So verbesserst du das Modell-mAP bei kleinen Objekten: Eine Kurzanleitung

Da die Akzeptanz von künstlicher Intelligenz (KI), maschinellem Lernen und computer vision weiter wächst, werden Objekterkennungssysteme überall eingesetzt – von intelligenten Verkehrskameras bis hin zu Drohnen und Einzelhandelsanalyse-Tools. Häufig wird von diesen Systemen erwartet, dass sie Objekte jeder Größe erkennen, sei es ein großer Lkw in Kamerapnähe oder ein winziger Fußgänger in weiter Entfernung.

Normalerweise ist es einfacher, große und gut sichtbare Objekte zu erkennen. Im Gegensatz dazu ist die Erkennung kleiner Objekte deutlich anspruchsvoller.

Wenn ein Objekt nur einen winzigen Teil des Bildes einnimmt, gibt es nur sehr wenige visuelle Informationen, mit denen gearbeitet werden kann. Ein weit entfernter Fußgänger in einem Verkehrs-Feed oder ein kleines Fahrzeug aus der Vogelperspektive besteht vielleicht nur aus wenigen Pixeln, doch genau diese Pixel können entscheidende Informationen enthalten.

Computer vision models wie Ultralytics YOLO Modelle stützen sich auf visuelle Muster, um Objekte zu erkennen, und wenn diese Muster begrenzt oder unklar sind, leidet die Leistung. Wichtige Details können während der Verarbeitung verloren gehen, wodurch Vorhersagen anfälliger für Lokalisierungsfehler werden. Schon eine geringfügige Verschiebung eines Bounding Box kann eine korrekte Erkennung in eine verfehlte verwandeln.

Diese Lücke wird deutlich, wenn wir uns die Modellleistung ansehen. Die meisten Erkennungs- und Segmentierungsmodelle kommen mit mittleren und großen Objekten gut zurecht, doch kleine Objekte mindern oft die Gesamtgenauigkeit.

Die Leistung von Deep Learning wird typischerweise anhand der mean average precision oder mAP gemessen. Diese Metrik spiegelt sowohl wider, wie genau die Erkennungen sind als auch wie gut die vorhergesagten Boxen mit realen Objekten übereinstimmen.

Sie kombiniert die Precision, die anzeigt, wie viele der vorhergesagten Objekte korrekt sind, mit dem Recall, der anzeigt, wie viele der tatsächlichen Objekte erfolgreich erkannt wurden – dies über verschiedene Konfidenzniveaus und Intersection over Union-Schwellenwerte, kurz IoU (ein Maß dafür, wie stark die vorhergesagte Bounding Box mit der Ground Truth-Box überlappt), hinweg.

Zuvor haben wir uns mit small object detection befasst und warum dies ein so schwieriges Problem für Computer-Vision-Modelle ist. In diesem Artikel bauen wir auf diesem Fundament auf und konzentrieren uns darauf, wie man die mAP bei kleinen Objekten verbessern kann. Lass uns anfangen!

Warum sind kleine Objekte schwieriger zu erkennen?#

Bei Anwendungen mit Objekterkennungs-Algorithmen wird ein kleines Objekt dadurch definiert, wie viel Platz es in einem Bild einnimmt, nicht unbedingt dadurch, wie klein es für das menschliche Auge aussieht. Wenn es nur einen winzigen Teil des Bildes belegt, enthält es nur sehr wenige visuelle Informationen, was es für einen Computer Vision-Algorithmus schwieriger macht, es präzise zu erkennen.

Abb. 1. Beispielbilder, die kleine Objekte mit begrenzten Pixelbereichen zeigen (Quelle)

Da weniger Pixel zur Verfügung stehen, können wichtige Details wie Kanten, Formen und Texturen unklar oder leicht verloren gehen. Während das Bild vom Modell verarbeitet wird, wird es verkleinert und vereinfacht, um nützliche Muster hervorzuheben.

Dies hilft dem Modell zwar, die Gesamtszene zu verstehen, kann aber feine Details noch weiter reduzieren. Bei kleinen Objekten sind diese Details oft entscheidend für eine korrekte Erkennung.

Diese Herausforderungen werden bei der Betrachtung von evaluation metrics noch deutlicher. Kleine Objekte reagieren besonders empfindlich auf Lokalisierungsfehler. Selbst eine leicht falsch ausgerichtete Bounding Box kann unter den erforderlichen Intersection over Union bzw. IoU-Schwellenwert fallen.

Wenn das passiert, kann eine Vorhersage, die plausibel aussieht, als inkorrekt gewertet werden. Dies senkt sowohl Precision als auch Recall, was letztendlich das mean average precision, kurz mAP, reduziert.

Da diese Faktoren eng miteinander verbunden sind, erfordert die Leistungssteigerung oft das Mitdenken des gesamten Systems. Das bedeutet, Bildauflösung, Merkmalsextraktion, Modelldesign und Evaluierungseinstellungen sorgfältig abzuwägen, damit kleine visuelle Details besser erhalten und interpretiert werden.

Die Bedeutung von Datenqualität und Annotationen#

Bei der Erkennung kleiner Objekte macht die Qualität des Datensatzes oft den größten Unterschied bei der Leistung. Kleine Objekte nehmen nur einen winzigen Teil eines Bildes ein, was bedeutet, dass dem Modell nur sehr wenige visuelle Informationen zum Lernen zur Verfügung stehen. Aus diesem Grund werden die Trainingsdaten besonders wichtig. Wenn der Datensatz nicht genügend klare und repräsentative Beispiele enthält, wird das Objekterkennungsmodell Schwierigkeiten haben, konsistente Muster zu erkennen.

Datensätze, die sich gut für die Erkennung kleiner Objekte eignen, enthalten normalerweise hochauflösende Bilder, häufige Vorkommen kleiner Ziele und konsistente visuelle Bedingungen. Obwohl generische Datensätze wie der COCO dataset nützliche Ausgangspunkte sind, entsprechen sie oft nicht dem Maßstab, der Dichte oder dem Kontext spezifischer realer Anwendungsfälle. In solchen Fällen wird das Sammeln domänenspezifischer Trainingsdaten notwendig, um die Modellleistung zu verbessern.

Annotation quality spielt ebenfalls eine entscheidende Rolle. Annotationen legen die Ground Truth fest, indem sie die korrekten Objektbezeichnungen und Bounding-Box-Positionen angeben, deren Vorhersage das Modell erlernt.

Für kleine Objekte müssen Bounding Boxes sorgfältig und konsistent gezeichnet werden. Selbst geringfügige Unterschiede bei der Platzierung der Boxen können die Lokalisierungsgenauigkeit spürbar beeinflussen, da kleine Objekte sehr empfindlich auf Verschiebungen auf Pixelebene reagieren.

Schlechte oder inkonsistente Annotationen können das mAP signifikant senken. Wenn Objekte falsch gelabelt sind, lernt das Modell inkorrekte Muster, was die Falsch-Positiv-Rate erhöhen kann.

Wenn Objekte im Bild erscheinen, aber in der Ground Truth fehlen, können korrekte Erkennungen bei der Evaluierung als Falsch-Positive gewertet werden. Beide Situationen mindern die Gesamtleistung.

Interessanterweise zeigt die neuere Forschung, dass die durchschnittliche precision for small objects bei Standard-Benchmarks oft zwischen 20 % und 40 % liegt, was deutlich niedriger ist als bei größeren Objekten. Diese Lücke verdeutlicht die Bedeutung des Datensatzdesigns und der Annotationskonsistenz für die Gesamtgenauigkeit der Erkennung.

Datenaugmentation kann eine Schlüsselrolle bei der Verbesserung der Genauigkeit spielen#

Mit einem besseren Verständnis für die Wichtigkeit der Datensatzqualität und der Konsistenz bei den Annotationen schauen wir uns nun an, wie ein Objekterkennungsmodell effektiver von vorhandenen Daten lernen kann. Selbst wenn das Sammeln zusätzlicher Bilder schwierig oder teuer ist, gibt es immer noch Möglichkeiten, die Leistung zu verbessern, indem die bereits verfügbaren Daten besser genutzt werden.

Einer der praktischsten Ansätze ist data augmentation. Sie spielt eine besonders wichtige Rolle bei der Erkennung kleiner Objekte, da kleine Objekte weniger visuelle Anhaltspunkte für das Lernen des Modells bieten. Durch die Einführung kontrollierter Variationen während des Trainings hilft die Augmentierung dem Modell, besser zu generalisieren, ohne dass eine neue Datenerhebung erforderlich ist.

Effektive Data Augmentation konzentriert sich darauf, kleine Objekte klar sichtbar zu halten. Techniken wie kontrollierte Größenänderung, leichtes Zuschneiden und Image Tiling können kleine Objekte stärker hervorheben, während deren Form und Aussehen erhalten bleiben. Das Ziel ist es, dem Modell zu helfen, kleine Objekte häufiger und unter leicht unterschiedlichen Bedingungen zu sehen, ohne zu verändern, wie sie in realen Situationen aussehen.

Augmentation muss jedoch vorsichtig eingesetzt werden. Einige Transformationen können die Sichtbarkeit kleiner Objekte verringern oder ihr Aussehen auf eine Weise verändern, die in realen Daten unwahrscheinlich ist. Wenn dies geschieht, könnte das Modell Schwierigkeiten haben, präzise Objektgrenzen zu lernen.

Intelligentere Data Augmentation mit generativer KI#

Eine weitere interessante Art der Data Augmentation, die immer beliebter wird, ist der Einsatz von generativer KI zur Erstellung synthetischer Trainingsdaten. Anstatt sich auf manuell gesammelte und gelabelte Bilder zu verlassen, können Teams jetzt realistische Szenen generieren, die spezifische Umgebungen, Objektgrößen, Lichtverhältnisse und Hintergrundvariationen simulieren.

Abb. 2. Ein Blick auf synthetische Luftbilder, die für die Datenaugmentierung verwendet werden (Quelle)

Dieser Ansatz ist besonders nützlich für die Erkennung kleiner Objekte, bei denen reale Beispiele schwer konsistent zu erfassen sein können. Durch die Steuerung, wie kleine Objekte in synthetischen Bildern erscheinen, wie etwa durch Anpassung von Skalierung, Dichte und Platzierung, ist es möglich, Modellen ein breiteres Spektrum an Trainingsszenarien auszusetzen.

Bei sorgfältiger Kombination mit realen Daten kann synthetische Augmentation die Modellrobustheit verbessern, Datenerhebungskosten senken und zielgerichtetere Leistungsverbesserungen unterstützen.

Entscheidungen beim Modelltraining, die das mAP bei kleinen Objekten beeinflussen können#

Neben der Datensatzqualität und der Konsistenz der Annotationen haben auch die Entscheidungen beim Modelltraining einen starken Einfluss auf die Leistung bei der Erkennung kleiner Objekte.

Hier sind einige der wichtigsten Trainingsstrategien, die du in Betracht ziehen solltest:

• Beginne mit vortrainierten Modellen: Ein vortrainiertes Modell wie Ultralytics YOLO26 hat bereits allgemeine visuelle Muster aus großen Bilddatensätzen gelernt. Dies bietet einen starken Ausgangspunkt anstelle des Trainings von Grund auf, was besonders hilfreich ist, wenn kleine Objekte mit begrenzten Daten erkannt werden sollen.
• Nutze Transfer Learning strategisch: Transfer Learning bedeutet, ein vortrainiertes Modell an deinen spezifischen Datensatz anzupassen. Es hilft dem Modell, sich auf deine kleinen Objekte zu konzentrieren, während Overfitting (das Auswendiglernen der Trainingsdaten statt des Lernens allgemeiner Muster) reduziert wird.
• Gehe Klassenungleichgewicht an: Wenn kleine Objekte seltener vorkommen als größere, priorisiert das Modell möglicherweise das Erlernen größerer Objekte. Techniken wie Klassengewichtung oder Sampling-Strategien helfen sicherzustellen, dass kleine Objekte nicht ignoriert werden.
• Passe Konfidenz- und IoU-Schwellenwerte an: Kleine Objekte sind anfällig für geringfügige Lokalisierungsfehler. Das Feintuning dieser Schwellenwerte hilft, die Leistung bei kleinen Objekten während Validierung und Inferenz besser zu bewerten und zu interpretieren.

Überlegungen zur Modellarchitektur für die Erkennung kleiner Objekte#

Während du ein allgemeines Objekterkennungsmodell für Aufgaben mit kleinen Objekten verwenden kannst, gibt es auch Modellarchitekturen, die speziell entwickelt wurden, um die Erkennung kleiner Objekte zu verbessern. Beispielsweise gibt es P2-Modellvarianten des Ultralytics YOLOv8 Modells, die darauf optimiert sind, feine räumliche Details zu bewahren.

Ultralytics YOLOv8 verarbeitet Bilder in mehreren Maßstäben, indem sie auf ihrem Weg tiefer durch das Netzwerk nach und nach verkleinert werden. Dies hilft dem Modell, die Gesamtszene zu verstehen, reduziert jedoch auch feine Details.

Wenn ein Objekt bereits sehr klein ist, können wichtige visuelle Informationen während dieses Prozesses verschwinden. Die P2-Variante von Ultralytics YOLOv8 adressiert dies durch die Verwendung eines Strides von 2 in seiner Feature-Pyramide.

Eine Feature-Pyramide ist der Teil des Modells, der das Bild bei mehreren internen Auflösungen analysiert, damit es Objekte verschiedener Größen erkennen kann. Mit einem Stride von 2 wird das Bild in dieser Phase langsamer verkleinert, was es ermöglicht, mehr der ursprünglichen Details auf Pixelebene zu erhalten.

Da mehr räumliche Details erhalten bleiben, behalten kleine Objekte innerhalb des Netzwerks mehr sichtbare Strukturen. Dies macht es für das Modell einfacher, Objekte zu lokalisieren und zu erkennen, die nur wenige Pixel einnehmen, was dazu beitragen kann, das mAP für kleine Objekte zu verbessern.

Größenbewusste Evaluierung für die Erkennung kleiner Objekte#

Während das mean average precision die Gesamtmodellleistung zusammenfasst, zeigt es nicht immer, wie gut ein Modell mit Objekten unterschiedlicher Größen umgeht. Bei kleinen Objekten ist die Leistung oft durch die Lokalisierungsgenauigkeit begrenzt und nicht allein durch die Klassifizierung, was bedeutet, dass geringfügige Verschiebungen der Bounding Box die Ergebnisse signifikant beeinflussen können.

Mit anderen Worten: Das Modell identifiziert möglicherweise korrekt die Klasse des Objekts, aber wenn die vorhergesagte Bounding Box leicht falsch ausgerichtet ist, kann die Erkennung dennoch als inkorrekt betrachtet werden. Da kleine Objekte nur eine geringe Anzahl von Pixeln abdecken, kann selbst eine kleine Verschiebung bei der Platzierung der Box die Überlappung zwischen der vorhergesagten Box und der Ground Truth deutlich verringern. Infolgedessen können Evaluierungswerte sinken, selbst wenn das Objekt korrekt identifiziert wurde.

Abb. 3. Die Evaluierung der Erkennung kleiner Objekte kann knifflig sein (Quelle)

Ein informativerer Ansatz ist es, die Leistung nach Objektgröße zu evaluieren. Die meisten weit verbreiteten Benchmarks berichten die Average Precision separat für kleine, mittlere und große Objekte.

Diese größenspezifische Aufschlüsselung bietet einen klareren Blick darauf, wo das Modell gut abschneidet und wo es Schwierigkeiten hat. In der Praxis bleibt die small-object AP oft hinter der Gesamt-mAP zurück, was Lokalisierungsherausforderungen hervorhebt, die in aggregierten Metriken möglicherweise nicht offensichtlich sind.

Berücksichtige Deployment-Einschränkungen und reale Kompromisse#

Die Modellleistung ändert sich oft, wenn man von kontrollierten Testumgebungen zum realen Deployment übergeht. Faktoren wie Bildauflösung, Verarbeitungsgeschwindigkeit und verfügbare Hardware führen zu Kompromissen, die sich direkt auf die Erkennung kleiner Objekte auswirken.

Beispielsweise kann die Erhöhung der Eingangsauflösung das mAP kleiner Objekte verbessern, da kleine Ziele mehr Pixel belegen und mehr Details beibehalten. Eine höhere Auflösung erhöht jedoch auch die Speichernutzung und die Verarbeitungszeit. Dies kann die Inferenz verlangsamen und die Betriebskosten in die Höhe treiben.

Abb. 4. Herausforderungen beim Deployment der Erkennung kleiner Objekte. Bild vom Autor.

Hardwareentscheidungen spielen eine Schlüsselrolle beim Management dieser Kompromisse. Leistungsstärkere GPUs erlauben größere Modelle und schnellere Verarbeitung, aber Deployment-Umgebungen, insbesondere Edge-Geräte, haben oft begrenzte Rechen- und Speicherressourcen.

Echtzeitanwendungen fügen eine weitere Einschränkung hinzu: Die Aufrechterhaltung einer niedrigen Latenz erfordert möglicherweise eine Verringerung der Modellgröße oder der Eingangsauflösung, was sich negativ auf den Recall kleiner Objekte auswirken kann. Letztendlich erfordern Deployment-Entscheidungen das Abwägen von Erkennungsleistung gegen Hardwarebeschränkungen, Geschwindigkeitsanforderungen und Gesamtkosten.

Alles zusammengefügt: Das Modell-mAP bei kleinen Objekten verbessern#

Die Verbesserung der Erkennung kleiner Objekte erfordert einen praktischen und strukturierten Ansatz, insbesondere wenn du in realen Umgebungen arbeitest. Hier ist ein Überblick über die wichtigsten Schritte, die du im Hinterkopf behalten solltest:

• Prüfe deine Datensatzqualität: Stelle sicher, dass dein Datensatz genügend Beispiele für kleine Objekte enthält, nach Möglichkeit hochauflösende Bilder verwendet und die Bedingungen widerspiegelt, unter denen das Modell eingesetzt wird.
• Überprüfe die Annotationskonsistenz: Stelle sicher, dass Bounding Boxes korrekt, vollständig und konsistent gelabelt sind. Inkonsistente Annotationen können die Lokalisierungsleistung direkt einschränken.
• Passe Trainingseinstellungen gezielt an: Justiere Batch-Größe, Anzahl der Epochen und Optimierungseinstellungen wohlüberlegt, damit kleine Objekte während des Trainings angemessen repräsentiert sind.
• Iteriere Schritt für Schritt: Nimm kontrollierte Anpassungen vor, messe deren Auswirkung und verfeinere deinen Ansatz. Stetige, datengesteuerte Iteration führt mit der Zeit zu konsistenten Verbesserungen.

Wichtige Erkenntnisse#

Die Verbesserung des mAP für kleine Objekte erfordert einen strukturierten, datengesteuerten Ansatz anstelle von zufälligen Optimierungen. Echte Verbesserungen kommen durch die Kombination aus guten Daten, konsistenten Annotationen, sorgfältigem Training und den richtigen Evaluierungsmethoden. Bei realen Projekten führen stetiges Testen und kleine, messbare Änderungen langfristig zu einer besseren und zuverlässigeren Erkennung kleiner Objekte.

Werde Teil unserer wachsenden Community und entdecke unser GitHub-Repository für praxisnahe KI-Ressourcen. Um noch heute mit Vision-KI zu entwickeln, erkunde unsere Lizenzierungsoptionen. Erfahre auf unseren Lösungsseiten, wie KI in der Landwirtschaft die Landwirtschaft transformiert und wie Vision-KI in der Robotik die Zukunft gestaltet.