Erkundung der besten Computer-Vision-Datensätze im Jahr 2025

Wusstest du, dass Daten bei fast allem eine Rolle spielen, was du täglich tust? Ein Video anzuschauen, ein Foto zu machen oder Google Maps zu überprüfen trägt zum konstanten Informationsfluss bei, der von über 75 Milliarden verbundenen Geräten erfasst wird. Diese Daten bilden das Fundament der Künstlichen Intelligenz (KI). Tatsächlich verlassen sich fortschrittliche Computer-Vision-Modelle wie Ultralytics YOLO11 auf visuelle Daten, um Muster zu erkennen, Bilder zu interpretieren und die Welt um uns herum zu verstehen.

Interessanterweise geht es beim Wert von Daten nicht nur um die Quantität. Es ist wichtiger, wie gut sie organisiert und aufbereitet sind. Wenn ein Datensatz unvollständig oder unübersichtlich ist, kann das zu Fehlern führen. Wenn Datensätze jedoch sauber und vielfältig sind, helfen sie Computer-Vision-Modellen dabei, bessere Leistungen zu erbringen – egal ob es darum geht, Objekte in einer Menge zu erkennen oder komplexe visuelle Inhalte zu analysieren. Hochwertige Datensätze machen den entscheidenden Unterschied.

In diesem Artikel erkunden wir die besten Computer Vision Datensätze des Jahres 2025 und schauen uns an, wie sie dazu beitragen, genauere und effizientere Computer Vision Modelle zu entwickeln. Fangen wir an!

Was sind Computer Vision Datensätze?#

Ein Computer-Vision-Datensatz ist eine Sammlung von Bildern oder Videos, die Computer-Vision-Systemen helfen, visuelle Informationen zu verstehen und zu erkennen. Diese Datensätze enthalten Beschriftungen oder Annotationen, die Modellen helfen, Objekte, Personen, Szenen und Muster in den Daten zu erkennen.

Sie können verwendet werden, um Computer Vision Modelle zu trainieren und sie bei Aufgaben wie der Gesichtserkennung, der Objekterkennung oder der Analyse von Szenen zu verbessern. Je besser der Datensatz – gut organisiert, vielfältig und genau –, desto besser ist die Leistung des Vision AI Modells, was zu intelligenterer und nützlicherer Technologie im Alltag führt.

Wie man einen Computer Vision Datensatz erstellt#

Die Erstellung eines Computer Vision Datensatzes ist wie das Vorbereiten von Lernnotizen, um jemandem beizubringen, die Welt zu sehen und zu verstehen. Alles beginnt mit dem Sammeln von Bildern und Videos, die zu der spezifischen Anwendung passen, die du entwickelst.

Ein idealer Datensatz umfasst vielfältige Beispiele der Zielobjekte, die aus verschiedenen Blickwinkeln, unter unterschiedlichen Lichtverhältnissen und vor verschiedenen Hintergründen sowie in diversen Umgebungen aufgenommen wurden. Diese Vielfalt stellt sicher, dass das Computer-Vision-Modell lernt, Muster präzise zu erkennen, und in realen Szenarien zuverlässig funktioniert.

Abb. 1. Den perfekten Vision-Datensatz erstellen. Bild vom Autor.

Nachdem relevante Bilder und Videos gesammelt wurden, ist der nächste Schritt die Datenannotation. Dieser Prozess umfasst das Hinzufügen von Tags, Annotationen oder Beschreibungen zu den Daten, damit die KI verstehen kann, was jedes Bild oder Video enthält.

Beschriftungen können Objektnamen, Standorte, Begrenzungen oder andere relevante Details umfassen, die dabei helfen, das Modell darauf zu trainieren, visuelle Informationen präzise zu erkennen und zu interpretieren. Die Datenannotation verwandelt eine einfache Sammlung von Bildern in einen strukturierten Datensatz, der zum Trainieren eines Computer-Vision-Modells verwendet werden kann.

Modelltraining erfordert qualitativ hochwertige Daten#

Du fragst dich vielleicht, was einen Datensatz hochwertig macht. Dabei spielen viele Faktoren eine Rolle, wie genaue Beschriftung, Vielfalt und Konsistenz. Wenn beispielsweise mehrere Annotatoren einen Objekterkennungs-Datensatz beschriften, um Katzenohren zu identifizieren, könnte einer sie als Teil des Kopfes beschriften, während ein anderer sie separat als Ohren markiert. Diese Inkonsistenz kann das Modell verwirren und seine Lernfähigkeit beeinträchtigen.

Hier ist ein kurzer Überblick über die Qualitäten eines idealen Computer Vision Datensatzes:

• Klare Beschriftungen: Jedes Bild wird präzise mit konsistenten und genauen Labels annotiert.
• Vielfältige Daten: Der Datensatz enthält verschiedene Objekte, Hintergründe, Lichtverhältnisse und Winkel, damit das Modell in verschiedenen Situationen gut funktioniert.
• Hochauflösende Bilder: Scharfe, detaillierte Bilder machen es dem Modell leichter, Merkmale zu lernen und zu erkennen.

Ultralytics unterstützt verschiedene Datensätze#

Ultralytics YOLO Modelle, wie YOLO11, sind dafür ausgelegt, mit Datensätzen in einem spezifischen YOLO Dateiformat zu arbeiten. Während es einfach ist, deine eigenen Daten in dieses Format zu konvertieren, bieten wir auch eine problemlose Option für diejenigen, die sofort mit dem Experimentieren beginnen möchten.

Das Ultralytics Python-Paket unterstützt eine Vielzahl von Computer-Vision-Datensätzen, sodass du ohne zusätzlichen Setup in Projekte mit Aufgaben wie Objekterkennung, Instanzsegmentierung oder Pose Estimation eintauchen kannst.

Benutzer können einfach auf gebrauchsfertige Datensätze wie COCO, DOTA-v2.0, Open Images V7 und ImageNet zugreifen, indem sie den Datensatznamen als einen der Parameter in der Trainingsfunktion angeben. Wenn du dies tust, wird der Datensatz automatisch heruntergeladen und vorkonfiguriert, sodass du dich darauf konzentrieren kannst, deine Modelle zu bauen und zu verfeinern.

Die 5 besten Computer Vision Datensätze im Jahr 2025#

Fortschritte in der Vision AI hängen von vielfältigen, groß angelegten Datensätzen ab, die Innovationen vorantreiben und Durchbrüche ermöglichen. Werfen wir einen Blick auf einige der wichtigsten Datensätze, die von Ultralytics unterstützt werden und Computer Vision Modelle beeinflussen.

ImageNet Datensatz#

ImageNet, 2007 von Fei-Fei Li und ihrem Team an der Princeton University ins Leben gerufen und 2009 vorgestellt, ist ein großer Datensatz mit über 14 Millionen beschrifteten Bildern. Er wird häufig verwendet, um Systeme darauf zu trainieren, verschiedene Objekte zu erkennen und zu kategorisieren. Seine strukturierte Architektur macht ihn besonders nützlich, um Modellen die präzise Bildklassifizierung beizubringen. Obwohl er gut dokumentiert ist, konzentriert er sich hauptsächlich auf die Bildklassifizierung und bietet keine detaillierten Annotationen für Aufgaben wie die Objekterkennung.

Hier ist ein Blick auf einige der wichtigsten Stärken von ImageNet:

• Vielfalt: Mit Bildern, die über 20.000 Kategorien umfassen, bietet ImageNet einen riesigen und abwechslungsreichen Datensatz, der das Modelltraining und die Generalisierung verbessert.
• Strukturierte Organisation: Bilder werden mithilfe der WordNet-Hierarchie sorgfältig kategorisiert, was einen effizienten Datenabruf und ein systematisches Modelltraining erleichtert.
• Umfassende Dokumentation: Umfangreiche Forschungen und jahrelange Studien machen ImageNet sowohl Anfängern als auch Experten zugänglich und bieten wertvolle Einblicke sowie Leitlinien für Computer-Vision-Projekte.

Wie jeder Datensatz hat er jedoch auch seine Grenzen. Hier sind einige der Herausforderungen, die du berücksichtigen solltest:

• Rechenaufwand: Seine enorme Größe kann für kleinere Teams mit begrenzten Computerressourcen Herausforderungen darstellen.
• Mangel an zeitlichen Daten: Da er nur statische Bilder enthält, erfüllt er möglicherweise nicht die Anforderungen von Anwendungen, die Video- oder zeitbasierte Daten erfordern.
• Veraltete Bilder: Einige Bilder im Datensatz sind älter und spiegeln möglicherweise nicht aktuelle Objekte, Stile oder Umgebungen wider, was die Relevanz für moderne Anwendungen potenziell verringert.

DOTA-v2.0 Datensatz#

Der DOTA-v2.0-Datensatz, wobei DOTA für Dataset for Object Detection in Aerial Images steht, ist eine umfangreiche Sammlung von Luftbildern, die speziell für die gedrehte Bounding-Box-Objekterkennung (OBB) entwickelt wurde. Bei der OBB-Erkennung werden rotierte Begrenzungsrahmen verwendet, um sich genauer an der tatsächlichen Ausrichtung von Objekten im Bild auszurichten. Diese Methode funktioniert besonders gut bei Luftaufnahmen, bei denen Objekte oft in verschiedenen Winkeln erscheinen, was zu einer präziseren Lokalisierung und einer besseren Gesamterkennung führt.

Dieser Datensatz besteht aus über 11.000 Bildern und mehr als 1,7 Millionen orientierten Begrenzungsrahmen in 18 Objektkategorien. Die Bilder reichen von 800×800 bis 20.000×20.000 Pixeln und enthalten Objekte wie Flugzeuge, Schiffe und Gebäude.

Abb. 2. Beispiele für Bilder und Annotationen aus dem DOTA-v2.0-Datensatz. Bild vom Autor.

Aufgrund seiner detaillierten Annotationen ist DOTA-v2.0 zu einer beliebten Wahl für Projekte in der Fernerkundung und Luftüberwachung geworden. Hier sind einige der Hauptmerkmale von DOTA-v2.0:

• Vielfältige Objektkategorien: Er deckt viele verschiedene Objekttypen ab, wie Fahrzeuge, Häfen und Lagertanks, und bietet Modellen Einblicke in verschiedene reale Objekte.
• Qualitativ hochwertige Annotationen: Experten haben präzise orientierte Begrenzungsrahmen bereitgestellt, die Objektformen und -richtungen klar zeigen.
• Multiskalen-Bilder: Der Datensatz enthält Bilder unterschiedlicher Größe, was Modellen hilft zu lernen, wie man Objekte sowohl in kleinem als auch in großem Maßstab erkennt.

Obwohl DOTA-v2 viele Stärken hat, sind hier einige Einschränkungen, die Benutzer beachten sollten:

• Zusätzliche Download-Schritte: Aufgrund der Art und Weise, wie der DOTA-Datensatz gepflegt wird, erfordert DOTA-v2.0 einen zusätzlichen Einrichtungsschritt. Du musst zuerst die DOTA-v1.0-Bilder herunterladen und dann die zusätzlichen Bilder und aktualisierten Annotationen für DOTA-v2.0 hinzufügen, um den Datensatz zu vervollständigen.
• Komplexe Annotationen: Orientierte Begrenzungsrahmen erfordern möglicherweise zusätzlichen Aufwand bei der Handhabung während des Modelltrainings.
• Begrenzter Umfang: DOTA-v2 ist für Luftbilder konzipiert, was ihn für allgemeine Objekterkennungsaufgaben außerhalb dieses Bereichs weniger nützlich macht.

Roboflow 100 Datensatz#

Der Roboflow 100 (RF100)-Datensatz wurde von Roboflow mit Unterstützung von Intel erstellt. Er kann verwendet werden, um die Leistung von Objekterkennungsmodellen zu testen und zu bewerten. Dieser Benchmark-Datensatz enthält 100 verschiedene Datensätze, die aus über 90.000 öffentlichen Datensätzen ausgewählt wurden. Er umfasst mehr als 224.000 Bilder und 800 Objektklassen aus Bereichen wie dem Gesundheitswesen, Luftaufnahmen und Gaming.

Hier sind einige der Hauptvorteile der Verwendung von RF100:

• Breite Bereichsabdeckung: Er umfasst Datensätze aus sieben Bereichen, wie medizinische Bildgebung, Luftaufnahmen und Unterwassererkundung.
• Fördert Modellverbesserungen: Die Variabilität und die bereichsspezifischen Herausforderungen in RF100 offenbaren Lücken in aktuellen Modellen und treiben die Forschung in Richtung anpassungsfähigerer und robusterer Objekterkennungslösungen voran.
• Konsistentes Bildformat: Alle Bilder werden auf 640x640 Pixel skaliert. Dies hilft Benutzern, Modelle zu trainieren, ohne Bildgrößen anpassen zu müssen.

Trotz seiner Stärken hat RF100 auch einige Nachteile, die man beachten sollte:

• Begrenzt in Bezug auf Aufgaben: RF100 ist für die Objekterkennung konzipiert, kann also Aufgaben wie Segmentierung oder Klassifizierung nicht abdecken.
• Benchmark-fokussierter Schwerpunkt: RF100 ist primär als Benchmark-Tool gedacht und nicht für das Training von Modellen für reale Anwendungen, daher lassen sich seine Ergebnisse möglicherweise nicht vollständig auf praktische Einsatzszenarien übertragen.
• Variabilität bei Annotationen: Da RF100 Crowdsourcing-Datensätze zusammenführt, kann es Inkonsistenzen bei der Annotationsqualität und den Beschriftungspraktiken geben, was die Modellevaluierung und Feinabstimmung beeinflussen kann.

COCO (Common Objects in Context) Datensatz#

Der COCO-Datensatz ist einer der am häufigsten verwendeten Computer-Vision-Datensätze und bietet über 330.000 Bilder mit detaillierten Bildannotationen. Er wurde für Objekterkennung, Segmentierung und Bildbeschriftung entwickelt und ist somit eine wertvolle Ressource für viele Projekte. Seine detaillierten Beschriftungen, einschließlich Bounding Boxes und Segmentierungsmasken, helfen Systemen dabei, Bilder präzise zu analysieren.

Dieser Datensatz ist bekannt für seine Flexibilität und ist nützlich für verschiedene Aufgaben, von einfachen bis hin zu komplexen Projekten. Er ist zu einem Standard im Bereich der Vision AI geworden und wird häufig bei Herausforderungen und Wettbewerben verwendet, um die Modellleistung zu bewerten.

Einige seiner Stärken sind:

• Vielfältige und realistische Daten: Der Datensatz enthält Bilder aus realen Szenarien mit mehreren Objekten, Verdeckungen und unterschiedlichen Lichtverhältnissen.
• Starke Community- und Forschungsakzeptanz: Der COCO-Datensatz wird in großen Wettbewerben für maschinelles Lernen und in der Forschung eingesetzt und verfügt über eine umfangreiche Dokumentation, vortrainierte Modelle und aktive Community-Unterstützung.
• Reiche und detaillierte Annotationen: Der COCO-Datensatz bietet äußerst detaillierte Annotationen, einschließlich Objektsegmentierung, Schlüsselpunkten und Bildunterschriften, was ihn ideal für Projekte macht, die ein präzises visuelles Verständnis erfordern.

Hier sind auch einige einschränkende Faktoren, die man beachten sollte:

• Hoher Rechenaufwand: Aufgrund seiner Größe und Komplexität kann das Training von Modellen auf COCO erhebliche Rechenressourcen erfordern, was für Teams mit begrenzter Hardware schwierig ist.
• Datenungleichgewicht: Einige Objektkategorien haben deutlich mehr Bilder als andere, was zu einer Verzerrung beim Modelltraining führen kann.
• Komplexe Annotationsstruktur: Die detaillierten Annotationen des Datensatzes sind zwar wertvoll, können aber für Anfänger oder kleinere Teams ohne Erfahrung im Umgang mit strukturierten Vision AI Datensätzen überwältigend sein.

Open Images V7 Datensatz#

Open Images V7 ist ein von Google kuratierter Open-Source-Großdatensatz mit über 9 Millionen Bildern und Annotationen für 600 Objektkategorien. Er enthält eine Vielzahl von Annotationstypen und ist ideal für die Bewältigung komplexer Computer-Vision-Aufgaben. Seine Skalierbarkeit und Tiefe bieten eine umfassende Ressource für das Training und Testen von Computer-Vision-Modellen.

Abb. 3. Ein Einblick in den Open Images V7-Datensatz. Bild vom Autor.

Außerdem bietet die Beliebtheit des Open Images V7 Datensatzes in der Forschung viele Ressourcen und Beispiele, aus denen Benutzer lernen können. Seine enorme Größe kann das Herunterladen und Verarbeiten jedoch zeitaufwendig machen, insbesondere für kleinere Teams. Ein weiteres Problem ist, dass einige Annotationen inkonsistent sein können, was zusätzlichen Aufwand erfordert, um die Daten zu bereinigen, und die Integration ist nicht immer nahtlos, was bedeutet, dass möglicherweise zusätzliche Vorbereitung erforderlich ist.

Den richtigen Datensatz auswählen#

Die Auswahl des richtigen Datensatzes ist ein wichtiger Teil des Erfolgs deines Computer Vision Projekts. Die beste Wahl hängt von deiner spezifischen Aufgabe ab – das Finden einer guten Übereinstimmung hilft deinem Modell, die richtigen Fähigkeiten zu erlernen. Er sollte sich auch leicht in deine Werkzeuge integrieren lassen, damit du dich mehr auf den Aufbau deines Modells konzentrieren kannst und weniger auf die Fehlerbehebung.

Abb. 4. Faktoren für die Auswahl des richtigen Datensatzes. Bild vom Autor.

Wichtige Erkenntnisse#

Qualitativ hochwertige Datensätze sind das Rückgrat jedes Computer Vision Modells und helfen Systemen, Bilder genau zu interpretieren. Vielfältige und gut annotierte Datensätze sind besonders wichtig, da sie es Modellen ermöglichen, in realen Szenarien zuverlässig zu funktionieren und Fehler zu reduzieren, die durch begrenzte oder minderwertige Daten verursacht werden.

Ultralytics vereinfacht den Prozess des Zugriffs und der Arbeit mit Computer Vision Datensätzen und erleichtert es, die richtigen Daten für dein Projekt zu finden. Die Auswahl des richtigen Datensatzes ist ein entscheidender Schritt beim Aufbau eines leistungsstarken Modells, was zu präziseren und wirkungsvolleren Ergebnissen führt.

Tritt unserer Community bei und entdecke unser GitHub-Repository, um mehr über KI zu erfahren. Entdecke Fortschritte wie Computer Vision im Gesundheitswesen und KI in selbstfahrenden Autos auf unseren Lösungsseiten. Sieh dir unsere Lizenzierungsoptionen an und mach heute den ersten Schritt, um mit Computer Vision loszulegen!