondere wenn die Tools keinen zentralen Arbeitsbereich bieten.

Ultralytics begegnet diesen Herausforderungen mit KI-gestützten Annotationsfunktionen, die sowohl auf „Segment Anything Models“ (SAM) als auch auf YOLO basieren. SAM Nutzer aus einfachen Eingaben wie Klicks hochwertige Segmentierungsmasken erstellen, die anschließend zu präzisen Polygon-Annotationen verfeinert werden können. 

Ebenso nutzt die YOLO intelligente Annotation vortrainierte oder individuell trainierte YOLO , um Inferenzberechnungen für ein Bild durchzuführen und Vorhersagen wie Begrenzungsrahmen, Segmentierungsmasken oder orientierte Begrenzungsrahmen als Annotationen hinzuzufügen, die anschließend überprüft und bei Bedarf angepasst werden können. Zusammen sorgen diese Funktionen dafür, dass der Annotationsprozess schneller, konsistenter und leichter skalierbar ist.

Verschiedene Arten von Anmerkungen, die von Ultralytics unterstützt werden

Ultralytics verfügt über einen integrierten Annotationseditor, mit dem Benutzer Bilder direkt im Arbeitsbereich mit Anmerkungen versehen können. Dies erleichtert die Erstellung und Verwaltung von Datensätzen, ohne dass separate, oft zeitaufwändige Tools zur Datenkennzeichnung benötigt werden.

Neben Polygon-Annotationen unterstützt Ultralytics noch verschiedene andere Annotationstypen. Hier ein kurzer Überblick:

• Begrenzungsrahmen: Annotatoren können einfache rechteckige Rahmen um Objekte zeichnen, wodurch detect in einem Bild leicht beschriftet und detect werden können.
• Wichtige Punkte: Diese Methode wird verwendet, um bestimmte Punkte, wie beispielsweise Körpergelenke oder Orientierungspunkte, für Aufgaben wie die Posenschätzung zu markieren.
• Orientierte Begrenzungsrahmen (OBBs): Diese ermöglichen es Benutzern, gedrehte oder schräg stehende Objekte im Vergleich zu herkömmlichen Begrenzungsrahmen genauer zu erfassen.
• Klassifizierungsbezeichnungen: Bei einfacheren Aufgaben können Benutzer ganze Bilder mit Bezeichnungen versehen, anstatt einzelne Objekte zu markieren.

Objekte auf Ultralytics mit Polygonen kennzeichnen

Schauen wir uns nun an, wie man auf der Ultralytics Polygon-Annotationen erstellt – entweder manuell oder mit KI-gestützten Tools.

Manuelles Erstellen von Polygon-Anmerkungen auf Ultralytics

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

• Schritt 1 – Rufen Sie Ihren Datensatz auf: Öffnen Sie den Datensatz, der die Bilder enthält, die Sie annotieren möchten. Hier werden Ihre Bilder und Annotationen gespeichert und verwaltet.
• Schritt 2 – Bild öffnen: Klicken Sie auf ein Bild, um es in der Annotationsoberfläche zu öffnen. Der Annotationsablauf hängt von der jeweiligen Datensatzaufgabe ab. Bei einem Datensatz zur Instanzsegmentierung werden Annotationen beispielsweise mithilfe von Polygonmasken erstellt.
• Schritt 3 – Beginnen Sie mit der Erstellung einer Maske: Klicken Sie auf das Bild, um mit der Markierung zu beginnen. Mit jedem Klick wird ein Scheitelpunkt entlang der Objektgrenze hinzugefügt.
• Schritt 4 – Objektkontur nachzeichnen: Klicken Sie weiter entlang der Kanten des Objekts, um dessen Form festzulegen.
• Schritt 5 – Polygon fertigstellen: Sie können entweder die Eingabetaste drücken oder auf den ersten Punkt klicken, um das Polygon fertigzustellen und ihm eine Klassenbezeichnung zuzuweisen.
• Schritt 6 – Weitere Markierungen hinzufügen: Wiederholen Sie den Vorgang, um weitere Polygone für andere Objekte im Bild zu erstellen.
• Schritt 7 – Anmerkungen speichern: Anmerkungen werden automatisch gespeichert, sobald Sie sie erstellen.

‍

Intelligente Polygon-Annotation auf Ultralytics

Sehen wir uns als Nächstes die von Ultralytics unterstützten Funktionen zur KI-gestützten Kennzeichnung an, die den Annotationsprozess beschleunigen.

Die Plattform bietet zwei Ansätze für die intelligente Annotation: einen auf Basis von Segment Anything-Modellen für die interaktive, klickbasierte Erstellung von Annotationen und einen auf Basis von YOLO , bei dem Modellvorhersagen direkt als Annotationen hinzugefügt werden. Beide Ansätze können für die intelligente Polygon-Annotation genutzt werden. 

Intelligente Annotation mit SAM Ultralytics

Die SAM Annotation auf Ultralytics vereinfacht die manuelle Kennzeichnung, indem sie mithilfe des „Segment Anything Model“ (SAM) mit minimalem Aufwand Segmentierungsmasken erstellt. Anstatt Objekte Punkt für Punkt nachzuzeichnen, können Nutzer mit dem Bild interagieren, indem sie durch einfache Eingaben wie Klicks angeben, was einbezogen oder ausgeschlossen werden soll.

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

Hier sind die Schritte zur Verwendung von SAM die Polygon-Annotation in Ultralytics :

• Schritt 1 – Bild öffnen: Navigieren Sie zu Ihrem Datensatz und klicken Sie auf ein Bild, um den Vollbild-Viewer zu öffnen.
• Schritt 2 – Annotationsmodus aufrufen: Klicken Sie auf „Bearbeiten“ und wechseln Sie dann in den Smart-Modus (oder drücken Sie die Taste S), um SAM zu aktivieren.
• Schritt 3 – Wählen Sie ein SAM aus: Wählen Sie in der Symbolleiste ein SAM aus, das Ihren Anforderungen an Geschwindigkeit und Genauigkeit entspricht.
• Schritt 4 – Eingabe von Begrenzungslinien: Klicken Sie mit der linken Maustaste, um positive Punkte (Einzugsgebiete) hinzuzufügen, und mit der rechten Maustaste, um negative Punkte (Ausschlussgebiete) hinzuzufügen.
• Schritt 5 – Maske erstellen und anwenden: SAM in Echtzeit eine Segmentierungsmaske. Drücken Sie die Eingabetaste (oder nutzen Sie die automatische Anwendung), um die Annotation zu übernehmen.
• Schritt 6 – Verfeinern Sie die Markierung: Fügen Sie bei Bedarf weitere Punkte hinzu oder passen Sie das Ergebnis an, um die Genauigkeit zu verbessern, bevor Sie speichern. 

‍

Intelligente Bildbeschriftung mit YOLO Ultralytics

Die YOLO intelligente Annotation auf der Ultralytics beschleunigt die Bildbeschriftung, indem sie vortrainierteYOLO oder feinabgestimmte YOLO nutzt, um Vorhersagen zu einem Bild zu generieren und diese als Annotationen hinzuzufügen. Diese Vorhersagen können je nach Aufgabe des Datensatzes Begrenzungsrahmen, Segmentierungsmasken oder orientierte Begrenzungsrahmen umfassen. 

Die Nutzer können diese Annotationen anschließend nach Bedarf überprüfen und verfeinern. Hier finden Sie einen Überblick über die Schritte zur Verwendung der YOLO intelligenten Annotation auf Ultralytics :

• Schritt 1 – Bild öffnen: Navigieren Sie zu Ihrem Datensatz und wählen Sie ein Bild aus, um es im Vollbildmodus zu öffnen.‍
• Schritt 2 – Anmerkungsmodus aufrufen: Klicken Sie auf „Bearbeiten“ und wechseln Sie dann in den Smart-Modus (oder drücken Sie die Taste S).‍
• Schritt 3 – Wählen Sie ein YOLO aus: Wählen Sie ein YOLO aus der Modellauswahl in der Symbolleiste aus.‍
• Schritt 4 – Vorhersage ausführen: Klicken Sie auf „Vorhersagen“, damit das Modell automatisch Annotationen generiert.‍
• Schritt 5 – Anmerkungen überprüfen: Überprüfen Sie die dem Bild hinzugefügten vorhergesagten Begrenzungsrahmen, Segmentierungsmasken oder OBBs.‍
• Schritt 6 – Verfeinern und speichern: Bearbeiten , passen Sie an oder entfernen Sie fehlerhafte Anmerkungen nach Bedarf und speichern Sie anschließend Ihre endgültigen Beschriftungen.

‍

Anwendungsbeispiele für die Annotation von Polygonen aus der Praxis

Die Polygon-Annotation hat branchenübergreifend große Auswirkungen, von der Qualitätskontrolle in der Fertigung bis hin zur Landwirtschaft und zum Gesundheitswesen. Werfen wir einen Blick auf einige wichtige Anwendungsbeispiele aus der Praxis. 

Erkennung von Schädlingen mithilfe von Computer Vision

In der Landwirtschaft ist die Überwachung des Pflanzenzustands entscheidend für die Steigerung der Erträge und die Verringerung von Verlusten. Das Erkennen von durch Schädlinge befallenen Bereichen auf Pflanzenblättern kann schwierig sein, da diese Bereiche oft unregelmäßige Formen und unklare Grenzen aufweisen.

Dieses Problem lässt sich mit Bildsegmentierungstechniken wie der semantischen Segmentierung angehen, bei der alle Pixel einer Klasse (z. B. infizierte Bereiche) gekennzeichnet werden, oder mit der Instanzsegmentierung, bei der Objektkonturen präziser getrennt werden.

Mit Ultralytics können Nutzer mithilfe von Polygon-Annotationen die genaue Form dieser befallenen Bereiche nachzeichnen. Dies trägt zur Erstellung genauerer Datensätze bei und erleichtert es Bildverarbeitungs-KI-Algorithmen, subtile Muster in landwirtschaftlichen Umgebungen zu erkennen.

Dadurch können Teams bessere Trainingsdaten erstellen, die den Modellen helfen, genau zu erkennen, wo Schädlingsbefall vorliegt. Dies ist effektiver als die Verwendung von Begrenzungsrahmen, die Teile des Blattes einschließen können, die nicht befallen sind.

Medizinische Bildanalyse auf Basis der Instanzsegmentierung

Ähnlich wie bei der Schädlingserkennung in der Landwirtschaft können schon geringfügige Abweichungen bei den Begrenzungen Auswirkungen darauf haben, wie Krankheiten wie Krebs in der medizinischen Bildgebung analysiert werden. Dies ist besonders entscheidend bei der Erkennung medizinischer Anomalien wie Tumoren in CT-Aufnahmen.

Bei herkömmlichen Annotationsmethoden können feine Ränder übersehen oder umliegendes Gewebe mit einbezogen werden, was die Genauigkeit beeinträchtigen kann. Mit Ultralytics können Teams mithilfe von Polygon-Annotationen diese Bereiche in den Trainingsdaten präzise nachzeichnen, wodurch die Modelle eine genauere und zuverlässigere Tumorsegmentierung erzielen können.

Wesentliche Erkenntnisse

Die Annotation von Polygonen ist entscheidend, wenn Modelle die Formen von Objekten in Bildern mit hoher Präzision erkennen sollen. Sie trägt dazu bei, komplexe Formen genauer darzustellen, insbesondere bei der Verwendung Ultralytics . Durch die Kombination von Präzision und leistungsstarken Tools können Teams zuverlässigere und leistungsfähigere KI-Modelle entwickeln.

Sind Sie bereit, Bildverarbeitungs-KI in Ihre Projekte zu integrieren? Werden Sie Teil unserer Community und entdecken Sie KI in der Automobilindustrie sowie Bildverarbeitungs-KI in der Robotik. Stöbern Sie in unserem GitHub-Repository, um mehr zu erfahren. Informieren Sie sich über unsere Lizenzoptionen und legen Sie noch heute los!