Ultralytics YOLO11 mit Datensätzen für Computer Vision individuell trainieren

Das Training eines Computer-Vision-Modells wie Ultralytics YOLO11 umfasst in der Regel das Sammeln und Annotieren von Bildern für deinen Datensatz, die Aufbereitung der Daten und die Feinabstimmung des Modells auf deine Anforderungen. Das Ultralytics-Python-Paket macht diese Schritte zwar unkompliziert und benutzerfreundlich, doch die Entwicklung von KI für Computer Vision kann dennoch zeitaufwendig sein.

Das gilt besonders, wenn du unter Zeitdruck arbeitest oder einen Prototyp entwickelst. In solchen Situationen können Tools oder Integrationen, die einzelne Arbeitsschritte vereinfachen – etwa die Vorbereitung von Datensätzen optimieren oder wiederkehrende Aufgaben automatisieren –, einen großen Unterschied machen. Wenn diese Lösungen den erforderlichen Zeit- und Arbeitsaufwand verringern, kannst du dich auf den Aufbau und die Weiterentwicklung deines Modells konzentrieren. Genau das bietet die Roboflow-Integration.

Mit der Roboflow-Integration kannst du einfach auf Datensätze aus Roboflow Universe zugreifen, einer umfangreichen Bibliothek mit quelloffenen Computer-Vision-Datensätzen. Statt Stunden mit dem Sammeln und Ordnen von Daten zu verbringen, kannst du schnell vorhandene Datensätze finden und nutzen, um mit dem Training von Ultralytics YOLO11 zu beginnen. Dank dieser Integration kannst du die Entwicklung deines Computer-Vision-Modells viel schneller und einfacher ausprobieren und schrittweise verbessern.

In diesem Artikel sehen wir uns genauer an, wie du die Roboflow-Integration für eine schnellere Modellentwicklung nutzen kannst.

Was ist Roboflow Universe?#

Roboflow Universe ist eine von Roboflow betriebene Plattform. Das Unternehmen hat sich darauf spezialisiert, die Entwicklung von Computer-Vision-Anwendungen zu vereinfachen. Die Plattform umfasst mehr als 350 Millionen Bilder, 500.000 Datensätze und 100.000 feinabgestimmte Modelle für Aufgaben wie Objekterkennung, Segmentierung und Bildklassifizierung. Roboflow Universe wird von Entwicklerinnen, Entwicklern und Forschenden aus aller Welt mitgestaltet und ist eine gemeinschaftliche Anlaufstelle für alle, die ihre Computer-Vision-Projekte schnell starten oder verbessern möchten.

Abb. 1. Beispiele für Datensätze zur Objekterkennung auf Roboflow Universe.

Roboflow Universe umfasst die folgenden wichtigen Funktionen:

• Tools zur Erkundung von Datensätzen: Durchsuche, filtere und visualisiere Datensätze, um schnell passende Ressourcen für dein Projekt zu finden.
• Exportoptionen: Exportiere Daten in Formaten wie COCO, YOLO, TFRecord, CSV und weiteren Formaten, die zu deinem Arbeitsablauf passen.
• Datensatzanalysen: Gewinne mithilfe von Analysewerkzeugen Einblicke in verschiedene Datensätze. Die Werkzeuge visualisieren die Verteilung der Labels, Ungleichgewichte zwischen Klassen und die Qualität der Datensätze.
• Versionsverwaltung: Sieh dir verschiedene Versionen der von Mitwirkenden hochgeladenen Datensätze an und greife darauf zu. So kannst du Aktualisierungen nachverfolgen, Änderungen vergleichen und die für dein Projekt passende Version auswählen.

Mit der Roboflow-Integration findest du die passenden Daten#

Die Suche nach dem richtigen Datensatz ist oft eine der größten Herausforderungen beim Aufbau eines Computer-Vision-Modells. Für die Erstellung eines Datensatzes müssen in der Regel große Mengen an Bildern gesammelt, ihre Eignung für die jeweilige Aufgabe geprüft und sie anschließend präzise annotiert werden.

Dieser Prozess kann viel Zeit und Ressourcen beanspruchen, insbesondere wenn du in kurzer Zeit verschiedene Ansätze ausprobierst. Auch die Suche nach vorhandenen Datensätzen kann schwierig sein, da sie oft auf verschiedenen Plattformen verstreut, unzureichend dokumentiert oder nicht mit den benötigten Annotationen versehen sind.

Wenn du beispielsweise eine Computer-Vision-Anwendung zur Erkennung von Unkraut auf landwirtschaftlichen Flächen entwickelst, möchtest du vielleicht verschiedene Ansätze für KI in der Computer Vision testen, etwa Objekterkennung im Vergleich zur Instanzsegmentierung. So kannst du ausprobieren, welche Methode am besten funktioniert, bevor du Zeit und Aufwand in das Sammeln und Annotieren eines eigenen Datensatzes investierst.

Abb. 2. Mit Ultralytics YOLO11 Autoteile erkennen.

Mit der Roboflow-Integration kannst du verschiedene landwirtschaftliche Datensätze durchsuchen, etwa zur Erkennung von Unkraut, zur Beurteilung der Pflanzengesundheit oder zur Überwachung von Feldern. Mit diesen direkt nutzbaren Datensätzen kannst du verschiedene Techniken ausprobieren und dein Modell verfeinern, ohne zunächst eigene Daten erstellen zu müssen.

So funktioniert die Roboflow-Integration#

Nachdem wir besprochen haben, wie du mit der Roboflow-Integration passende Datensätze findest, sehen wir uns nun an, wie sie sich in deinen Arbeitsablauf einfügt. Sobald du einen Datensatz aus Roboflow Universe ausgewählt hast, kannst du ihn im YOLO11-Format exportieren oder herunterladen. Anschließend kannst du den Datensatz mit dem Ultralytics-Python-Paket für das benutzerdefinierte Training von YOLO11 verwenden.

Beim Herunterladen deines Datensatzes fällt dir vielleicht auf, dass Roboflow Universe auch andere Formate für das Training verschiedener Modelle unterstützt. Warum solltest du Ultralytics YOLO11 also mit eigenen Daten trainieren?

Zum Zeitpunkt der Veröffentlichung dieses Textes war YOLO11 die neueste Version der Ultralytics-YOLO-Modelle (inzwischen wurde sie von Ultralytics YOLO26 abgelöst). YOLO11 wurde für eine schnellere und genauere Objekterkennung entwickelt. YOLO11m verwendet 22 % weniger Parameter – also interne Werte, die ein Modell während des Trainings anpasst, um Vorhersagen zu treffen – als YOLOv8m und erzielt dennoch eine höhere mittlere durchschnittliche Präzision (mAP) auf dem COCO-Datensatz. Dieses ausgewogene Verhältnis von Geschwindigkeit und Präzision macht YOLO11 zu einer vielseitigen Wahl für zahlreiche Computer-Vision-Anwendungen, insbesondere wenn Modelle mit eigenen Daten für bestimmte Aufgaben trainiert werden.

Hier erfährst du genauer, wie das benutzerdefinierte Training von Ultralytics YOLO11 funktioniert:

• Datenverarbeitung: Das Ultralytics-YOLO11-Modell verarbeitet deinen Datensatz und lernt anhand der Bilder und ihrer Annotationen, Objekte zu erkennen und zu klassifizieren.
• Vorhersagen und Rückmeldungen: Das Modell trifft Vorhersagen zu den Objekten in den Bildern und vergleicht sie mit den korrekten Antworten aus dem Datensatz.
• Leistungsverfolgung: Metriken wie Präzision (wie viele Erkennungen korrekt sind), Trefferquote (wie viele tatsächlich vorhandene Objekte gefunden werden) und Verlustwert (Fehler bei Vorhersagen) werden überwacht, um den Fortschritt zu beurteilen.
• Iteratives Lernen: Das Modell passt seine Parameter über mehrere Durchläufe (Epochen) hinweg an, um die Erkennungsgenauigkeit zu verbessern und Fehler zu minimieren.
• Endgültiges Modell: Nach dem Training wird das optimierte Modell gespeichert und ist bereit für die Bereitstellung.

Weitere Integrationen für die Entwicklung von Computer Vision#

Wenn du dich mit der Roboflow-Integration beschäftigst, werden dir in der Ultralytics-Dokumentation weitere Integrationen begegnen. Wir unterstützen eine Vielzahl von Integrationen für verschiedene Phasen der Computer-Vision-Entwicklung.

So bieten wir unserer Community verschiedene Möglichkeiten, damit du die für deinen Arbeitsablauf passende Lösung wählen kannst.

Abb. 3. Überblick über die von Ultralytics unterstützten Integrationen.

Neben Datensätzen konzentrieren sich weitere von Ultralytics unterstützte Integrationen auf verschiedene Bereiche des Computer-Vision-Prozesses, etwa Training, Bereitstellung und Optimierung. Hier sind einige Beispiele für weitere Integrationen, die wir unterstützen:

• Integrationen für das Training: Integrationen wie Amazon SageMaker und Paperspace Gradient vereinfachen Trainingsabläufe, indem sie cloudbasierte Plattformen für eine effiziente Modellentwicklung und -prüfung bereitstellen.
• Integrationen zur Verwaltung von Arbeitsabläufen und Experimenten: ClearML, MLflow und Weights & Biases (W&B) helfen dabei, Arbeitsabläufe zu automatisieren, Experimente nachzuverfolgen und die Zusammenarbeit zu verbessern. So lassen sich Machine-Learning-Projekte einfacher verwalten.
• Integrationen für Optimierung und Bereitstellung: CoreML, ONNX und OpenVINO ermöglichen eine optimierte Bereitstellung auf verschiedenen Geräten und in unterschiedlichen Frameworks. So wird eine effiziente Leistung auf Plattformen wie Apple-Hardware und Intel-CPUs gewährleistet.
• Integrationen für Überwachung und Visualisierung: TensorBoard und Weights & Biases bieten Tools, mit denen du den Trainingsfortschritt visualisieren und die Leistung überwachen kannst. Sie liefern detaillierte Einblicke zur Verfeinerung deiner Modelle.

Anwendungen von Ultralytics YOLO11 und die Rolle von Integrationen#

Integrationen für die Entwicklung im Bereich Computer Vision und die zuverlässigen Funktionen von Ultralytics YOLO11 erleichtern die Lösung realer Herausforderungen. Denk an Innovationen wie Computer Vision in der Fertigung, wo visuelle KI zur Erkennung von Fehlern in einer Produktionslinie eingesetzt wird – etwa von Kratzern auf Metallteilen oder fehlenden Komponenten. Die Erfassung der passenden Daten für solche Aufgaben kann oft langsam und anspruchsvoll sein und den Zugang zu spezialisierten Umgebungen erfordern.

Dazu werden typischerweise Kameras oder Sensoren entlang der Produktionslinien installiert, um Bilder der Produkte aufzunehmen. Diese Bilder müssen in großen Mengen und oft bei gleichbleibenden Lichtverhältnissen und Aufnahmewinkeln aufgenommen werden, damit sie klar und einheitlich sind.

Nach der Aufnahme müssen die Bilder sorgfältig mit präzisen Kennzeichnungen für jede Fehlerart versehen werden, etwa Kratzer, Dellen oder fehlende Komponenten. Dieser Prozess erfordert viel Zeit und Ressourcen sowie Fachwissen, damit der Datensatz die Schwankungen in der realen Welt genau abbildet. Faktoren wie unterschiedliche Fehlergrößen, -formen und Materialien müssen berücksichtigt werden, um einen robusten und zuverlässigen Datensatz zu erstellen.

Integrationen mit sofort nutzbaren Datensätzen erleichtern Aufgaben wie die industrielle Qualitätskontrolle. Mit den Echtzeit-Erkennungsfunktionen von Ultralytics YOLO11 können Hersteller Produktionslinien überwachen, Fehler sofort erkennen und die Effizienz steigern.

Abb. 4: Beispiel für den Einsatz von Ultralytics YOLO11 zum Erkennen und Zählen hergestellter Dosen.

Über die Fertigung hinaus lassen sich Integrationen rund um Datensätze in vielen anderen Branchen einsetzen. Durch die Verbindung der Geschwindigkeit und Genauigkeit von Ultralytics YOLO11 mit leicht zugänglichen Datensätzen können Unternehmen schnell Lösungen entwickeln und bereitstellen, die auf ihre konkreten Anforderungen zugeschnitten sind. Im Gesundheitswesen können Integrationen von Datensätzen beispielsweise dabei helfen, Lösungen zur Analyse medizinischer Bilder und zum Erkennen von Auffälligkeiten wie Tumoren zu entwickeln. Beim autonomen Fahren können solche Integrationen außerdem helfen, Fahrzeuge, Fußgänger und Verkehrsschilder zu erkennen und so die Sicherheit zu erhöhen.

Die wichtigsten Erkenntnisse#

Die Suche nach dem passenden Datensatz gehört oft zu den zeitaufwendigsten Aufgaben beim Aufbau eines Computer-Vision-Modells. Die Roboflow-Integration erleichtert es jedoch, den besten Datensatz für das benutzerdefinierte Training deiner Ultralytics-YOLO-Modelle zu finden – auch wenn du neu im Bereich Computer Vision bist.

Mit Zugriff auf eine umfangreiche Sammlung von Datensätzen für Computer-Vision-Aufgaben wie Objekterkennung, Bildklassifizierung und Instanzsegmentierung nimmt dir Roboflow Universe die mühsame Suche nach Daten ab. So kannst du schnell loslegen und dich auf die Entwicklung deines Modells konzentrieren, statt Zeit mit dem Sammeln und Organisieren von Daten zu verbringen. Dieser vereinfachte Ansatz hilft Entwicklerinnen und Entwicklern, effizienter Prototypen zu erstellen, sie iterativ zu verbessern und Computer-Vision-Lösungen zu entwickeln.

Weitere Informationen findest du in unserem GitHub-Repository. Dort kannst du dich auch mit unserer Community austauschen. Entdecke auf unseren Lösungsseiten Innovationen in Bereichen wie KI in selbstfahrenden Autos und Computer Vision in der Landwirtschaft.