Intelligente Datensatzverwaltung für Computer Vision mit der Ultralytics Platform

Vision AI oder Computer Vision hat seit den Anfängen große Fortschritte gemacht 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.

Wenn diese Anwendungen jedoch von der Experimentierphase in die Produktion übergehen, bleibt die Verwaltung von Datensätzen eine wichtige und häufig unterschätzte Herausforderung. Da Computer-Vision-Datensätze an Umfang und Komplexität zunehmen, fällt es Teams oft schwer, konsistente Annotationen zu gewährleisten, Änderungen über verschiedene Versionen hinweg nachzuverfolgen und die allgemeine Datenqualität sicherzustellen.

Selbst hochmoderne Modelle können in realen Umgebungen unzureichende Ergebnisse liefern, wenn die Daten, mit denen sie trainiert wurden, unvollständig, unausgewogen oder schlecht verwaltet sind. Diese zunehmende Lücke zwischen der Leistung in der Entwicklung und der Zuverlässigkeit in der Praxis macht einen strukturierteren Ansatz für die Datensatzverwaltung erforderlich.

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 bei Vision AI wie der Datensatzverwaltung und fragmentierten Arbeitsabläufen zu beseitigen, haben wir kürzlich die Ultralytics Platform eingeführt. Sie ist ein durchgängiger Arbeitsbereich, der Datensatzverwaltung, Annotation, Training, Bereitstellung und Überwachung in einem einheitlichen Arbeitsablauf zusammenführt.

Durch die Verbindung aller Phasen des Computer-Vision-Lebenszyklus wird es einfacher, Änderungen an Datensätzen nachzuverfolgen, die Leistung verschiedener Versionen zu vergleichen und deine Daten kontinuierlich zu verbessern, um bessere Ergebnisse zu erzielen.

Abb. 1. Beispiel für die Anzeige deiner Datensatzbilder in der Ultralytics Platform (Quelle)

In diesem Artikel zeigen wir dir, wie die Ultralytics Platform dich dabei unterstützt, deine Datensätze nachzuverfolgen, zu vergleichen und zu verbessern, um zuverlässigere Computer-Vision-Modelle zu erstellen. Legen wir los!

Die Bedeutung der Datensatzverwaltung für Computer Vision#

Die Leistung eines Computer-Vision-Modells hängt eng mit den Daten zusammen, mit denen es trainiert wird. Die Modellgenauigkeit, also wie oft Vorhersagen korrekt sind, hängt nicht nur vom Algorithmus ab, sondern auch davon, wie gut der Datensatz die Bedingungen der realen Welt abbildet.

Einfach ausgedrückt lernt ein Modell Muster direkt aus den Daten. Daher können Lücken, Verzerrungen oder Inkonsistenzen im Datensatz beeinflussen, wie es Vorhersagen trifft. Anders gesagt können minderwertige Daten, fehlerhafte Annotationen oder eine unzureichende Abdeckung realer Bildvarianten – etwa unterschiedlicher Lichtverhältnisse, Objektwinkel, Hintergründe oder Verdeckungsgrade – die Genauigkeit deutlich verringern, selbst wenn die Modellarchitektur leistungsfähig ist.

Das gilt auch für die Feinabstimmung eines Modells, bei der ein vortrainiertes Modell mit neuen oder aktualisierten Daten weitertrainiert wird, damit es sich besser an einen bestimmten Anwendungsfall oder eine bestimmte Umgebung anpasst. Da die Modellgenauigkeit so stark von den Daten abhängt, ist eine ordnungsgemäße Verwaltung dieser Daten unverzichtbar.

Zur Datensatzverwaltung gehören das Organisieren, Beschriften und kontinuierliche Aktualisieren von Daten, damit sie korrekt und relevant bleiben. Dadurch lässt sich die Leistung im Laufe der Zeit leichter verbessern, insbesondere beim erneuten Training oder bei der Feinabstimmung von Modellen mit neuen Daten.

Wie sich die Datensatzqualität auf die Zuverlässigkeit in der Praxis auswirkt#

Anwendungsfälle für Computer Vision, etwa Sicherheitsüberwachungssysteme, zeigen anschaulich, warum eine sorgfältige Datenverwaltung entscheidend ist. Diese Systeme müssen unter verschiedensten realen Bedingungen zuverlässig funktionieren, darunter unterschiedliche Lichtverhältnisse, Kamerawinkel, Auslastungsgrade und teilweise Verdeckungen.

Wenn die Trainingsdaten diese Varianten nicht abdecken oder nicht ausreichend vielfältig sind, was das Erscheinungsbild von Objekten in unterschiedlichen Szenen und unter verschiedenen Bedingungen betrifft, kann das Modell Schwierigkeiten haben, Objekte zuverlässig zu erkennen. Ein Modell, das beispielsweise überwiegend mit gut ausgeleuchteten, übersichtlichen Szenen trainiert wurde, kann bei schlechten Lichtverhältnissen oder in überfüllten Umgebungen schwache Ergebnisse liefern. In Sicherheitssystemen kann dies zu übersehenen Ereignissen oder Fehlalarmen führen.

Um dies zu vermeiden, ist es wichtig, Datensätze zu pflegen, die nicht nur sauber und korrekt beschriftet, sondern auch ausgewogen und kontinuierlich aktualisiert sind. Dazu gehört, Lücken in den Daten zu erkennen, bei veränderten Bedingungen neue Beispiele hinzuzufügen und sicherzustellen, dass verschiedene Klassen und Umgebungen gleichmäßig vertreten sind.

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

Wichtige Aspekte der Datensatzverwaltung#

Wie sieht Datensatzverwaltung also konkret aus? Sie umfasst das Organisieren, Beschriften und Pflegen von Daten, damit diese während des gesamten Entwicklungsprozesses eines Modells effektiv genutzt werden können.

Das Organisieren von Daten umfasst beispielsweise die Strukturierung des Datensatzes und seine Aufteilung in Trainings-, Validierungs- und Testdaten. Der Trainingsdatensatz wird verwendet, um dem Modell etwas beizubringen, der Validierungsdatensatz dient dazu, die Leistung zu überwachen und während der Entwicklung Anpassungen zu steuern, und der Testdatensatz wird verwendet, um zu bewerten, wie gut das fertige Modell mit vollständig unbekannten Daten funktioniert.

Beim Beschriften werden Bilder unter anderem mit Klassenbezeichnungen, Begrenzungsrahmen oder Segmentierungsmasken annotiert. Da das Modell aus diesen Annotationen lernt, sind Genauigkeit und Konsistenz entscheidend, damit es aussagekräftige Muster erlernt und zuverlässige Vorhersagen trifft.

Darüber hinaus umfasst die Pflege des Datensatzes die regelmäßige Überprüfung und Aktualisierung der Daten. Dazu können das Beheben von Annotationsfehlern, das Entfernen minderwertiger oder doppelter Daten sowie das Hinzufügen neuer Beispiele gehören, um fehlende Fälle oder veränderte Bedingungen abzudecken.

Allgemeiner betrachtet ist Datensatzverwaltung ein fortlaufender Prozess. Wenn Modelle bewertet und neue Daten erfasst werden, müssen Datensätze aktualisiert werden, damit sie reale Bedingungen und Sonderfälle widerspiegeln. Die Nachverfolgung dieser Aktualisierungen und der Vergleich verschiedener Versionen helfen Teams zu verstehen, was die Leistung verbessert und an welchen Stellen weitere Änderungen erforderlich sind.

Datensätze mit der Ultralytics Platform verwalten#

Die Ultralytics Platform bietet einen strukturierten Arbeitsablauf für die Verwaltung von Datensätzen in einer einzigen Umgebung – von der Datenvorbereitung bis zum Export. Sie unterstützt sowohl einzelne Entwickler als auch Teams und erleichtert eine konsistente Datensatzverwaltung, unabhängig davon, ob du selbstständig arbeitest oder projektübergreifend zusammenarbeitest.

Jede Phase ist darauf ausgelegt, die Organisation, Verarbeitung und Nutzung von Datensätzen während des gesamten Entwicklungslebenszyklus eines Modells zu vereinfachen. Indem diese Schritte an einem Ort zusammengeführt werden, verringert die Plattform die Fragmentierung und erleichtert die Wahrung der Konsistenz über verschiedene Arbeitsabläufe hinweg.

Sehen wir uns nun die wichtigsten Schritte und die Unterstützung an, die die Plattform dabei jeweils bietet.

Datensätze in die Ultralytics Platform hochladen#

Der Einstieg in die Datensatzverwaltung auf der Plattform ist flexibel, da du Daten auf verschiedene Arten hinzufügen oder wiederverwenden kannst. Du kannst eigene Daten hochladen oder schneller mit öffentlichen Datensätzen beginnen, die über die Plattform verfügbar sind. Außerdem kannst du vorhandene, von der Community geteilte Datensätze klonen und darauf aufbauen.

Die Community-Funktionen der Plattform erleichtern das Erkunden und Wiederverwenden vorhandener Arbeiten. Mit Zugriff auf Datensätze anderer Nutzer, darunter Millionen von Bildern und Annotationen, kannst du schnell loslegen, ohne alles selbst erfassen und beschriften zu müssen. Beim Klonen eines Datensatzes wird eine Kopie in deinem Arbeitsbereich erstellt, die du ändern und erweitern kannst, während das Original erhalten bleibt.

Für Uploads unterstützt die Plattform einzelne Bilder, Videos und Datensatzarchive wie ZIP-, TAR- oder GZ-Dateien. Außerdem werden verbreitete Datensatzformate wie YOLO und COCO unterstützt, sodass du vorhandene Datensätze und Annotationen ohne zusätzliche Konvertierung importieren kannst. Darüber hinaus kannst du einen Datensatz mithilfe einer aus der Plattform exportierten NDJSON-Datei hochladen und Datensätze so nahtlos in verschiedenen Projekten neu erstellen oder wiederverwenden.

Nach dem Hochladen werden die Daten in der Plattform über eine strukturierte Pipeline verarbeitet. Dazu gehören die Validierung von Dateiformaten und -größen, das bedarfsgerechte Ändern der Bildgröße, das Parsen von Annotationen und das Erstellen von Datensatzstatistiken.

Videos werden beispielsweise in Einzelbilder umgewandelt, damit sie für das Training verwendet werden können, während Bilder optimiert und für eine einfachere Anzeige und Analyse vorbereitet werden. Nach der Verarbeitung sind die Datensätze innerhalb der Plattform für Annotation, Analyse und Modelltraining bereit.

Datenannotation mit der Ultralytics Platform#

Nach dem Hochladen können Datensätze direkt in der Plattform überprüft und annotiert werden. Die Plattform enthält integrierte Tools zur Bildannotation für verschiedene Computer-Vision-Aufgaben wie Objekterkennung, Instanzsegmentierung, Posenschätzung, Erkennung orientierter Begrenzungsrahmen (OBB) und Bildklassifizierung.

Abb. 2. Die Ultralytics Platform zur Datenbeschriftung verwenden (Quelle)

Annotationen können manuell mit diesen Tools erstellt oder mithilfe KI-gestützter Funktionen wie der intelligenten Annotation mit SAM beschleunigt werden. Mit SAM kannst du durch Interaktionen mit dem Bild Masken, Begrenzungsrahmen oder orientierte Rahmen erzeugen. Dadurch wird der Beschriftungsprozess beschleunigt und gleichzeitig die Genauigkeit gewahrt.

Datensatzqualität mit der Ultralytics Platform analysieren#

Neben der Vorbereitung und Annotation von Daten ist das Verständnis der Datensatzqualität entscheidend für die Erstellung zuverlässiger Computer-Vision-Modelle. Ohne klare Einblicke in Faktoren wie Klassenverteilung, Annotationsqualität, Datensatzaufteilung und die Darstellung von Daten unter verschiedenen Bedingungen kann es schwierig sein, Probleme zu erkennen, die sich auf die Modellleistung auswirken.

Die Ultralytics Platform bietet integrierte Funktionen, mit denen du Datensätze effektiver analysieren kannst. Diese Erkenntnisse sind direkt in der Datensatzoberfläche verfügbar, unter anderem in den Tabs „Images“, „Classes“ und „Charts“.

Im Tab „Charts“ kannst du Statistiken auf Datensatzebene anzeigen, etwa die Verteilung der Aufteilungen (Training, Validierung und Test), die Klassenhäufigkeit und Annotations-Heatmaps, die zeigen, wo Objekte innerhalb von Bildern vorkommen.

Der Tab „Classes“ bietet eine Aufschlüsselung der Anzahl der Annotationen pro Klasse und erleichtert so das Erkennen einer unausgewogenen Klassenverteilung. Der Tab „Images“ zeigt dagegen Details auf Bildebene wie Abmessungen, die Anzahl der Annotationen und die Verteilung der Bezeichnungen über die einzelnen Bilder hinweg.

Diese Erkenntnisse erleichtern das Erkennen von Problemen wie einer unausgewogenen Klassenverteilung, fehlenden Szenarien oder einer ungleichmäßigen Datenverteilung. Du stellst beispielsweise möglicherweise fest, dass bestimmte Klassen nur sehr wenige Beispiele haben oder dass sich die meisten Annotationen auf bestimmte Bereiche eines Bildes konzentrieren.

Neben der Datenanalyse unterstützt die Plattform die Datensatzkuratierung und -erweiterung. Das bedeutet, Datensätze durch das Beheben oder Entfernen problematischer Daten zu verfeinern und Varianten vorhandener Daten zu erstellen, um die Modellleistung zu verbessern. Diese Verbesserungen können direkt in der Plattform vorgenommen werden, indem du Annotationen aktualisierst, neue Daten hinzufügst oder Datensatzaufteilungen auf Grundlage der Analyseergebnisse neu organisierst.

Datensätze aus der Ultralytics Platform exportieren#

Sobald ein Datensatz vorbereitet und validiert ist, kann er für die Verwendung in verschiedenen Umgebungen exportiert werden. Dadurch kannst du deine Computer-Vision-Daten dort verwenden, wo es für dich am besten passt – ob du Modelle lokal, in der Cloud oder mit anderen Tools und Arbeitsabläufen trainierst.

Die Ultralytics Platform unterstützt mehrere Exportformate, darunter YOLO, COCO und NDJSON. Dadurch lassen sich Datensätze einfach in verschiedene Trainingsabläufe und Tools integrieren.

Abb. 3. Einen Datensatz aus der Ultralytics Platform exportieren (Quelle)

Beim Export eines Datensatzes wird eine unveränderliche Momentaufnahme der Daten zu einem bestimmten Zeitpunkt erstellt, einschließlich der Bilder, Annotationen und Struktur. Das ist nützlich, da sich Datensätze häufig ändern, wenn neue Daten hinzukommen, Annotationen aktualisiert oder Aufteilungen angepasst werden. Durch den Export einer Momentaufnahme kannst du genau die Version des Datensatzes bewahren, die für einen bestimmten Trainingslauf verwendet wurde.

Dadurch lassen sich Ergebnisse später leichter reproduzieren, da du ein Modell erneut mit derselben Datenkonfiguration trainieren und die Leistung verschiedener Datensatzversionen vergleichen kannst. So kannst du beispielsweise bewerten, ob das Hinzufügen neuer Bilder oder das Beheben von Annotationen die Modellgenauigkeit tatsächlich verbessert, statt lediglich zu vermuten, was sich geändert hat.

Exporte werden asynchron verarbeitet. Sobald sie bereitstehen, können Datensätze heruntergeladen und in lokalen, Cloud- oder Offline-Trainingsumgebungen verwendet werden.

Datensatzqualität durch Iterationen in der Ultralytics Platform verbessern#

In Arbeitsabläufen für maschinelles Lernen und Deep Learning wird die Datensatzverwaltung auch nach der Bereitstellung fortgesetzt, da reale Daten oft von den für das Training verwendeten Daten abweichen.

Wenn Modelle auf neue Eingaben treffen, werden Lücken im Datensatz – etwa fehlende Bedingungen wie schlechte Lichtverhältnisse, andere Kamerawinkel, Verdeckungen oder überfüllte Szenen – sowie Annotationsfehler deutlicher. Dadurch wird es notwendig, 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 wie schlechte Lichtverhältnisse, andere Kamerawinkel, Verdeckungen oder überfüllte Szenen abzudecken und so blinde Flecken in den Daten zu verringern.

Gleichzeitig hilft die Sicherstellung genauer und konsistenter Annotationen, etwa korrekt beschrifteter Objekte sowie präziser Begrenzungsrahmen oder Masken, dem Modell, zuverlässigere Muster zu erlernen.

Dies folgt typischerweise einer einfachen Schleife: Modell trainieren, Ergebnisse bewerten, Fehler identifizieren, Datensatz verbessern und erneut trainieren. Jeder Schritt hilft dabei, Probleme wie fehlerhafte Annotationen, fehlende Daten oder unzureichend vertretene Fälle sichtbar zu machen.

Nehmen wir an, du arbeitest an einem Echtzeitüberwachungssystem für Verkaufsregale, das Produkte in Geschäften erkennen soll. Frühere Versionen des Datensatzes enthalten möglicherweise bestimmte Produkttypen, Lichtverhältnisse oder dicht bestückte Regalanordnungen nicht. Bei der Bewertung stellst du eventuell fest, dass das Modell Schwierigkeiten hat, Artikel in diesen Situationen zu erkennen.

Um die Leistung zu verbessern, kannst du neue Bilder erfassen, die diese fehlenden Szenarien abdecken, und die Annotationen bei Bedarf aktualisieren. Wenn du diesen Prozess im Laufe der Zeit wiederholst, wird das Modell unter realen Bedingungen genauer und zuverlässiger.

Die Ultralytics Platform unterstützt diesen Arbeitsablauf, indem sie Datensatzaktualisierungen mit Training und Bewertung verknüpft. Mit integrierter Experimentverfolgung und Leistungsmetriken wird es einfacher, den Fortschritt zu überwachen und Datensätze kontinuierlich zu verbessern.

Änderungen an Datensätzen mit der Ultralytics Platform nachverfolgen#

Wir haben kurz besprochen, wie sich Datensätze als Teil des Modellentwicklungsprozesses im Laufe der Zeit verändern. Wenn neue Daten hinzukommen, Annotationen verfeinert und Klassen aktualisiert werden, ist die Nachverfolgung dieser Änderungen entscheidend für die Aufrechterhaltung der Datenqualität und eine konsistente Modellleistung.

Hier sind einige der wichtigsten Funktionen der Ultralytics Platform, die die Datensatzverfolgung und Versionskontrolle unterstützen:

• Datensatzversionierung: Du kannst feste Datensatzversionen als NDJSON-Momentaufnahmen erstellen. Jede Version erfasst wichtige Details wie Bildanzahl, Klassenanzahl, Anzahl der Annotationen und Datensatzgröße zu einem bestimmten Zeitpunkt. Diese Versionen werden gespeichert und können später heruntergeladen werden, wodurch sich Experimente leichter reproduzieren und Ergebnisse über verschiedene Zustände des Datensatzes hinweg vergleichen lassen.
• Tab „Versions“: Alle Datensatzversionen sind im Tab „Versions“ organisiert. Dort kannst du den Versionsverlauf anzeigen, Änderungen beschreiben und verfolgen, wie sich der Datensatz im Laufe der Zeit entwickelt.
• Verknüpfung mit Modellen: Der Tab „Models“ zeigt alle Modelle, die mit einem Datensatz trainiert wurden, einschließlich Metriken wie mAP und Trainingsdetails. Datensatzversionen sind mit Trainingsläufen verknüpft. So kannst du nachvollziehen, wie sich Änderungen an den Daten auf die Modellleistung auswirken.
• Tab „Errors“: Der Tab „Errors“ hebt Dateien hervor, bei denen während der Verarbeitung Fehler aufgetreten sind, und zeigt die entsprechenden Details und Vorschläge an. So kannst du Probleme wie beschädigte Dateien oder nicht unterstützte Formate vor dem Training erkennen und beheben.
• Datensatzoberfläche (Tabs „Images“ und „Classes“): In diesen Ansichten kannst du Bilder durchsuchen, Annotationen überprüfen, Klassenbezeichnungen verwalten und die Klassenverteilung analysieren. Funktionen wie Filtern, Sortieren und das Erkennen nicht annotierter Bilder erleichtern die Überwachung der Datensatzqualität im Laufe der Zeit.
• Statistiken und Diagramme: Integrierte Datenvisualisierungen wie die Verteilung der Aufteilungen, die Klassenhäufigkeit und Annotations-Heatmaps helfen dabei, Änderungen in der Datenverteilung zu verfolgen und Ungleichgewichte zu erkennen, während sich der Datensatz weiterentwickelt.

Abb. 4. Analyse der Klassenverteilung eines Datensatzes in der Ultralytics Platform (Quelle)

Datensätze in der Ultralytics Platform mit Training und Bereitstellung verknüpfen#

Die Ultralytics Platform verbindet verschiedene Phasen der Entwicklung von KI-Modellen in einer einzigen Pipeline. Dadurch wird der Weg von Rohdaten zu produktionsreifen Vision-AI-Anwendungen effizienter.

Sobald Datensätze vorbereitet und annotiert sind, können sie direkt in der Plattform zum Trainieren von Computer-Vision-Modellen wie Ultralytics YOLO26 verwendet werden. Während des Trainings kannst du Leistungsmetriken überwachen, Experimente verfolgen und mithilfe integrierter Dashboards bewerten, wie gut das Modell lernt.

Abb. 5. Einblick in die Anzeige von Modelltrainingsmetriken in der Ultralytics Platform (Quelle)

Nach dem Training können Modelle direkt im Browser mit neuen Bildern getestet werden, um Vorhersagen zu bewerten und vor der Bereitstellung Verbesserungsmöglichkeiten zu erkennen. Wenn das Modell gute Ergebnisse liefert, kann es in der Produktion eingesetzt werden.

Die Plattform unterstützt den Export von Modellen in mehrere Formate sowie ihre Bereitstellung über Inferenzdienste und dedizierte Endpunkte, sodass 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. Dadurch lassen sich Vision-AI-Systeme in realen Anwendungen einfacher warten und verbessern.

Bewährte Verfahren für die Datensatzverwaltung mit der Ultralytics Platform#

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

• Filter verwenden, um Lücken zu finden: Identifiziere nicht beschriftete oder unzureichend vertretene Daten mithilfe von Filterwerkzeugen. So kannst du Annotationen einfacher vervollständigen und die Abdeckung verbessern.
• Fehler frühzeitig beheben: Verwende den Tab „Errors“ zur Qualitätskontrolle, um fehlgeschlagene Uploads, beschädigte Dateien oder nicht unterstützte Formate vor dem Training zu erkennen.
• Datensätze kontinuierlich aktualisieren: Füge neue Daten hinzu, korrigiere Annotationen und ergänze Sonderfälle, sobald sie auftreten. Dadurch verbesserst du die Abdeckung und stellst sicher, dass Modelle in realen Szenarien zuverlässig funktionieren.
• Datensatzaufteilungen sorgfältig verwalten: Stelle ein ausgewogenes Verhältnis zwischen Trainings-, Validierungs- und Testdaten sicher. Bei Bedarf kannst du die Aufteilungen manuell neu organisieren oder automatisch neu verteilen lassen.

Weitere Informationen zur Ultralytics Platform findest du in der offiziellen Ultralytics-Dokumentation.

Wichtige Erkenntnisse#

Mit zunehmendem Umfang von Computer-Vision-Projekten wird eine effektive Datensatzverwaltung ebenso wichtig wie die Modellentwicklung. Ein strukturierter Ansatz für die Datensatzverwaltung trägt dazu bei, die Datenqualität zu verbessern, Arbeitsabläufe zu optimieren und die Modellleistung langfristig zu steigern.

Die Ultralytics Platform vereinfacht diesen Prozess, indem sie Datensatzverwaltung, Training und Bereitstellung in einem einzigen Arbeitsablauf zusammenführt. Mit einem strukturierten Ansatz für die Datensatzverwaltung können Teams die Komplexität verringern, die Effizienz steigern und skalierbarere sowie zuverlässigere Computer-Vision-Systeme entwickeln.

Werde Teil unserer wachsenden Community und erkunde unser GitHub-Repository mit Ressourcen für KI. Wenn du heute mit Vision AI entwickeln möchtest, sieh dir unsere Lizenzoptionen an. Erfahre, wie KI in der Landwirtschaft den Ackerbau verändert und wie Vision AI im Gesundheitswesen durch einen Besuch unserer Lösungsseiten die Zukunft gestaltet.