Active Learning beschleunigt die Entwicklung von Computervision

Ein Computer-Vision-Modell zu trainieren ist ein bisschen so, als würde man einem Kind beibringen, Farben zu erkennen. Zunächst braucht man eine Sammlung farbiger Gegenstände. Dann zeigt man dem Kind, wie es jede Farbe richtig erkennt – eine Aufgabe, die oft viel Zeit kostet und sich ständig wiederholt.

So wie ein Kind viele Beispiele zum Lernen braucht, benötigt ein Vision-Modell eine große Menge beschrifteter Daten, um Muster und Objekte in Bildern zu erkennen. Die Beschriftung umfangreicher Datenmengen kostet jedoch viel Zeit und Mühe, ganz zu schweigen von den benötigten Ressourcen. Verfahren wie Active Learning können diesen Prozess vereinfachen.

Active Learning ist ein schrittweiser Prozess, bei dem die wichtigsten Daten aus einem großen Datensatz ausgewählt und beschriftet werden. Das Modell lernt aus diesen beschrifteten Daten und wird dadurch genauer und leistungsfähiger. Wenn man sich nur auf die wertvollsten Daten konzentriert, muss weniger beschriftet werden und die Modellentwicklung geht schneller voran.

In diesem Artikel sehen wir uns an, wie Active Learning das Modelltraining unterstützt, die Kosten für die Datenbeschriftung senkt und die Gesamtgenauigkeit des Modells verbessert.

Bilddatensätze lassen sich nicht einfach erstellen#

Datensätze bilden die Grundlage für Computer-Vision- und Deep-Learning-Modelle. Beliebte Datensätze wie ImageNet enthalten Millionen von Bildern mit verschiedensten Objektkategorien. Die Erstellung und Pflege solch umfangreicher hochwertiger Datensätze bringt jedoch zahlreiche Herausforderungen mit sich.

So kostet das Sammeln und Beschriften von Daten Zeit und Ressourcen und erfordert erfahrene Annotatoren. Je nach Anwendungsfall kann der Prozess daher sehr anspruchsvoll sein. Um mit der wachsenden Nachfrage nach Bilddatensätzen Schritt zu halten, braucht es innovative und effizientere Lösungen – genau hier setzt Active Learning an.

Active Learning begegnet diesem Problem, indem es den Prozess der Datenbeschriftung optimiert. Durch die gezielte Auswahl der informativsten Datenpunkte für die Annotation maximiert Active Learning die Modellleistung und minimiert zugleich den Beschriftungsaufwand.

Was ist Active Learning?#

Active Learning ist ein iteratives Verfahren des maschinellen Lernens, bei dem das Modell aus einer großen Menge unbeschrifteter Daten die wichtigsten Datenpunkte zur Beschriftung auswählt. Diese ausgewählten Datenpunkte werden manuell beschriftet und dem Trainingsdatensatz hinzugefügt.

Anschließend wird das Modell mit dem aktualisierten Datensatz erneut trainiert und wählt die nächste Gruppe von Datenpunkten zur Beschriftung aus. Dieser Prozess wiederholt sich, wobei das Modell sich stetig verbessert, indem es sich auf die aussagekräftigsten Datenpunkte konzentriert. Der Zyklus wird so lange fortgesetzt, bis das Modell entweder die gewünschte Genauigkeit erreicht oder die zuvor festgelegten Beschriftungskriterien erfüllt.

Abb. 1. Überblick über Active Learning.

So funktioniert Active Learning#

Du fragst dich vielleicht, wie Active Learning entscheidet, welche Datenpunkte manuell beschriftet werden müssen und welche als Nächstes annotiert werden sollen. Sehen wir uns an, wie Active Learning funktioniert, und vergleichen wir es mit der Vorbereitung auf eine Prüfung: Du konzentrierst dich auf Themen, bei denen du unsicher bist, und sorgst zugleich dafür, verschiedene Fachbereiche abzudecken, um gut vorbereitet zu sein.

Für die anfängliche Datenauswahl nutzt Active Learning Strategien wie Unsicherheitsstichproben und diversitätsbasierte Stichproben. Bei Unsicherheitsstichproben werden Datenpunkte priorisiert, bei denen das Modell seinen Vorhersagen am wenigsten vertraut. Ziel ist es, die Genauigkeit in schwierigen Fällen zu verbessern. Bei diversitätsbasierten Stichproben werden Datenpunkte ausgewählt, die ein breites Spektrum an Merkmalen abdecken. So kann das Modell durch vielfältige Beispiele gut auf unbekannte Daten verallgemeinern.

Abb. 2. Unsicherheitsstichproben (links) und diversitätsbasierte Stichproben (rechts).

Nach der anfänglichen Datenauswahl nutzt Active Learning zwei Hauptansätze für die Beschriftung: stichprobenbasierte Auswahl aus einem Datenpool und Auswahl aus einem Datenstrom. Sie ähneln der Art und Weise, wie eine Lehrkraft einem Schüler hilft, sich auf das Wichtigste zu konzentrieren.

Bei der poolbasierten Stichprobenauswahl durchsucht das Modell einen großen Pool unbeschrifteter Daten und wählt die schwierigsten oder informativsten Beispiele zur Beschriftung aus – ähnlich wie eine lernende Person die Karteikarten priorisiert, die ihr am schwersten fallen. Bei der strombasierten Stichprobenauswahl verarbeitet das Modell die Daten, sobald sie eintreffen, und entscheidet, ob sie beschriftet oder übersprungen werden sollen. Das ist vergleichbar mit einer lernenden Person, die nur dann um Hilfe bittet, wenn sie nicht weiterkommt. In beiden Fällen werden die beschrifteten Daten dem Trainingsdatensatz hinzugefügt und das Modell erneut trainiert. So verbessert es sich mit jedem Durchlauf kontinuierlich.

Anwendungsbereiche von Active Learning#

Active Learning spielt eine wichtige Rolle bei Computer-Vision-Anwendungen wie der medizinischen Bildgebung und dem autonomen Fahren, da es die Modellgenauigkeit verbessert und die Datenbeschriftung vereinfacht. Ein interessantes Beispiel sind Computer-Vision-Modelle in selbstfahrenden Autos, die Fußgänger oder Objekte bei schlechten Lichtverhältnissen oder Nebel erkennen. Active Learning kann die Genauigkeit verbessern, indem es sich auf vielfältige und anspruchsvolle Fahrsituationen konzentriert.

Active Learning kann gezielt unsichere Daten oder Einzelbilder aus solchen Situationen erkennen, die dann selektiv beschriftet werden. Werden diese beschrifteten Beispiele zum Trainingsdatensatz hinzugefügt, kann das Modell Fußgänger und Objekte in schwierigen Umgebungen besser erkennen, etwa bei schlechtem Wetter oder Nachtfahrten.

NVIDIA hat Active Learning beispielsweise genutzt, um die Erkennung von Fußgängern bei Nacht in selbstfahrenden Modellen zu verbessern. Durch die gezielte Auswahl der aussagekräftigsten Trainingsdaten, insbesondere für schwierige Situationen, lässt sich die Modellleistung deutlich steigern.

Abb. 3. Erkennung eines Fußgängers mit Regenschirm mithilfe von Active Learning.

Active Learning kann die Kosten für die Datenbeschriftung senken#

Ein weiterer wichtiger Vorteil von Active Learning ist das Potenzial, die Kosten der Datenbeschriftung zu senken. Dafür konzentriert es sich nur auf die wichtigsten Datenpunkte, anstatt Annotationen für den gesamten Datensatz zu erfordern. Dieser gezielte Ansatz spart Zeit, Aufwand und Geld. Indem Active Learning unsichere oder vielfältige Stichproben gezielt auswählt, verringert es die benötigte Anzahl an Annotationen und erhält zugleich eine hohe Modellgenauigkeit.

Tatsächlich zeigen Forschungsergebnisse, dass Active Learning die Kosten für die Datenbeschriftung um 40–60 % senken kann, ohne die Leistung zu beeinträchtigen. Das ist besonders hilfreich in Branchen wie dem Gesundheitswesen und der Fertigung, in denen die Datenbeschriftung teuer ist. Durch die Vereinfachung der Annotation können Unternehmen Modelle schneller entwickeln und effizienter bereitstellen und zugleich die Genauigkeit aufrechterhalten.

Vorteile von Active Learning#

Hier sind einige weitere wichtige Vorteile von Active Learning:

• Klassenungleichgewicht ausgleichen: Active Learning kann helfen, Probleme mit einem unausgewogenen Klassenverhältnis zu beheben, indem Beispiele aus unterrepräsentierten Datenklassen beschriftet werden. So kann das Modell seltene Szenarien auch mit wenigen Daten besser bewältigen.
• Kürzere Entwicklungszyklen: Weniger Daten zu beschriften beschleunigt indirekt die Entwicklung von Modellen für maschinelles Lernen und Computer Vision. Dadurch bleiben mehr Zeit und Ressourcen für weitere Iterationen und Experimente.
• Anpassungsfähigkeit: Durch wiederholte Auswahl unsicherer Beispiele und von Randfällen kann Active Learning die Trainingsdaten kontinuierlich verbessern. Dadurch eignet sich das Verfahren besonders für dynamische oder sich verändernde Datensätze.

Active Learning und AutoML können zusammenarbeiten#

Automatisiertes maschinelles Lernen (AutoML) konzentriert sich darauf, die zeitaufwendigen, iterativen Aufgaben beim Erstellen und Bereitstellen von Modellen für maschinelles Lernen zu automatisieren. Es vereinfacht Arbeitsabläufe beim maschinellen Lernen, indem es Aufgaben wie die Modellauswahl und die Leistungsbewertung automatisiert und so den manuellen Aufwand verringert.

In Verbindung mit Active Learning kann AutoML den Entwicklungszyklus von Modellen beschleunigen und optimieren. Active Learning wählt gezielt die aussagekräftigsten Datenpunkte für die Beschriftung aus, während AutoML das Modell verbessert, indem es die Auswahl der Architektur und der Parameter sowie deren Optimierung automatisiert.

Abb. 4. AutoML-Arbeitsablauf.

Sehen wir uns diese Kombination von Technologien anhand eines Beispiels an.

Angenommen, du möchtest seltene Erkrankungen in der medizinischen Bildgebung erkennen – ein Anwendungsfall, bei dem beschriftete Datensätze nur begrenzt verfügbar und teuer zu beschaffen sind. Active Learning kann unsichere Daten identifizieren und auswählen, etwa subtile Veränderungen in Röntgenbildern, die das Modell nicht richtig klassifiziert. Diese unsicheren Daten können anschließend für die manuelle Annotation priorisiert werden, um das Verständnis des Modells zu verbessern.

Mit den annotierten Daten kann AutoML das Modell optimieren, indem es verschiedene Architekturen, Hyperparameter und Verfahren zur Datenerweiterung untersucht. Dieser iterative Prozess beschleunigt die Entwicklung zuverlässiger Computer-Vision-Modelle wie Ultralytics YOLO11, die medizinischem Fachpersonal bei präzisen Diagnosen helfen.

Herausforderungen beim aktiven Lernen#

Aktives Lernen und seine Methoden bieten zahlreiche Vorteile, doch bei der Umsetzung dieser Strategien solltest du einige Aspekte beachten:

• Auswahl der Abfragestrategie: Beim aktiven Lernen kommen viele Methoden zum Einsatz, und die Wahl der besten Methode wirkt sich erheblich auf die Leistungsfähigkeit des Modells aus. Eine ungeeignete Strategie kann die Modellleistung für eine bestimmte Anwendung verschlechtern.
• Kosten für das erneute Training: Der iterative Charakter des aktiven Lernens erfordert kostspielige Rechenressourcen, insbesondere bei großen Datensätzen. Nach jeder Runde der Datenkennzeichnung wird das Modell erneut trainiert, was seine Komplexität erhöht.
• Qualität des Ausgangsmodells: Die Wirksamkeit des aktiven Lernens hängt von der Qualität des Ausgangsmodells ab. Ein schlecht abschneidendes Ausgangsmodell erkennt möglicherweise nicht zuverlässig die informativen Datenpunkte. Das führt zu minderwertigen Anfragen zur Datenkennzeichnung und verringert die Gesamtleistung.

Die Zukunft des aktiven Lernens und von AutoML#

Dank der jüngsten Fortschritte bei KI und Computer Vision kann aktives Lernen künftig komplexere Herausforderungen bewältigen und Arbeitsabläufe des maschinellen Lernens optimieren. Die Kombination von aktivem Lernen mit Methoden wie föderiertem und selbstüberwachtem Lernen kann die Effizienz und Skalierbarkeit von Bildverarbeitungsmodellen weiter steigern.

Föderiertes Lernen ermöglicht es, ein Modell mit einem verteilten Framework auf mehreren Geräten oder Servern zu trainieren, ohne dass die Daten ihren ursprünglichen Speicherort verlassen müssen. In Branchen wie dem Gesundheitswesen, in denen der Datenschutz wichtig ist, ermöglicht föderiertes Lernen das direkte Training mit sensiblen lokalen Daten, die dabei geschützt bleiben. Statt Rohdaten weiterzugeben, werden nur Modellaktualisierungen oder Erkenntnisse geteilt. So bleiben private Informationen geschützt und können dennoch zum Trainingsprozess beitragen.

Unterdessen verringert selbstüberwachtes Lernen den Bedarf an gekennzeichneten Daten, indem Modelle zunächst mit nicht gekennzeichneten Daten trainiert werden. Dadurch erhält das Modell eine solide Grundlage. Darauf aufbauend kann aktives Lernen die wichtigsten Datenpunkte für die Annotation durch Menschen erkennen und auswählen, um das Modell weiter zu verfeinern.

Vom aktiven Lernen zu konkreten Ergebnissen#

Aktives Lernen bietet eine praktische Möglichkeit, wichtige Herausforderungen in der Computer Vision anzugehen, etwa die hohen Kosten der Datenannotation und den Bedarf an genaueren Modellen. Indem nur die wertvollsten Datenpunkte gekennzeichnet werden, sinkt der menschliche Aufwand und gleichzeitig steigt die Modellleistung.

In Verbindung mit Technologien wie AutoML optimiert Active Learning die Modellentwicklung durch die Automatisierung zeitaufwendiger Aufgaben. Mit den weiteren Fortschritten dürfte Active Learning zu einem unverzichtbaren Werkzeug für die Entwicklung intelligenterer und effizienterer Computer-Vision-Systeme werden. Welche Werkzeuge diesen Prozess derzeit unterstützen, erfährst du in unserem Vergleich von Werkzeugen für die automatische Beschriftung und Active Learning.

Sieh dir unser GitHub-Repository an und tritt unserer Community bei, um mehr über KI- und Computer-Vision-Modelle zu erfahren. Entdecke auf unseren Lösungsseiten weitere Anwendungen von Computer Vision in der Fertigung und im Gesundheitswesen. Sieh dir auch unsere Lizenzoptionen an und starte noch heute mit deinen Vision-KI-Projekten.