Intelligente Datenverwaltung in der Computer Vision mit der Ultralytics Platform

Vision AI, oder Computer Vision, hat seit den Anfängen einen weiten Weg zurückgelegt und sich von experimenteller Forschung zu einer Schlüsseltechnologie für reale Anwendungen entwickelt. Heute können KI-Enthusiasten mit zugänglichen Tools und Frameworks leistungsstarke Modelle für Aufgaben wie Objekterkennung und Instanzsegmentierung erstellen.

Da diese Anwendungen jedoch vom Experiment zur Produktion übergehen, bleibt das Datensatzmanagement eine kritische und oft übersehene Herausforderung. Während Computer-Vision-Datensätze an Größe und Komplexität zunehmen, kämpfen Teams oft damit, konsistente Annotationen aufrechtzuerhalten, Änderungen über Versionen hinweg zu verfolgen und die allgemeine Datenqualität sicherzustellen.

Selbst modernste Modelle können in realen Umgebungen eine schlechte Leistung erbringen, wenn die Daten, mit denen sie trainiert wurden, unvollständig, unausgewogen oder schlecht verwaltet sind. Diese wachsende Lücke zwischen Entwicklungsleistung und Zuverlässigkeit in der Praxis ist der Grund, warum ein strukturierterer Ansatz für das Datensatzmanagement erforderlich ist.

Eine weitere häufige Einschränkung besteht darin, dass Datenerfassung, Annotation und Training oft mit separaten Tools durchgeführt werden. Ein fragmentierter Arbeitsablauf erschwert die effiziente Verwaltung von Datensätzen, erhöht das Risiko von Inkonsistenzen und verlangsamt die Iteration.

Um Engpässe in der Vision AI wie Datensatzmanagement und fragmentierte Arbeitsabläufe zu beheben, haben wir kürzlich die Ultralytics Platform eingeführt. Es ist ein End-to-End-Arbeitsbereich, der Datensatzverwaltung, Annotation, Training, Bereitstellung und Überwachung in einem einzigen, einheitlichen Workflow vereint.

Durch die Verbindung jeder Phase des Computer-Vision-Lebenszyklus wird es einfacher, Datensatzänderungen zu verfolgen, die Leistung über Versionen hinweg zu vergleichen und deine Daten kontinuierlich für bessere Ergebnisse zu verfeinern.

Abb. 1. Ein Beispiel für das Anzeigen deiner Datensatzbilder innerhalb der Ultralytics Platform (Quelle)

In diesem Artikel werden wir uns damit befassen, wie die Ultralytics Platform dir hilft, deine Datensätze zu verfolgen, zu vergleichen und zu verbessern, um zuverlässigere Computer-Vision-Modelle zu erstellen. Fangen wir an!

Link to this sectionDie Bedeutung des Datensatzmanagements in der Computer Vision#

Die Leistung eines Computer-Vision-Modells hängt eng mit den Daten zusammen, mit denen es trainiert wurde. Die Modellgenauigkeit – also wie oft Vorhersagen korrekt sind – hängt nicht nur vom Algorithmus ab, sondern davon, wie gut der Datensatz reale Bedingungen repräsentiert.

Einfach gesagt lernt ein Modell Muster direkt aus den Daten. Daher können Lücken, Verzerrungen oder Inkonsistenzen im Datensatz beeinflussen, wie es Vorhersagen trifft. Mit anderen Worten: Daten minderer Qualität, fehlerhafte Annotationen oder eine begrenzte Abdeckung realer Variationen in Bildern – wie unterschiedliche Lichtverhältnisse, Objektwinkel, Hintergründe oder Verdeckungsgrade – können die Genauigkeit erheblich verringern, selbst wenn die Modellarchitektur selbst stark ist.

Dies gilt auch bei der Feinabstimmung eines Modells, bei der ein vortrainiertes Modell mit neuen oder aktualisierten Daten weiter trainiert wird, um es besser an einen spezifischen Anwendungsfall oder eine Umgebung anzupassen. Da die Modellgenauigkeit so stark von den Daten abhängt, ist die ordnungsgemäße Verwaltung dieser Daten unerlässlich.

Datensatzmanagement umfasst das Organisieren, Labeln und kontinuierliche Aktualisieren von Daten, damit sie präzise und relevant bleiben. Dies erleichtert die Leistungsverbesserung im Laufe der Zeit, insbesondere beim erneuten Training oder der Feinabstimmung von Modellen mit neuen Daten.

Link to this sectionWie die Datenqualität die Zuverlässigkeit in der Praxis beeinflusst#

Computer-Vision-Anwendungsfälle wie Sicherheitsüberwachungssysteme sind ein hervorragendes Beispiel dafür, warum ein ordnungsgemäßes Datenmanagement entscheidend ist. Diese Systeme müssen unter verschiedenen realen Bedingungen zuverlässig funktionieren, einschließlich unterschiedlicher Lichtverhältnisse, Kamerawinkel, Menschenmengen und teilweiser Verdeckungen.

Wenn die Trainingsdaten diese Variationen nicht abdecken oder es an Vielfalt mangelt, wie Objekte in verschiedenen Szenen und Bedingungen erscheinen, kann das Modell Schwierigkeiten haben, Objekte präzise zu erkennen. Ein Modell, das beispielsweise hauptsächlich auf gut beleuchteten, aufgeräumten Szenen trainiert wurde, kann bei schlechten Lichtverhältnissen oder in überfüllten Umgebungen schlecht abschneiden. In Sicherheitssystemen kann dies zu verpassten Ereignissen oder Fehlalarmen führen.

Um dies zu vermeiden, ist es wichtig, Datensätze zu pflegen, die nicht nur sauber und korrekt gelabelt, sondern auch ausgewogen und kontinuierlich aktualisiert sind. Das bedeutet, Lücken in den Daten zu identifizieren, neue Beispiele bei sich ändernden Bedingungen hinzuzufügen und sicherzustellen, dass verschiedene Klassen und Umgebungen gleichmäßig repräsentiert sind.

Mit einem vollständigeren und strukturierteren Datensatz sind Modelle besser in der Lage, mit realer Variabilität umzugehen und zuverlässigere Vorhersagen zu treffen.

Link to this sectionWichtige Aspekte des Datensatzmanagements#

Wie sieht Datensatzmanagement also in der Praxis aus? Es beinhaltet das Organisieren, Labeln und Pflegen von Daten, sodass sie während des gesamten Modellentwicklungsprozesses effektiv genutzt werden können.

Das Organisieren von Daten umfasst beispielsweise das Strukturieren des Datensatzes und dessen Aufteilung in Trainings-, Validierungs- und Testsets. Das Trainingsset dient zum Anlernen des Modells, das Validierungsset dient zur Überwachung der Leistung und zur Steuerung von Anpassungen während der Entwicklung, und das Testset wird verwendet, um zu bewerten, wie gut das fertige Modell mit völlig unbekannten Daten abschneidet.

Das Labeln beinhaltet derweil das Annotieren von Bildern mit Details wie Klassen-Labels, Begrenzungsrahmen (BBoxes) oder Segmentierungsmasken. Da das Modell aus diesen Annotationen lernt, sind Genauigkeit und Konsistenz entscheidend, damit es aussagekräftige Muster erlernen und zuverlässige Vorhersagen treffen kann.

Darüber hinaus beinhaltet die Pflege des Datensatzes das Überprüfen und Aktualisieren der Daten im Laufe der Zeit. Dies kann das Beheben von Annotationsfehlern, das Entfernen von minderwertigen oder doppelten Daten und das Hinzufügen neuer Beispiele zur Abdeckung fehlender Fälle oder sich ändernder Bedingungen umfassen.

Im weiteren Sinne ist Datensatzmanagement ein fortlaufender Prozess. Wenn Modelle bewertet und neue Daten gesammelt werden, müssen Datensätze aktualisiert werden, um reale Bedingungen und Randfälle abzubilden. Das Nachverfolgen dieser Updates und der Vergleich verschiedener Versionen hilft Teams zu verstehen, was die Leistung verbessert und wo weitere Änderungen erforderlich sind.

Link to this sectionVerwaltung von Datensätzen mit der Ultralytics Platform#

Die Ultralytics Platform bietet einen strukturierten Arbeitsablauf zur Verwaltung von Datensätzen in einer einzigen Umgebung, der alles von der Datenvorbereitung bis zum Export abdeckt. Sie ist darauf ausgelegt, sowohl einzelne Entwickler als auch Teams zu unterstützen, was es einfacher macht, Datensätze konsistent zu verwalten, egal ob du unabhängig arbeitest oder über Projekte hinweg zusammenarbeitest.

Jede Stufe ist darauf ausgelegt, zu vereinfachen, wie Datensätze während des gesamten Modellentwicklungslebenszyklus organisiert, verarbeitet und genutzt werden. Durch die Zusammenführung dieser Schritte an einem Ort reduziert die Plattform die Fragmentierung und macht es einfacher, Konsistenz über Arbeitsabläufe hinweg aufrechtzuerhalten.

Lass uns als Nächstes die wichtigsten Schritte durchgehen und wie die Plattform jeden davon unterstützt.

Link to this sectionHochladen von Datensätzen auf die Ultralytics Platform#

Der Einstieg in Datensätze auf der Plattform ist flexibel, mit mehreren Möglichkeiten, Daten einzubringen oder wiederzuverwenden. Du kannst deine eigenen Daten hochladen oder schneller starten, indem du öffentliche Datensätze verwendest, die über die Plattform verfügbar sind. Du kannst auch vorhandene Datensätze klonen, die von der Community geteilt wurden, und auf diesen aufbauen.

Die Community-Funktionen der Plattform machen es einfach, vorhandene Arbeit zu erkunden und wiederzuverwenden. Mit Zugriff auf Datensätze, die von anderen Nutzern erstellt wurden – einschließlich Millionen von Bildern und Annotationen – kannst du schnell loslegen, ohne alles selbst sammeln und labeln zu müssen. Das Klonen eines Datensatzes erstellt eine Kopie in deinem Arbeitsbereich, sodass du ihn bearbeiten und erweitern kannst, während das Original erhalten bleibt.

Für Uploads unterstützt die Plattform einzelne Bilder, Videos und Datensatzarchive wie ZIP-, TAR- oder GZ-Dateien. Sie unterstützt auch weit verbreitete Datensatzformate wie YOLO und COCO, wodurch es einfach ist, bestehende Datensätze und Annotationen ohne zusätzliche Konvertierung zu importieren. Darüber hinaus kannst du einen Datensatz mithilfe einer NDJSON-Datei hochladen, die von der Plattform exportiert wurde, was es nahtlos macht, Datensätze projektübergreifend wiederherzustellen oder wiederzuverwenden.

Sobald Daten hochgeladen wurden, verarbeitet die Plattform diese über eine strukturierte Pipeline. Dies umfasst die Validierung von Dateiformaten und -größen, die Größenänderung von Bildern bei Bedarf, das Parsen von Annotationen und das Generieren von Datensatzstatistiken.

Videos werden beispielsweise in Frames konvertiert, damit sie für das Training verwendet werden können, während Bilder optimiert und für ein einfacheres Browsen und Analysieren vorbereitet werden. Nach der Verarbeitung sind die Datensätze bereit für Annotation, Analyse und Modelltraining innerhalb der Plattform.

Link to this sectionDatenannotation auf der Ultralytics Platform#

Nach dem Hochladen können Datensätze direkt innerhalb der Plattform überprüft und annotiert werden. Die Plattform enthält integrierte Tools zur Bildannotation für eine Reihe von Computer-Vision-Aufgaben, wie Objekterkennung, Instanzsegmentierung, Pose-Schätzung, OBB-Erkennung (Oriented Bounding Box) und Bildklassifizierung.

Abb. 2. Verwendung der Ultralytics Platform für das Daten-Labeling (Quelle)

Annotationen können manuell mit diesen Tools erstellt oder mit KI-gestützten Funktionen wie der SAM-basierten Smart-Annotation beschleunigt werden. Mit SAM kannst du durch Interaktion mit dem Bild Masken, Begrenzungsrahmen oder orientierte Boxen generieren, was den Labeling-Prozess beschleunigt und gleichzeitig die Genauigkeit beibehält.

Link to this sectionAnalyse der Datensatzqualität durch die Ultralytics Platform#

Neben der Vorbereitung und Annotation von Daten ist das Verständnis der Datensatzqualität für den Bau zuverlässiger Computer-Vision-Modelle unerlässlich. Ohne klare Sicht auf Faktoren wie Klassenverteilung, Annotationsqualität, Datensatz-Splits und wie Daten unter verschiedenen Bedingungen repräsentiert sind, kann es schwierig sein, Probleme zu erkennen, die die Modellleistung beeinträchtigen.

Die Ultralytics Platform enthält integrierte Funktionen, um Datensätze effektiver zu analysieren. Diese Erkenntnisse sind direkt innerhalb der Datensatzoberfläche über Reiter wie Bilder, Klassen und Diagramme verfügbar.

Im Reiter Diagramme kannst du Statistiken auf Datensatzebene einsehen, wie etwa die Split-Verteilung (Training, Validierung und Test), Klassenhäufigkeit und Annotations-Heatmaps, die zeigen, wo Objekte innerhalb von Bildern erscheinen.

Der Reiter Klassen bietet eine Aufschlüsselung der Annotationsanzahl pro Klasse, was es einfacher macht, Klassenungleichgewichte zu erkennen. Der Reiter Bilder hingegen zeigt Details auf Bildebene wie Abmessungen, Annotationsanzahl und wie Labels über einzelne Bilder verteilt sind.

Diese Erkenntnisse erleichtern es, Probleme wie Klassenungleichgewichte, fehlende Szenarien oder eine ungleichmäßige Datenverteilung zu identifizieren. Beispielsweise könntest du feststellen, dass bestimmte Klassen nur sehr wenige Beispiele haben oder dass die meisten Annotationen in bestimmten Bereichen eines Bildes konzentriert sind.

Über die Datenanalyse hinaus unterstützt die Plattform Datensatzkuratierung und -augmentation, was bedeutet, Datensätze durch das Beheben oder Entfernen problematischer Daten zu verfeinern und Variationen existierender Daten zu erstellen, um die Modellleistung zu verbessern. Diese Verbesserungen können direkt innerhalb der Plattform vorgenommen werden, indem Annotationen aktualisiert, neue Daten hinzugefügt oder Datensatz-Splits basierend auf Erkenntnissen aus der Analyse neu organisiert werden.

Link to this sectionExportieren von Datensätzen von der Ultralytics Platform#

Sobald ein Datensatz vorbereitet und validiert ist, kann er zur Verwendung in verschiedenen Umgebungen exportiert werden. Dies gibt dir die Flexibilität, deine Computer-Vision-Daten überall dort zu nutzen, wo du möchtest – sei es beim Trainieren von Modellen lokal, in der Cloud oder in anderen Tools und Arbeitsabläufen.

Die Ultralytics Platform unterstützt mehrere Exportformate, einschließlich YOLO, COCO und NDJSON, wodurch es einfach ist, Datensätze in verschiedene Trainings-Workflows und Tools zu integrieren.

Abb. 3. Exportieren eines Datensatzes von der Ultralytics Platform (Quelle)

Das Exportieren eines Datensatzes erstellt einen festen Snapshot der Daten zu einem bestimmten Zeitpunkt, einschließlich der Bilder, Annotationen und Struktur. Dies ist nützlich, da sich Datensätze oft ändern, wenn neue Daten hinzugefügt, Annotationen aktualisiert oder Splits angepasst werden. Durch den Export eines Snapshots kannst du die exakte Version des Datensatzes bewahren, die für einen bestimmten Trainingslauf verwendet wurde.

Dies macht es einfacher, Ergebnisse später zu reproduzieren, da du ein Modell erneut auf derselben Dateneinrichtung trainieren und die Leistung über verschiedene Datensatzversionen hinweg vergleichen kannst. Du kannst beispielsweise bewerten, ob das Hinzufügen neuer Bilder oder das Beheben von Annotationen die Modellgenauigkeit tatsächlich verbessert, anstatt zu raten, was sich geändert hat.

Exporte werden asynchron gehandhabt, und sobald sie bereit sind, können die Datensätze heruntergeladen und in lokalen, Cloud- oder Offline-Trainingsumgebungen verwendet werden.

Link to this sectionVerbesserung der Datensatzqualität durch Iterationen auf der Ultralytics Platform#

In Workflows für Machine Learning und Deep Learning setzt sich das Datensatzmanagement auch nach der Bereitstellung fort, da sich reale Daten oft von den beim Training verwendeten Daten unterscheiden.

Wenn Modelle auf neue Eingaben stoßen, werden Lücken im Datensatz – wie fehlende Bedingungen (z. B. Umgebungen mit schlechten Lichtverhältnissen, unterschiedliche Kamerawinkel, Verdeckungen oder Menschenmengen) sowie Annotationsfehler – deutlicher, was es notwendig macht, die Daten im Laufe der Zeit zu verfeinern.

Es gibt mehrere Möglichkeiten, einen Datensatz zu verbessern. Du kannst neue Bilder oder Videos hinzufügen, um fehlende Bedingungen abzudecken, wie Umgebungen mit schlechten Lichtverhältnissen, unterschiedliche Kamerawinkel, Verdeckungen oder Menschenmengen, was hilft, blinde Flecken in den Daten zu reduzieren.

Gleichzeitig hilft es dem Modell, zuverlässigere Muster zu lernen, wenn sichergestellt ist, dass Annotationen präzise und konsistent sind, wie etwa korrekt gelabelte Objekte und exakte Begrenzungsrahmen oder Masken.

Dies folgt typischerweise einer einfachen Schleife: das Modell trainieren, die Ergebnisse bewerten, Fehler identifizieren, den Datensatz verbessern und erneut trainieren. Jeder Schritt hilft dabei, Probleme wie fehlerhafte Annotationen, fehlende Daten oder unterrepräsentierte Fälle aufzuzeigen.

Angenommen, du arbeitest an einem Echtzeit-Regalüberwachungssystem für den Einzelhandel, das zur Erkennung von Produkten in Geschäften verwendet wird. Frühe Versionen des Datensatzes enthalten möglicherweise bestimmte Produkttypen, Lichtverhältnisse oder überfüllte Regalarrangements nicht. Während der Bewertung stellst du möglicherweise fest, dass das Modell Schwierigkeiten hat, Artikel in diesen Situationen zu erkennen.

Um die Leistung zu verbessern, kannst du neue Bilder sammeln, die diese fehlenden Szenarien abdecken, und Annotationen bei Bedarf aktualisieren. Durch die Wiederholung dieses Prozesses im Laufe der Zeit wird das Modell genauer und zuverlässiger unter realen Bedingungen.

Die Ultralytics Platform unterstützt diesen Workflow durch die Verbindung von Datensatz-Updates mit Training und Bewertung. Mit integriertem Experiment-Tracking und Leistungsmetriken wird es einfacher, Fortschritte zu überwachen und Datensätze im Laufe der Zeit kontinuierlich zu verbessern.

Link to this sectionVerfolgung von Datensatzänderungen mittels Ultralytics Platform#

Wir haben kurz besprochen, wie sich Datensätze im Laufe der Zeit als Teil des Modellentwicklungsprozesses weiterentwickeln. Wenn neue Daten hinzugefügt, Annotationen verfeinert und Klassen aktualisiert werden, wird das Nachverfolgen dieser Änderungen zum Schlüssel für die Aufrechterhaltung der Datenqualität und die Sicherstellung einer konsistenten Modellleistung.

Hier sind einige der wichtigsten Funktionen der Ultralytics Platform, die Datensatz-Tracking und Versionskontrolle unterstützen:

• Datensatz-Versionierung: Du kannst feste Datensatzversionen als NDJSON-Snapshots erstellen. Jede Version erfasst wichtige Details wie Bildanzahl, Klassenanzahl, Annotationsanzahl und Datensatzgröße zu einem bestimmten Zeitpunkt. Diese Versionen werden gespeichert und können später heruntergeladen werden, was es einfacher macht, Experimente zu reproduzieren und Ergebnisse über verschiedene Datensatzstatus hinweg zu vergleichen.
• Reiter Versionen: Alle Datensatzversionen sind im Reiter Versionen organisiert, wo du den Versionsverlauf einsehen, Beschreibungen zu Änderungen hinzufügen und verfolgen kannst, wie sich der Datensatz im Laufe der Zeit entwickelt.
• Verknüpfung mit Modellen: Der Reiter Modelle zeigt alle Modelle, die mit einem Datensatz trainiert wurden, einschließlich Metriken wie mAP und Trainingsdetails. Datensatzversionen sind an Trainingsläufe gebunden, was dir hilft zu verstehen, wie sich Änderungen in den Daten auf die Modellleistung auswirken.
• Reiter Fehler: Der Reiter Fehler hebt Dateien hervor, die während der Verarbeitung fehlgeschlagen sind, zusammen mit Fehlerdetails und Vorschlägen. Dies ermöglicht es dir, Probleme wie beschädigte Dateien oder nicht unterstützte Formate vor dem Training zu identifizieren und zu beheben.
• Datensatzoberfläche (Reiter Bilder und Klassen): Diese Ansichten ermöglichen es dir, Bilder zu durchsuchen, Annotationen zu überprüfen, Klassen-Labels zu verwalten und die Klassenverteilung zu analysieren. Funktionen wie Filtern, Sortieren und das Identifizieren nicht annotierter Bilder machen es einfacher, die Datensatzqualität im Laufe der Zeit zu überwachen.
• Statistiken und Diagramme: Integrierte Datenvisualisierungen wie Split-Verteilung, Klassenhäufigkeit und Annotations-Heatmaps helfen dabei, Änderungen in der Datenverteilung zu verfolgen und Ungleichgewichte zu identifizieren, während sich der Datensatz weiterentwickelt.

Abb. 4. Ein Blick auf die Analyse der Klassenverteilung eines Datensatzes auf der Ultralytics Platform (Quelle)

Link to this sectionVerknüpfung von Datensätzen mit Training und Bereitstellung innerhalb der Ultralytics Platform#

Die Ultralytics Platform verbindet verschiedene Stadien der KI-Modellentwicklung in einer einzigen Pipeline. Dies rationalisiert den Prozess vom Rohdatensatz bis hin zu produktionsreifen Vision-AI-Anwendungen.

Sobald Datensätze vorbereitet und annotiert sind, können sie verwendet werden, um Computer-Vision-Modelle wie Ultralytics YOLO26 direkt innerhalb der Plattform zu trainieren. Während des Trainings kannst du Leistungsmetriken überwachen, Experimente verfolgen und mithilfe integrierter Dashboards bewerten, wie gut das Modell lernt.

Abb. 5. Ein flüchtiger Blick auf das Anzeigen von Modelltrainingsmetriken auf der Ultralytics Platform (Quelle)

Nach dem Training können Modelle direkt im Browser an neuen Bildern getestet werden, um Vorhersagen zu bewerten und Bereiche für Verbesserungen vor der Bereitstellung zu identifizieren. Wenn das Modell gut funktioniert, kann es in die Produktion überführt werden.

Die Plattform unterstützt den Export von Modellen in mehrere Formate oder deren Bereitstellung über Inferenzdienste und dedizierte Endpunkte, wodurch sie in verschiedenen Umgebungen ausgeführt werden können.

Nach der Bereitstellung helfen integrierte Überwachungstools dabei, die Systemleistung im Laufe der Zeit zu verfolgen, einschließlich Metriken zur Nutzung und zum Modellverhalten. Dies macht es unkomplizierter, Vision-AI-Systeme in realen Anwendungen zu warten und zu verbessern.

Link to this sectionBewährte Methoden für das Datensatzmanagement mit der Ultralytics Platform#

Hier sind einige Schlüsselfaktoren, die du bei der Verwaltung deiner Datensätze mit der Ultralytics Platform beachten solltest:

• Verwende Filter, um Lücken zu finden: Identifiziere nicht gelabelte oder unterrepräsentierte Daten mithilfe von Filtertools, um das Vervollständigen von Annotationen und die Verbesserung der Abdeckung nahtloser zu gestalten.
• Behebe Fehler frühzeitig: Nutze den Reiter Fehler zur Qualitätskontrolle, um fehlgeschlagene Uploads, beschädigte Dateien oder nicht unterstützte Formate vor dem Training zu finden.
• Aktualisiere Datensätze kontinuierlich: Füge neue Daten hinzu, korrigiere Annotationen und beziehe Randfälle mit ein, sobald sie auftreten. Dies hilft, die Abdeckung zu verbessern und stellt sicher, dass Modelle in realen Szenarien zuverlässig funktionieren.
• Verwalte Datensatz-Splits sorgfältig: Stelle ein gutes Gleichgewicht zwischen Trainings-, Validierungs- und Testsets sicher. Du kannst Splits manuell neu organisieren oder bei Bedarf die automatische Umverteilung nutzen.

Um mehr über die Ultralytics Platform zu erfahren, sieh dir die offizielle Ultralytics-Dokumentation an.

Link to this sectionWichtige Erkenntnisse#

Mit der Skalierung von Computer-Vision-Projekten wird die effektive Verwaltung von Datensätzen genauso wichtig wie die Modellentwicklung selbst. Ein strukturierter Ansatz für das Datensatzmanagement hilft dabei, die Datenqualität zu verbessern, Workflows zu rationalisieren und die Modellleistung im Laufe der Zeit zu unterstützen.

Die Ultralytics Platform vereinfacht diesen Prozess, indem sie Datensatzmanagement, Training und Bereitstellung in einem einzigen Arbeitsablauf zusammenführt. Durch einen strukturierten Ansatz für das Datensatzmanagement können Teams Komplexität reduzieren, die Effizienz steigern und skalierbare sowie verlässliche Computer-Vision-Systeme aufbauen.

Tritt unserer wachsenden Community bei und erkunde unser GitHub-Repository für KI-Ressourcen. Um heute mit Vision AI zu bauen, sieh dir unsere Lizenzoptionen an. Erfahre auf unseren Lösungsseiten, wie KI in der Landwirtschaft die Landwirtschaft transformiert und wie Vision AI im Gesundheitswesen die Zukunft gestaltet.