Benutzerdefiniertes Training von Ultralytics YOLO11 mit Computer-Vision-Datensätzen

Das Training eines Computer-Vision-Modells wie Ultralytics YOLO11 beinhaltet normalerweise das Sammeln von Bildern für deinen Datensatz, deren Annotation, die Datenvorbereitung und das Fine-Tuning des Modells, um deine spezifischen Anforderungen zu erfüllen. Während das Ultralytics Python-Paket diese Schritte geradlinig und benutzerfreundlich macht, kann die Entwicklung von Vision-AI immer noch zeitaufwendig sein.

Das gilt insbesondere, wenn du unter engem Zeitdruck arbeitest oder einen Prototyp entwickelst. In solchen Situationen können Tools oder Integrationen, die Teile des Prozesses vereinfachen – wie etwa die Rationalisierung der Datensatzvorbereitung oder die Automatisierung wiederkehrender Aufgaben – einen großen Unterschied machen. Indem sie den benötigten Zeit- und Arbeitsaufwand reduzieren, helfen dir diese Lösungen, dich auf den Aufbau und die Verfeinerung deines Modells zu konzentrieren. Genau das bietet die Roboflow-Integration.

Die Roboflow-Integration ermöglicht dir den einfachen Zugriff auf Datensätze aus dem Roboflow Universe, einer großen Bibliothek von Open-Source-Computer-Vision-Datensätzen. Anstatt Stunden mit dem Sammeln und Organisieren von Daten zu verbringen, kannst du schnell existierende Datensätze finden und verwenden, um deinen YOLO11-Trainingsprozess zu beschleunigen. Diese Integration macht das Experimentieren und Iterieren bei der Entwicklung deines Computer-Vision-Modells wesentlich schneller und einfacher.

In diesem Artikel gehen wir darauf ein, wie du die Roboflow-Integration für eine schnellere Modellentwicklung nutzen kannst. Legen wir los!

Link to this sectionWas ist Roboflow Universe?#

Roboflow Universe ist eine Plattform, die von Roboflow betrieben wird, einem Unternehmen, das sich auf die Vereinfachung der Computer-Vision-Entwicklung konzentriert. Sie besteht aus über 350 Millionen Bildern, 500.000 Datensätzen und 100.000 fine-getunten Modellen für Aufgaben wie Objekterkennung, Bildklassifizierung und Segmentierung. Mit Beiträgen von Entwicklern und Forschern weltweit ist Roboflow Universe ein kollaborativer Hub für alle, die ihre Computer-Vision-Projekte starten oder verbessern möchten.

Abb. 1. Beispiele für Objekterkennungs-Datensätze auf Roboflow Universe.

Roboflow Universe umfasst die folgenden Hauptfunktionen:

• Tools zur Datensatz-Erkundung: Erkunde, filtere und visualisiere Datensätze, um schnell die Ressourcen zu finden, die deinen Projektanforderungen entsprechen.
• Export-Optionen: Exportiere Daten in Formaten wie COCO, YOLO, TFRecord, CSV und mehr, passend zu deinem Workflow.
• Datensatz-Analysen: Gewinne Erkenntnisse aus verschiedenen Datensätzen mit Analysetools, die Visualisierungen von Label-Verteilungen, Klassenungleichgewichten und Datensatzqualität bereitstellen.
• Versionsverfolgung: Zeige verschiedene Versionen von Datensätzen an, die von Mitwirkenden hochgeladen wurden, und greife darauf zu. So kannst du Aktualisierungen verfolgen, Änderungen vergleichen und die Version auswählen, die am besten zu deinen Projektanforderungen passt.

Link to this sectionDie Roboflow-Integration hilft dir, die richtigen Daten zu finden#

Das Finden des richtigen Datensatzes ist oft einer der anspruchsvollsten Teile beim Aufbau eines Computer-Vision-Modells. Das Erstellen eines Datensatzes erfordert normalerweise das Sammeln großer Mengen an Bildern, die Sicherstellung ihrer Relevanz für deine Aufgabe und dann deren präzise Labelung.

Dieser Prozess kann viel Zeit und Ressourcen in Anspruch nehmen, besonders wenn du innerhalb kurzer Zeit mit verschiedenen Ansätzen experimentierst. Selbst das Finden bereits existierender Datensätze kann schwierig sein, da sie oft über verschiedene Plattformen verstreut sind, nicht richtig dokumentiert sind oder die spezifischen Annotationen fehlen, die du benötigst.

Wenn du beispielsweise eine Computer-Vision-Anwendung zur Unkrauterkennung auf landwirtschaftlichen Feldern baust, möchtest du vielleicht verschiedene Vision-AI-Ansätze testen, wie etwa Objekterkennung versus Instanzsegmentierung. Dies ermöglicht es dir zu experimentieren und herauszufinden, welche Methode am besten funktioniert, bevor du Zeit und Aufwand in das Sammeln und Labeln deines eigenen Datensatzes investierst.

Abb. 2. Erkennung von Autoteilen mit YOLO11.

Über die Roboflow-Integration kannst du eine Vielzahl von landwirtschaftsbezogenen Datensätzen durchsuchen, einschließlich solcher, die auf Unkrauterkennung, Pflanzengesundheit oder Feldüberwachung spezialisiert sind. Diese gebrauchsfertigen Datensätze ermöglichen es dir, verschiedene Techniken auszuprobieren und dein Modell zu verfeinern, ohne die Vorab-Arbeit des Erstellens eigener Daten.

Link to this sectionSo funktioniert die Roboflow-Integration#

Nachdem wir nun besprochen haben, wie du die Roboflow-Integration nutzen kannst, um die richtigen Datensätze zu finden, schauen wir uns an, wie sie in deinen Workflow passt. Sobald du einen Datensatz aus dem Roboflow Universe ausgewählt hast, kannst du ihn im YOLO11-Format exportieren oder herunterladen. Nach dem Export deines Datensatzes kannst du ihn für das individuelle Training von YOLO11 mit dem Ultralytics Python-Paket verwenden.

Während du deinen Datensatz herunterlädst, wirst du vielleicht bemerken, dass Roboflow Universe auch andere Formate für das Training verschiedener Modelle unterstützt. Warum solltest du dich also für das individuelle Training von Ultralytics YOLO11 entscheiden?

YOLO11 ist die neueste Version der Ultralytics YOLO-Modelle und wurde entwickelt, um eine schnellere und präzisere Objekterkennung zu liefern. Es verwendet 22% weniger Parameter (die internen Werte, die ein Modell während des Trainings anpasst, um Vorhersagen zu treffen) als YOLOv8m, erreicht jedoch eine höhere mittlere durchschnittliche Präzision (mAP) auf dem COCO-Datensatz. Diese Balance aus Geschwindigkeit und Präzision macht YOLO11 zu einer vielseitigen Wahl für eine breite Palette von Computer-Vision-Anwendungen, insbesondere wenn Modelle individuell für spezifische Aufgaben trainiert werden.

Hier ist ein genauerer Blick darauf, wie das individuelle Training von YOLO11 funktioniert:

• Datenzufuhr: Das YOLO11-Modell verarbeitet deinen Datensatz und lernt, Objekte anhand der Bilder und ihrer Annotationen zu erkennen und zu klassifizieren.
• Vorhersage und Feedback: Das Modell trifft Vorhersagen über Objekte in den Bildern und vergleicht diese mit den korrekten Antworten aus dem Datensatz.
• Leistungsverfolgung: Metriken wie Präzision (korrekte Erkennungen), Recall (verpasste Erkennungen) und Loss (Vorhersagefehler) werden überwacht, um den Fortschritt zu beurteilen.
• Iteratives Lernen: Das Modell passt seine Parameter über mehrere Durchläufe (Epochen) an, um die Erkennungsgenauigkeit zu verbessern und Fehler zu minimieren.
• Finale Modellausgabe: Nach dem Training wird das optimierte Modell gespeichert und ist bereit für den Einsatz.

Link to this sectionWeitere Integrationen für die Computer-Vision-Entwicklung#

Während du die Roboflow-Integration erkundest, wirst du weitere Integrationen bemerken, die in der Ultralytics-Dokumentation erwähnt werden. Wir unterstützen eine Vielzahl von Integrationen, die sich auf verschiedene Phasen der Computer-Vision-Entwicklung beziehen.

Dies dient dazu, unserer Community eine Reihe von Optionen bereitzustellen, damit du wählen kannst, was am besten für deinen spezifischen Workflow funktioniert.

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

Neben Datensätzen konzentrieren sich andere von Ultralytics unterstützte Integrationen auf verschiedene Teile des Computer-Vision-Prozesses, wie Training, Bereitstellung und Optimierung. Hier sind ein paar Beispiele für weitere Integrationen, die wir unterstützen:

• Trainings-Integrationen: Integrationen wie Amazon SageMaker und Paperspace Gradient rationalisieren Trainings-Workflows, indem sie Cloud-basierte Plattformen für effiziente Modellentwicklung und -tests anbieten.
• Workflow- und Experiment-Tracking-Integrationen: ClearML, MLflow und Weights & Biases (W&B) helfen dabei, Workflows zu automatisieren, Experimente zu verfolgen und die Zusammenarbeit zu verbessern, was die Verwaltung von Machine-Learning-Projekten erleichtert.
• Optimierungs- und Deployment-Integrationen: CoreML, ONNX und OpenVINO ermöglichen optimiertes Deployment über verschiedene Geräte und Frameworks hinweg und stellen eine effiziente Leistung auf Plattformen wie Apple-Hardware und Intel CPUs sicher.
• Überwachungs- und Visualisierungs-Integrationen: TensorBoard und Weights & Biases bieten Tools zur Visualisierung des Trainingsfortschritts und zur Überwachung der Leistung, was detaillierte Einblicke zur Verfeinerung von Modellen ermöglicht.

Link to this sectionYOLO11-Anwendungen und die Rolle von Integrationen#

Integrationen, die die Computer-Vision-Entwicklung unterstützen, kombiniert mit den zuverlässigen Fähigkeiten von YOLO11, machen es einfacher, reale Herausforderungen zu lösen. Betrachte Innovationen wie Computer Vision in der Fertigung, wo Vision AI verwendet wird, um Fehler an einer Produktionslinie zu erkennen – wie Kratzer auf Metallteilen oder fehlende Komponenten. Das Sammeln der richtigen Daten für solche Aufgaben kann oft langsam und herausfordernd sein und erfordert Zugang zu spezialisierten Umgebungen.

Normalerweise beinhaltet dies das Aufstellen von Kameras oder Sensoren entlang der Produktionslinien, um Bilder der Produkte aufzunehmen. Diese Bilder müssen in großen Mengen aufgenommen werden, oft unter gleichbleibender Beleuchtung und aus konsistenten Winkeln, um Klarheit und Einheitlichkeit zu gewährleisten.

Nach der Aufnahme müssen die Bilder akribisch mit präzisen Labels für jede Art von Defekt versehen werden, wie etwa Kratzer, Dellen oder fehlende Bauteile. Dieser Prozess erfordert beträchtliche Zeit, Ressourcen und Fachwissen, um sicherzustellen, dass der Datensatz die Variabilität der realen Welt präzise widerspiegelt. Faktoren wie unterschiedliche Defektgrößen, -formen und -materialien müssen berücksichtigt werden, um einen robusten und zuverlässigen Datensatz zu erstellen.

Integrationen, die vorgefertigte Datensätze bereitstellen, erleichtern Aufgaben wie die industrielle Qualitätskontrolle. Mit den Echtzeit-Erkennungsfähigkeiten von YOLO11 können Hersteller Produktionslinien überwachen, Defekte sofort erkennen und die Effizienz verbessern.

Abb. 4. Ein Beispiel für die Verwendung von Ultralytics YOLO11 zur Erkennung und Zählung von Dosen in der Herstellung.

Jenseits der Fertigung können datensatzbezogene Integrationen in vielen anderen Branchen eingesetzt werden. Indem sie die Geschwindigkeit und Präzision von YOLO11 mit leicht zugänglichen Datensätzen kombinieren, können Unternehmen schnell Lösungen entwickeln und bereitstellen, die auf ihre spezifischen Bedürfnisse zugeschnitten sind. Nimm zum Beispiel das Gesundheitswesen – Datensatz-Integrationen können helfen, Lösungen zur Analyse medizinischer Bilder zu entwickeln, um Anomalien wie Tumore zu erkennen. Ebenso können solche Integrationen beim autonomen Fahren helfen, Fahrzeuge, Fußgänger und Verkehrsschilder zu identifizieren, um die Sicherheit zu erhöhen.

Link to this sectionWichtige Erkenntnisse#

Das Finden des richtigen Datensatzes ist oft einer der zeitaufwendigsten Teile beim Aufbau eines Computer-Vision-Modells. Die Roboflow-Integration macht es jedoch einfacher, den besten Datensatz für das individuelle Training deiner Ultralytics YOLO-Modelle zu finden, selbst wenn du neu in der Computer-Vision bist.

Mit Zugang zu einer riesigen Sammlung von Datensätzen für Computer-Vision-Aufgaben wie Objekterkennung, Bildklassifizierung oder Instanzsegmentierung nimmt Roboflow Universe dir die Mühe des Datenfindungsprozesses ab. Es hilft dir, schnell zu starten und dich auf den Aufbau deines Modells zu konzentrieren, anstatt Zeit mit dem Sammeln und Organisieren von Daten zu verbringen. Dieser rationalisierte Ansatz ermöglicht es Entwicklern, Prototypen zu erstellen, zu iterieren und Computer-Vision-Lösungen effizienter zu entwickeln.

Um mehr zu erfahren, besuche unser GitHub-Repository und engagiere dich in unserer Community. Entdecke Innovationen in Bereichen wie KI bei selbstfahrenden Autos und Computer Vision in der Landwirtschaft auf unseren Lösungsseiten. 🚀