Individuelles Training von Ultralytics YOLO11 mit Datensätzen für Computer Vision

Das Training eines Computer-Vision-Modells wie Ultralytics YOLO11 umfasst in der Regel das Sammeln von Bildern für deinen Datensatz, deren Annotation, die Vorbereitung der Daten und die Feinabstimmung des Modells entsprechend deinen spezifischen Anforderungen. Das Ultralytics Python-Paket macht diese Schritte zwar einfach und benutzerfreundlich, die Entwicklung von Vision-KI kann jedoch weiterhin zeitaufwendig sein.

Das gilt besonders, wenn du unter Zeitdruck arbeitest oder einen Prototyp entwickelst. In solchen Situationen können Tools oder Integrationen, die Teile des Prozesses vereinfachen – etwa durch eine effizientere Datensatzvorbereitung oder die Automatisierung wiederkehrender Aufgaben –, einen großen Unterschied machen. Indem sie den erforderlichen Zeit- und Arbeitsaufwand reduzieren, helfen dir diese Lösungen, dich auf die Entwicklung und Verbesserung deines Modells zu 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 Organisieren von Daten zu verbringen, kannst du schnell vorhandene Datensätze finden und verwenden, um dein Training von Ultralytics YOLO11 zu starten. Diese Integration macht es deutlich schneller und einfacher, die Entwicklung deines Computer-Vision-Modells zu testen und iterativ zu verbessern.

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

Was ist Roboflow Universe?#

Roboflow Universe ist eine von Roboflow betriebene Plattform. Roboflow konzentriert sich darauf, die Entwicklung von Computer-Vision-Anwendungen zu vereinfachen. Die Plattform umfasst über 350 Millionen Bilder, 500.000 Datensätze und 100.000 feinabgestimmte Modelle für Aufgaben wie Objekterkennung, Bildklassifizierung und Segmentierung. Dank Beiträgen von Entwicklern und Forschern aus aller Welt ist Roboflow Universe ein gemeinsamer Anlaufpunkt für alle, die ihre Computer-Vision-Projekte schnell starten oder erweitern möchten.

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

Roboflow Universe bietet die folgenden wichtigen Funktionen:

• Tools zur Datensatzerkundung: Durchsuche, filtere und visualisiere Datensätze, um schnell die Ressourcen zu finden, die zu deinen Projektanforderungen passen.
• Exportoptionen: Exportiere Daten in Formaten wie COCO, YOLO, TFRecord, CSV und weiteren Formaten, die zu deinem Arbeitsablauf passen.
• Datensatzanalysen: Gewinne mit Analysetools Einblicke in verschiedene Datensätze. Diese stellen Visualisierungen von Labelverteilungen, Klassenungleichgewichten und der Datensatzqualität bereit.
• Versionsverfolgung: Sieh dir verschiedene von Mitwirkenden hochgeladene Datensatzversionen an und greife darauf zu. So kannst du Aktualisierungen verfolgen, Änderungen vergleichen und die Version auswählen, die am besten zu deinen Projektanforderungen passt.

Die Roboflow-Integration hilft dir, die richtigen Daten zu finden#

Den richtigen Datensatz zu finden, gehört oft zu den schwierigsten Teilen beim Erstellen eines Computer-Vision-Modells. Einen Datensatz zu erstellen umfasst normalerweise das Sammeln großer Bildmengen, die Sicherstellung ihrer Relevanz für deine Aufgabe und ihre genaue Kennzeichnung.

Dieser Prozess kann viel Zeit und Ressourcen beanspruchen, insbesondere wenn du in kurzer Zeit verschiedene Ansätze ausprobierst. Selbst das Finden bereits vorhandener Datensätze kann schwierig sein, da sie oft über verschiedene Plattformen verteilt, unzureichend dokumentiert sind oder die benötigten spezifischen Annotationen fehlen.

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

Abb. 2. Erkennung von Fahrzeugteilen mit Ultralytics YOLO11.

Mit der Roboflow-Integration kannst du eine Vielzahl landwirtschaftlicher Datensätze durchsuchen, darunter Datensätze zur Unkrauterkennung, zur Beurteilung der Pflanzengesundheit oder zur Feldüberwachung. Mit diesen sofort einsetzbaren Datensätzen kannst du verschiedene Verfahren ausprobieren und dein Modell verbessern, ohne zuvor eigene Daten erstellen zu müssen.

So funktioniert die Roboflow-Integration#

Nachdem wir besprochen haben, wie du mit der Roboflow-Integration die richtigen 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. Nach dem Export kannst du ihn verwenden, um YOLO11 mithilfe des Ultralytics Python-Pakets mit deinen eigenen Daten zu trainieren.

Beim Herunterladen deines Datensatzes fällt dir vielleicht auf, dass Roboflow Universe auch andere Formate für das Training verschiedener Modelle unterstützt. Warum solltest du dich also für ein benutzerdefiniertes Training von Ultralytics YOLO11 entscheiden?

YOLO11 ist die neueste Version der Ultralytics YOLO-Modelle und wurde für eine schnellere und genauere Objekterkennung entwickelt. Es verwendet 22 % weniger Parameter (interne Werte, die ein Modell während des Trainings zur Erstellung von Vorhersagen anpasst) als YOLOv8m und erzielt dennoch eine höhere mittlere durchschnittliche Präzision (mAP) auf dem COCO-Datensatz. Dieses Gleichgewicht aus Geschwindigkeit und Präzision macht YOLO11 zu einer vielseitigen Wahl für zahlreiche Computer-Vision-Anwendungen, insbesondere wenn Modelle für bestimmte Aufgaben mit eigenen Daten trainiert werden.

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

• Zuführung der Daten: Das Ultralytics YOLO11-Modell verarbeitet deinen Datensatz und lernt, Objekte anhand der Bilder und ihrer Annotationen zu erkennen und zu klassifizieren.
• Vorhersage und Rückmeldung: Das Modell erstellt Vorhersagen zu den Objekten in den Bildern und vergleicht sie mit den korrekten Ergebnissen aus dem Datensatz.
• Leistungsverfolgung: Kennzahlen wie Präzision (korrekte Erkennungen), Trefferquote (übersehene Erkennungen) und Verlust (Fehler bei den Vorhersagen) werden überwacht, um den Fortschritt zu bewerten.
• Iteratives Lernen: Das Modell passt seine Parameter über mehrere Durchläufe (Epochen) an, um die Erkennungsgenauigkeit zu verbessern und Fehler zu minimieren.
• Ausgabe des finalen Modells: Nach dem Training wird das optimierte Modell gespeichert und ist bereit für die Bereitstellung.

Weitere Integrationen für die Entwicklung von Computer-Vision-Anwendungen#

Bei der Erkundung der Roboflow-Integration wirst du weitere Integrationen in der Ultralytics-Dokumentation entdecken. Wir unterstützen eine Vielzahl von Integrationen für verschiedene Phasen der Entwicklung von Computer-Vision-Anwendungen.

Damit möchten wir unserer Community eine Reihe von Optionen bieten, sodass du die Lösung auswählen kannst, die am besten zu deinem spezifischen Arbeitsablauf passt.

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

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

• Integrationen für das Training: Integrationen wie Amazon SageMaker und Paperspace Gradient optimieren Trainingsabläufe, indem sie cloudbasierte Plattformen für eine effiziente Modellentwicklung und -prüfung bereitstellen.
• Integrationen für Arbeitsabläufe und Experimentverfolgung: ClearML, MLflow und Weights & Biases (W&B) helfen dabei, Arbeitsabläufe zu automatisieren, Experimente zu verfolgen und die Zusammenarbeit zu verbessern. Dadurch 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 und sorgen so für eine effiziente Leistung auf Plattformen wie Apple-Hardware und Intel-CPUs.
• Integrationen für Überwachung und Visualisierung: TensorBoard und Weights & Biases bieten Tools zur Visualisierung des Trainingsfortschritts und zur Überwachung der Leistung und liefern detaillierte Einblicke zur Verbesserung von Modellen.

Anwendungen von Ultralytics YOLO11 und die Rolle von Integrationen#

Integrationen zur Unterstützung der Computer-Vision-Entwicklung machen zusammen mit den zuverlässigen Funktionen von Ultralytics YOLO11 die Lösung von Herausforderungen aus der Praxis einfacher. Ein Beispiel sind Computer-Vision-Anwendungen in der Fertigung, bei denen Vision-KI zur Erkennung von Fehlern an einer Produktionslinie eingesetzt wird, etwa von Kratzern auf Metallteilen oder fehlenden Komponenten. Die Erfassung der richtigen Daten für solche Aufgaben kann oft langsam und schwierig sein, da dafür der Zugang zu speziellen Umgebungen erforderlich ist.

Typischerweise werden dafür Kameras oder Sensoren entlang von Produktionslinien eingerichtet, um Bilder der Produkte aufzunehmen. Diese Bilder müssen in großen Mengen und oft unter gleichbleibenden Lichtverhältnissen und aus einheitlichen Blickwinkeln aufgenommen werden, um Klarheit und Einheitlichkeit sicherzustellen.

Nach der Aufnahme müssen die Bilder sorgfältig mit präzisen Labels für jede Art von Fehler annotiert werden, etwa Kratzer, Dellen oder fehlende Komponenten. Dieser Prozess erfordert viel Zeit und Ressourcen sowie Fachwissen, damit der Datensatz die Variabilität der realen Welt genau abbildet. Faktoren wie unterschiedliche Größen, Formen und Materialien von Fehlern müssen berücksichtigt werden, um einen robusten und zuverlässigen Datensatz zu erstellen.

Integrationen mit sofort einsetzbaren Datensätzen erleichtern Aufgaben wie die industrielle Qualitätskontrolle. Zusammen 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 zur Erkennung und Zählung produzierter Dosen.

Auch außerhalb der Fertigung können datensatzbezogene Integrationen in vielen anderen Branchen eingesetzt werden. Indem Unternehmen die Geschwindigkeit und Genauigkeit von Ultralytics YOLO11 mit einfach zugänglichen Datensätzen kombinieren, können sie schnell Lösungen entwickeln und bereitstellen, die auf ihre spezifischen Anforderungen zugeschnitten sind. Ein Beispiel ist das Gesundheitswesen: Integrationen für Datensätze können dabei helfen, Lösungen zur Analyse medizinischer Bilder und zur Erkennung von Anomalien wie Tumoren zu entwickeln. Ebenso können solche Integrationen beim autonomen Fahren zur Identifizierung von Fahrzeugen, Fußgängern und Verkehrsschildern beitragen und so die Sicherheit erhöhen.

Wichtige Erkenntnisse#

Den richtigen Datensatz zu finden, gehört oft zu den zeitaufwendigsten Teilen beim Erstellen eines Computer-Vision-Modells. Die Roboflow-Integration erleichtert jedoch die Suche nach dem besten Datensatz für das benutzerdefinierte Training deiner Ultralytics YOLO-Modelle, auch wenn du neu im Bereich Computer-Vision bist.

Mit dem Zugriff auf eine umfangreiche Sammlung von Datensätzen für Computer-Vision-Aufgaben wie Objekterkennung, Bildklassifizierung oder Instanzsegmentierung nimmt dir Roboflow Universe den Aufwand bei der Datensuche ab. Du kannst schnell loslegen und dich auf die Entwicklung deines Modells konzentrieren, statt Zeit mit dem Sammeln und Organisieren von Daten zu verbringen. Dieser optimierte Ansatz ermöglicht es Entwicklern, effizienter Prototypen zu erstellen, iterativ zu arbeiten und Computer-Vision-Lösungen zu entwickeln.

Weitere Informationen findest du in unserem GitHub-Repository. Tausche dich dort mit unserer Community aus. Entdecke auf unseren Lösungsseiten Innovationen in Bereichen wie KI in selbstfahrenden Autos und Computer-Vision-Anwendungen in der Landwirtschaft. 🚀