Ein Vergleich zwischen überwachtem und unüberwachtem Lernen in der Bildverarbeitung

Künstliche Intelligenz (KI) basiert auf dem Kernkonzept, Maschinen so zu trainieren, dass sie auf eine Weise lernen und Schlussfolgerungen ziehen, die der menschlichen Intelligenz ähnelt. Ähnlich wie Menschen auf unterschiedliche Weise lernen – etwa durch direkte Unterweisung oder durch das Beobachten von Mustern und Erfahrungen –, sind KI- und maschinelle Lernsysteme darauf ausgelegt, dieselben Ansätze zu verfolgen.

Insbesondere bei Algorithmen des maschinellen Lernens werden Systeme so trainiert, dass sie aus Daten lernen, anstatt für jede Aufgabe explizit programmiert zu werden. Anstatt sich auf feste Regeln zu stützen, erkennen Modelle des maschinellen Lernens Muster in Daten und nutzen diese Muster, um Vorhersagen zu treffen oder Entscheidungen zu treffen.

So ist beispielsweise Computer Vision ein Teilgebiet der KI und des maschinellen Lernens, das sich darauf konzentriert, Systemen die Fähigkeit zu verleihen, visuelle Informationen wie Bilder und Videos zu interpretieren und zu verstehen. Von der Erkennung von Objekten bis hin zur Identifizierung verborgener Muster in großen Datensätzen – diese Systeme sind in hohem Maße davon abhängig, wie sie trainiert werden, um zu lernen.

Je nach Art der verfügbaren Daten und der zu lösenden Aufgabe kommen verschiedene KI-Lernverfahren zum Einsatz, um diese Systeme zu trainieren. 

Einige Modelle der Bildverarbeitung lernen anhand von beschrifteten Daten, bei denen jeder Eingabe eine richtige Antwort zugeordnet ist. Das bedeutet, dass jedes Bild oder jeder Datenpunkt mit einer vordefinierten Beschriftung versehen ist, die dem Modell mitteilt, was es darstellt. Auf diese Weise kann das Modell den Zusammenhang zwischen der Eingabe und der erwarteten Ausgabe erlernen und so seine Fähigkeit verbessern, genaue Vorhersagen für neue, bisher unbekannte Daten zu treffen.

Andere Modelle der Bildverarbeitung lernen aus unbeschrifteten Daten, bei denen keine vordefinierten Antworten vorliegen, und konzentrieren sich stattdessen darauf, Muster und Zusammenhänge innerhalb der Daten selbst zu erkennen. Diese Ansätze werden als überwachtes Lernen bzw. unüberwachtes Lernen bezeichnet und bilden die Grundlage vieler moderner Computer-Vision-Systeme.

In diesem Artikel befassen wir uns mit überwachtem und unüberwachtem Lernen, ihrer Anwendung in der Bildverarbeitung und der Frage, wie Sie den Ansatz wählen, der am besten zu Ihrem KI-Projekt im Bereich der Bildverarbeitung passt. Los geht’s!

Wie KI-Lernansätze die Bildverarbeitung vorantreiben

Man kann sich künstliche Intelligenz wie einen Schirm vorstellen, der eine Reihe von Technologien umfasst, die es Maschinen ermöglichen, Aufgaben zu erledigen, für die normalerweise menschliche Intelligenz erforderlich ist. Innerhalb dieses Schirms ist maschinelles Lernen ein Schlüsselbereich, der es Systemen ermöglicht, aus Daten zu lernen, anstatt sich nur auf festgelegte Regeln zu stützen.

Im Bereich des maschinellen Lernens bestimmen verschiedene Lernverfahren, wie ein Modell lernt und sich im Laufe der Zeit verbessert. Ansätze wie überwachtes Lernen (Lernen aus beschrifteten Daten mit richtigen Antworten), unüberwachtes Lernen (Erkennen von Mustern in unbeschrifteten Daten), bestärkendes Lernen (Lernen durch Versuch und Irrtum unter Verwendung von Feedback oder Belohnungen) und halbüberwachtes Lernen (Kombination einer kleinen Menge beschrifteter Daten mit einer großen Menge unbeschrifteter Daten) bestimmen, wie Systeme Eingabedaten verarbeiten und Ausgabedaten generieren.

Insbesondere werden Computer-Vision-Systeme unter Verwendung solcher Lernansätze entwickelt, um visuelle Daten zu interpretieren und zu verstehen. Das überwachte Lernen ist die am häufigsten verwendete Methode, da es den Modellen ermöglicht, aus eindeutig gekennzeichneten Beispielen zu lernen und präzise, zuverlässige Ergebnisse zu liefern. 

So kann ein Modell beispielsweise anhand von Bildern trainiert werden, die mit „Katze“ und „Hund“ beschriftet sind, und dabei Merkmale wie Form, Ohren und Gesichtsstruktur lernen, um classify Bilder mithilfe von Klassifizierungsalgorithmen korrekt classify . Daneben kommen in der Bildverarbeitung auch unüberwachtes und halbüberwachtes Lernen zum Einsatz, häufig um Muster in Daten zu erkennen oder die Leistung zu verbessern, wenn nur begrenzt beschriftete Daten zur Verfügung stehen.

Ein Blick auf den Einsatz von Modellen des überwachten Lernens in der Bildverarbeitung

Man kann Algorithmen des überwachten Lernens mit einer Unterrichtssituation vergleichen, in der ein Lehrer Beispiele zusammen mit den richtigen Antworten vorstellt, damit die Schüler lernen können, was richtig und was falsch ist. Beim maschinellen Lernen lernen Modelle auf ähnliche Weise anhand von beschrifteten Daten, bei denen jede Eingabe mit einer bekannten Ausgabe verknüpft ist.

Nehmen wir einmal an, Sie arbeiten an der Entwicklung eines Computer-Vision-Systems, das die Analyse von Baseballspielen automatisiert. Sie könnten ein Modell wie Ultralytics anhand von Bildern oder Videobildern trainieren, auf denen Objekte wie der Ball, der Schläger und die Spieler markiert sind. 

Jedes Objekt würde mit seinem Standort und seiner Kategorie gekennzeichnet, sodass das Modell lernen kann, wonach es suchen muss. Mit der Zeit kann das Modell diese Objekte in neuem Filmmaterial detect lokalisieren, was Anwendungsfälle wie die Ballverfolgung und die Spielererkennung über mehrere Bilder hinweg ermöglicht.

Über die Objekterkennung hinaus findet überwachtes Lernen breite Anwendung bei einer Vielzahl von Aufgaben im Bereich der Bildverarbeitung, wie beispielsweise Bildklassifizierung, Instanzsegmentierung und Posenabschätzung, bei denen Genauigkeit und Konsistenz von entscheidender Bedeutung sind. Bei jeder dieser Aufgaben lernen Modelle anhand von beschrifteten Daten, bestimmte Muster zu erkennen und zuverlässige Vorhersagen für neue Eingaben zu treffen.

Diese Modelle werden in der Regel mithilfe von Deep Learning entwickelt, einer Form des maschinellen Lernens, bei der neuronale Netze eingesetzt werden, um Muster direkt aus den Daten zu lernen. Neuronale Netze sind so konzipiert, dass sie Informationen auf eine Weise verarbeiten, die lose an die Funktionsweise des menschlichen Gehirns angelehnt ist, wodurch die Modelle komplexe visuelle Merkmale aus großen Datensätzen lernen können.

Frühere Ansätze im Bereich der Bildverarbeitung stützten sich häufig auf manuell definierte Merkmale in Kombination mit Algorithmen wie Support-Vektor-Maschinen (SVMs sind Modelle, die classify , indem sie die beste Grenze zwischen Kategorien ermitteln) oder Entscheidungsbäumen (Modelle, die Entscheidungen treffen, indem sie Daten in Zweige aufteilen). 

Im Gegensatz dazu nutzen heutige Modelle der Bildverarbeitung Deep Learning, um diese Merkmale automatisch aus den Daten zu lernen, wodurch sie bei der Bewältigung umfangreicher und hochdetaillierter visueller Aufgaben effektiver sind.

Die Notwendigkeit von Modellen für das unbeaufsichtigte Lernen in der Bildverarbeitungs-KI verstehen

Zwar ist das überwachte Lernen der gängige Ansatz in der Bildverarbeitung, doch gibt es bestimmte Bildverarbeitungsanwendungen, bei denen keine beschrifteten Daten verfügbar sind oder deren Erstellung zu kostspielig und zeitaufwendig ist. 

In solchen Fällen können Algorithmen für das unbeaufsichtigte Lernen eine nützliche Alternative sein. Nehmen wir einmal an, Sie verfügen über eine große Sammlung unbeschrifteter Fotos von einer Wildkamera. 

Es gibt zwar keine Beschriftungen, die angeben, was die einzelnen Bilder zeigen, aber Sie möchten die Daten dennoch ordnen oder verstehen. Ein unüberwachtes Modell kann diese Bilder analysieren und ähnliche Bilder zusammenfassen, wobei es sich ähnlich aussehende Tiere in Cluster einteilt, auch ohne deren genaue Beschriftungen zu kennen.

Wie unüberwachtes Lernen in der Bildverarbeitung funktioniert

Wie funktioniert also unbeaufsichtigtes maschinelles Lernen? Anstatt anhand von richtigen Antworten zu lernen, erkennt das Modell eigenständig Muster und Strukturen in den Daten. Es sucht nach Ähnlichkeiten und Unterschieden in den Daten, ohne sich auf beschriftete Beispiele zu stützen.

Ein häufiger Anwendungsfall ist die Erkennung von Anomalien, bei der das Modell lernt, wie normale Daten aussehen, und anschließend alles identifiziert, was davon abweicht. Die Erkennung von Anomalien und Ausreißern ist eine der wirkungsvollsten industriellen Anwendungen. Beispiele hierfür sind das Aufspüren fehlerhafter Teile in einer Fertigungslinie, das Markieren ungewöhnlicher medizinischer Scans zur Überprüfung durch Radiologen oder das Erkennen verdächtiger Aktivitäten in Überwachungsaufnahmen. Da Fehler und Anomalien oft selten und vielfältig sind, ist es unpraktisch, jeden möglichen Fall zu kennzeichnen, weshalb sich unüberwachte Ansätze hier besonders gut eignen.

Zu diesem Zweck kommen häufig Verfahren wie Clustering und Dimensionsreduktion zum Einsatz, in der Regel auf Merkmale, die aus den Bildern extrahiert wurden, und nicht auf die Rohbilder selbst. Clustering-Verfahren wie das k-Means-Clustering gruppieren ähnliche Bilder anhand gemeinsamer Muster, während Verfahren zur Dimensionsreduktion wie die Hauptkomponentenanalyse (PCA) die Daten vereinfachen, indem sie sich auf die wichtigsten Merkmale konzentrieren. 

Dadurch fällt es dem Modell leichter, aussagekräftige Muster und Strukturen in großen und komplexen Datensätzen zu erkennen. Der Hauptvorteil des unüberwachten Lernens besteht darin, dass es gut mit unbeschrifteten Daten funktioniert und Muster aufdecken kann, die nicht auf den ersten Blick erkennbar sind. Allerdings ist es schwieriger zu bewerten und bietet im Vergleich zum überwachten Lernen weniger Kontrolle über das Endergebnis.

Selbstüberwachtes und halbüberwachtes Lernen in der Bildverarbeitung

Wenn Sie sich mit überwachtem und unüberwachtem Lernen beschäftigen, fragen Sie sich vielleicht, ob es einen Mittelweg zwischen beiden gibt. Interessanterweise schließen selbstüberwachtes und halbüberwachtes Lernen diese Lücke zwischen überwachtem und unüberwachtem Lernen.

Diese Ansätze ermöglichen es Modellen, effektiver aus unbeschrifteten Daten zu lernen. Anstatt sich ausschließlich auf beschriftete Beispiele zu stützen, erstellen sie entweder eigene Lernaufgaben aus den Daten oder kombinieren einen kleinen beschrifteten Datensatz mit einem größeren unbeschrifteten.

Beim selbstüberwachten Lernen lernt das Modell, indem es Aufgaben löst, die aus den Daten selbst generiert werden. So könnte es beispielsweise ein Bild mit einer Lücke erhalten und lernen, vorherzusagen, was diesen Bereich ausfüllen sollte, oder es könnte lernen, verschiedene Ansichten desselben Objekts zu erkennen. Auf diese Weise lernt das Modell nützliche Merkmale, ohne dass manuelle Beschriftungen erforderlich sind.

Beim halbüberwachten Lernen hingegen wird eine kleine Menge an beschrifteten Daten zusammen mit einem größeren Satz unbeschrifteter Daten verwendet, um die Leistung zu verbessern. In manchen Fällen kann das Modell Beschriftungen für die unbeschrifteten Daten generieren und diese nutzen, um das Lernen fortzusetzen.

Der Hauptvorteil dieser Ansätze besteht darin, dass sie den Bedarf an großen, beschrifteten Datensätzen verringern, deren Erstellung oft kostspielig und zeitaufwendig ist. Allerdings kann ihre Konzeption und Bewertung im Vergleich zu vollständig überwachten Methoden komplexer sein.

Wesentliche Unterschiede zwischen überwachtem und unüberwachtem Lernen

Der Unterschied zwischen überwachtem und unüberwachtem Lernen liegt darin, wie ein Modell lernt und was es zu erreichen versucht. Während überwachtes Lernen auf beschriftete Daten und klare Vorgaben angewiesen ist, um bestimmte Aufgaben zu erlernen, funktioniert unüberwachtes Lernen ohne vordefinierte Antworten und konzentriert sich darauf, Muster und Strukturen in den Daten zu entdecken.

In einem Verkehrsüberwachungssystem kann beispielsweise ein Modell für überwachtes Lernen anhand von beschrifteten Bildern trainiert werden, um detect , Fußgänger oder Ampeln detect . Im Gegensatz dazu könnte ein Modell für unüberwachtes Lernen große Mengen an Videomaterial analysieren, um ähnliche Verkehrsmuster zu gruppieren oder ungewöhnliche Ereignisse wie unerwartete Staus oder abnormale Bewegungen zu identifizieren, ohne dass ihm ausdrücklich mitgeteilt wird, wonach es suchen soll.

Wann sollte man beim Computer Vision auf überwachtes Lernen zurückgreifen?

Das überwachte Lernen eignet sich hervorragend für Aufgaben im Bereich der Bildverarbeitung, bei denen das Ziel klar definiert ist und das Modell Eingabedaten auf präzise Ausgabedaten abbilden muss. Es funktioniert besonders gut, wenn man über einen zuverlässigen, beschrifteten Datensatz verfügt und konsistente, vorhersehbare Ergebnisse benötigt.

Es wird häufig bei Problemen eingesetzt, bei denen das Modell zwischen bekannten Kategorien unterscheiden oder bestimmte Ergebnisse vorhersagen muss. Anstatt Muster zu erkunden, liegt der Schwerpunkt darauf, aus beschrifteten Daten präzise Zusammenhänge zu lernen, wodurch es einfacher wird, das Modell zu einem gewünschten Ergebnis zu führen.

Ein weiterer entscheidender Vorteil ist die Kontrollierbarkeit. Beim überwachten Lernen ist es einfacher, die Leistung anhand klarer Kennzahlen zu messen, das Modell zu optimieren und ein stabiles Verhalten während des Einsatzes sicherzustellen. Dadurch eignet es sich ideal für Systeme, die über einen längeren Zeitraum hinweg Konsistenz und Zuverlässigkeit erfordern.

Dies hat jedoch auch seine Kehrseite. Das Modell hängt stark von der Qualität und dem Umfang der beschrifteten Daten ab, und das Sammeln und Annotieren solcher Daten kann sehr zeitaufwendig sein.

Praxisbeispiele für überwachtes maschinelles Sehen

Bildverarbeitungs-KI-Modelle wie YOLO Ultralytics nutzen überwachtes Lernen, um Aufgaben wie die Objekterkennung mit hoher Genauigkeit auszuführen, insbesondere in Echtzeitanwendungen. Hier sind einige gängige Anwendungsfälle aus der Praxis, bei denen überwachtes Lernen den entscheidenden Unterschied macht:

• Gesundheitswesen und medizinische Bildgebung: Ärzte können Computer-Vision-Systeme einsetzen, die anhand von beschrifteten Bildaufnahmen wie Röntgenbildern oder MRT-Aufnahmen trainiert wurden. Dabei kommen Klassifikatoren zum Einsatz, um Erkrankungen wie Tumore oder Knochenbrüche zu erkennen, was eine schnellere und genauere Diagnose ermöglicht.
• Qualitätsprüfung in der Industrie: In Fertigungsumgebungen können Bildverarbeitungssysteme, die anhand von gekennzeichneten Daten trainiert wurden, Produkte prüfen, indem sie eine Reihe von qualitätsrelevanten Merkmalen wie Form, Oberflächenfehler, Textur und Größe analysieren. Indem sie aus Beispielen sowohl einwandfreier als auch fehlerhafter Produkte lernen, können diese Systeme Fehler zuverlässig erkennen und Produktionsstandards aufrechterhalten.
• Autonomes Fahren: Selbstfahrende Systeme stützen sich auf Modelle, die anhand von gekennzeichneten Fahrdaten trainiert wurden, um Fahrspuren, Fahrzeuge, Fußgänger und Verkehrszeichen zu erkennen und so den Fahrzeugen zu helfen, sich in Echtzeit sicher fortzubewegen.
• Einzelhandels- und Kassensysteme: Geschäfte nutzen Modelle, die anhand von beschrifteten Produktbildern trainiert wurden, um Artikel in den Regalen oder an der Kasse zu identifizieren. Dies ermöglicht eine automatisierte Abrechnung und eine effizientere Bestandsverwaltung. In Kombination mit zusätzlichen Daten können diese Systeme zudem Aufgaben wie die Kundensegmentierung unterstützen und Unternehmen dabei helfen, das Einkaufsverhalten besser zu verstehen.
• Landwirtschaft und Pflanzenüberwachung: Landwirte können Modelle nutzen, die anhand von beschrifteten Bildern trainiert wurden, um classify detect classify , beispielsweise um gesunde und beschädigte Kartoffeln zu identifizieren und zu zählen, die Qualitätskontrolle zu verbessern und Verluste zu reduzieren.

Welche Probleme im Bereich der Bildverarbeitung lassen sich durch unüberwachtes Lernen lösen?

Unüberwachtes Lernen ist nützlich, wenn Sie nicht über genügend beschriftete Daten verfügen oder wenn Ihre Daten keine eindeutigen Antworten liefern. In solchen Situationen besteht das Ziel nicht darin, exakte Vorhersagen zu treffen, sondern Muster und Strukturen in den Daten zu erkennen.

Diese Methode wird häufig eingesetzt, wenn man einen unbeschrifteten Datensatz zum ersten Mal untersucht. Anstatt dem Modell vorzugeben, wonach es suchen soll, lässt man es selbstständig Ähnlichkeiten erkennen, verwandte Bilder gruppieren oder ungewöhnliche Muster hervorheben.

In einer großen Bildersammlung kann ein unüberwachter Ansatz dabei helfen, ähnliche Bilder zusammenzufassen oder Ausreißer zu kennzeichnen, die möglicherweise weiterer Aufmerksamkeit bedürfen. Dies macht ihn zu einem nützlichen Ausgangspunkt für datenwissenschaftliche Projekte.

Generative Modelle, darunter GANs, Variational Autoencoder und Diffusionsmodelle, lernen die zugrunde liegende Verteilung von Bildern, um völlig neue Bilder zu erzeugen. Diese Modelle bilden die Grundlage für Anwendungen wie Bildsynthese, Inpainting, Superauflösung und Stilübertragung und sind das Rückgrat heutiger generativer KI-Systeme.

Bei der unbeaufsichtigten Segmentierung gruppieren einige Methoden Pixel oder Bereiche zu zusammenhängenden Segmenten, ohne auf beschriftete Masken zurückzugreifen. Dies ist nützlich, wenn die Annotation zu aufwendig ist oder wenn das Ziel darin besteht, Strukturen zu erkennen, anstatt vordefinierte Kategorien abzugleichen.

Das unbeaufsichtigte Lernen ist auch bei der Arbeit mit großen Datensätzen von großem Nutzen, bei denen die Annotation zeitaufwendig oder nicht praktikabel ist. In solchen Fällen ermöglicht es Ihnen, Erkenntnisse aus den Daten zu gewinnen, ohne auf annotierte Trainingsdaten angewiesen zu sein. 

Es wird auch häufig in Bereichen wie der generativen KI (Modelle, die neue Daten wie Bilder, Text oder Audio erzeugen) und dem Repräsentationslernen (Modelle, die aus Rohdaten nützliche Merkmale oder Muster lernen) eingesetzt, wo Modelle aus großen Datenmengen allgemeine Merkmale erlernen. Insgesamt ist das unüberwachte Lernen ein flexibler und praktischer Ansatz, den Sie in Betracht ziehen sollten, wenn es bei Ihrem Problem um die Erkundung, die Erkennung von Mustern oder die Arbeit mit unmarkierten Daten geht.

Beispiele aus der Praxis für unüberwachtes Lernen in der Bildverarbeitung

Hier sind einige Beispiele für Anwendungsfälle, in denen unüberwachtes Lernen in der Bildverarbeitung zum Einsatz kommt:

• Anomalieerkennung in der Fertigung: Modelle können lernen, wie normale Produkte aussehen, und Fehler oder Unregelmäßigkeiten erkennen, ohne dass für jeden möglichen Fehler gekennzeichnete Beispiele erforderlich sind.
• Organisation und Suche von Bildern: Große Bildersammlungen, wie beispielsweise Fotobibliotheken oder E-Commerce-Kataloge, können automatisch anhand visueller Ähnlichkeiten gruppiert werden, was es Datenwissenschaftlern erleichtert, große Datensätze zu organisieren, zu durchsuchen und zu analysieren.
• Überwachung und Sicherheit: Systeme können Videomaterial analysieren, um ungewöhnliche Muster oder Verhaltensweisen – wie unerwartete Bewegungen oder Veränderungen in der Menschenmenge – zu erkennen, ohne zuvor explizit auf bestimmte Ereignisse trainiert worden zu sein.
• Vorverarbeitung und Datenexploration: Unüberwachte Verfahren werden häufig eingesetzt, um Rohbilddaten vor dem Training überwachter Modelle zu untersuchen und zu strukturieren, was zur Verbesserung der Datenqualität und zur Reduzierung des manuellen Aufwands beiträgt. 

Praktische Einschränkungen des überwachten und des unüberwachten Lernens

Trotz der Vorteile beider Lernansätze gibt es gewisse Einschränkungen zu beachten. Hier sind einige praktische Aspekte, die man beim Aufbau von Modellen für die Bildverarbeitung berücksichtigen sollte:

• Überanpassung bei überwachten Modellen: Beim überwachten Lernen kann es vorkommen, dass ein Modell die Trainingsdaten zu genau nachahmt, anstatt allgemeine Muster zu erkennen. Dies geschieht häufig, wenn der Datensatz klein oder nicht vielfältig genug ist. So kann beispielsweise ein Modell, das darauf trainiert wurde, detect bei einem bestimmten Produkttyp detect , versagen, wenn es mit neuen Daten getestet wird, die leicht abweichende Produkte oder andere Lichtverhältnisse beinhalten.
• Herausforderungen bei Clustering-Algorithmen: Beim unüberwachten Lernen kann ein Modell ähnliche Datenpunkte zusammenfassen. Dies kann jedoch fehlschlagen, wenn die Daten verrauscht oder inkonsistent sind oder keine klare Struktur aufweisen. Bei der Bildgruppierung beispielsweise können Bilder mit ähnlichen Farben, aber unterschiedlichen Objekten fälschlicherweise in dieselbe Gruppe eingeordnet werden.
• Die Bedeutung einer ordnungsgemäßen Vorverarbeitung: Vor dem Training müssen die Daten bereinigt und aufbereitet werden. Dies geschieht in der Regel mithilfe Python , die Bildverarbeitung und Datentransformation ermöglichen. Dies ist besonders wichtig im Bereich der Bildverarbeitung, wo Bilder hinsichtlich Größe, Qualität oder Beleuchtung variieren können. Ohne eine ordnungsgemäße Vorverarbeitung lernen Modelle möglicherweise aus Rauschen statt aus aussagekräftigen Mustern, was zu einer schlechten Leistung führt.

Wesentliche Erkenntnisse

In der Bildverarbeitung spielen sowohl überwachtes als auch unüberwachtes Lernen eine wichtige Rolle. Der richtige Ansatz hängt von der Art der Daten ab, über die Sie verfügen – ob diese beschriftet oder unbeschriftet sind –, sowie von der Aufgabe, die Sie lösen möchten, und Ihren Anforderungen an die Implementierung. 

Wenn Sie hohe Genauigkeit und klar definierte Ergebnisse anstreben, ist überwachtes maschinelles Lernen oft die bessere Wahl. Wenn Sie Daten untersuchen oder ohne Labels arbeiten, kann unüberwachtes Lernen besser geeignet sein.

Möchten Sie mehr über KI erfahren? Besuchen Sie unsere Community und unser GitHub-Repository. Erkunden Sie unsere Lösungsseiten, um mehr über KI in der Robotik und Computer Vision in der Landwirtschaft zu erfahren. Entdecken Sie unsere Lizenzoptionen und beginnen Sie noch heute mit der Entwicklung von Computer Vision-Anwendungen!