Die Bedeutung hochwertiger Computer-Vision-Datensätze

Bis 2019 war die Einführung von künstlicher Intelligenz (KI) in Unternehmen im Vergleich zu den vier Jahren zuvor um 270 % gestiegen. Dieses Wachstum hat die schnelle Integration von Computer Vision (CV)-Anwendungen vorangetrieben – KI-Systeme, die es Maschinen ermöglichen, visuelle Daten aus ihrer Umgebung zu interpretieren und zu analysieren. Diese Anwendungen treiben eine breite Palette von Technologien an, von der Erkennung von Krankheiten in der medizinischen Bildgebung und der Ermöglichung autonomer Fahrzeuge bis hin zur Optimierung des Verkehrsflusses im Transportwesen und der Verbesserung der Überwachung in Sicherheitssystemen.

Die bemerkenswerte Genauigkeit und die unübertroffene Leistung moderner Computer-Vision-Modelle, wie z. B. Ultralytics YOLO11, haben dieses exponentielle Wachstum maßgeblich vorangetrieben. Die Leistung dieser Modelle hängt jedoch stark von der Qualität und Quantität der Daten ab, die zum Training, zur Validierung und zum Testen der Modelle verwendet werden.

Ohne ausreichende, qualitativ hochwertige Daten kann es schwierig sein, Computer-Vision-Modelle effektiv zu trainieren und feinabzustimmen, um Industriestandards zu erfüllen. In diesem Artikel untersuchen wir die wichtige Rolle von Daten bei der Erstellung von Computer-Vision-Modellen und warum hochwertige Daten für Computer Vision so wichtig sind. Außerdem geben wir dir einige Tipps, die dir beim Erstellen hochwertiger Datensätze während des Trainings benutzerdefinierter Computer-Vision-Modelle helfen. Fangen wir an!

Link to this sectionDie Rolle von Daten beim Aufbau von Computer-Vision-Modellen#

Computer-Vision-Modelle können mit großen Datensätzen aus Bildern und Videos trainiert werden, um Muster zu erkennen und genaue Vorhersagen zu treffen. Ein Objekterkennungsmodell kann beispielsweise mit Hunderten oder sogar Tausenden von beschrifteten Bildern und Videos trainiert werden, um Objekte präzise zu identifizieren.

Die Qualität und Quantität dieser Trainingsdaten beeinflussen die Leistung des Modells.

Da Computer-Vision-Modelle nur aus den Daten lernen können, denen sie ausgesetzt sind, ist die Bereitstellung hochwertiger Daten und vielfältiger Beispiele entscheidend für ihren Erfolg. Ohne ausreichende und vielfältige Datensätze könnten diese Modelle reale Szenarien nicht genau analysieren und möglicherweise voreingenommene oder ungenaue Ergebnisse liefern.

Deshalb ist es wichtig, die Rolle von Daten beim Modelltraining genau zu verstehen. Bevor wir die Eigenschaften hochwertiger Daten durchgehen, wollen wir uns ansehen, auf welche Arten von Datensätzen du beim Training von Computer-Vision-Modellen stoßen kannst.

Link to this sectionArten von Computer-Vision-Datensätzen#

Im Bereich Computer Vision werden die im Trainingsprozess verwendeten Daten in drei Arten kategorisiert, von denen jede einen bestimmten Zweck erfüllt. Hier ist ein kurzer Überblick über jeden Typ:

• Trainingsdaten: Dies ist der primäre Datensatz, der verwendet wird, um das Modell von Grund auf zu trainieren. Er besteht aus Bildern und Videos mit vordefinierten Labels, die es dem Modell ermöglichen, Muster zu lernen und Objekte zu erkennen.
• Validierungsdaten: Dies ist ein Datensatz, der verwendet wird, um zu überprüfen, wie gut ein Modell während des Trainings abschneidet. Er hilft sicherzustellen, dass das Modell bei neuen, unbekannten Daten korrekt funktioniert.
• Testdaten: Ein separater Datensatz, der zur Bewertung der endgültigen Leistung eines trainierten Modells verwendet wird. Er überprüft, wie gut das Modell Vorhersagen für völlig neue, unbekannte Daten treffen kann.

Abb. 1. Wie Daten in der Computer Vision kategorisiert werden.

Link to this sectionDie 5 wichtigsten Merkmale hochwertiger Computer-Vision-Datensätze#

Unabhängig vom Datensatztyp sind hochwertige Daten entscheidend für den Aufbau erfolgreicher Computer-Vision-Modelle. Hier sind einige der wichtigsten Merkmale, die einen Datensatz hochwertig machen:

• Genauigkeit: Idealerweise sollten Daten reale Situationen genau widerspiegeln und korrekte Labels enthalten. Wenn es zum Beispiel um Vision KI im Gesundheitswesen geht, müssen Röntgenbilder oder Scans präzise beschriftet sein, damit das Modell richtig lernen kann.
• Vielfalt: Ein guter Datensatz enthält eine Vielzahl von Beispielen, die dem Modell helfen, in verschiedenen Situationen gut abzuschneiden. Wenn ein Modell beispielsweise lernt, Autos zu erkennen, sollte der Datensatz Autos in verschiedenen Formen, Größen und Farben in unterschiedlichen Umgebungen (Tag, Nacht, Regen usw.) enthalten.
• Konsistenz: Hochwertige Datensätze folgen einem einheitlichen Format und Qualitätsstandards. Zum Beispiel sollten Bilder ähnliche Auflösungen haben (nicht einige unscharf und andere scharf) und dieselben Vorverarbeitungsschritte durchlaufen, wie Größenanpassung oder Farbanpassungen, damit das Modell aus konsistenten Informationen lernt.
• Aktualität: Datensätze, die regelmäßig aktualisiert werden, können mit realen Veränderungen Schritt halten. Nehmen wir an, du trainierst ein Modell, um alle Arten von Fahrzeugen zu erkennen. Wenn neue Typen, wie Elektroroller, eingeführt werden, sollten diese dem Datensatz hinzugefügt werden, um sicherzustellen, dass das Modell genau und auf dem neuesten Stand bleibt.
• Datenschutz: Wenn ein Datensatz sensible Informationen enthält, wie z. B. Fotos von Personen, muss er Datenschutzregeln einhalten. Techniken wie Anonymisierung (Entfernen identifizierbarer Details) und Datenmaskierung (Verbergen sensibler Teile) können die Privatsphäre schützen und gleichzeitig die sichere Nutzung der Daten ermöglichen.

Link to this sectionHerausforderungen durch minderwertige Daten#

Es ist zwar wichtig, die Merkmale hochwertiger Daten zu kennen, aber es ist genauso wichtig zu berücksichtigen, wie sich minderwertige Daten auf deine Computer-Vision-Modelle auswirken können.

Probleme wie Overfitting und Underfitting können die Modellleistung erheblich beeinträchtigen. Overfitting tritt auf, wenn ein Modell bei Trainingsdaten gut abschneidet, bei neuen oder unbekannten Daten jedoch Schwierigkeiten hat, oft weil dem Datensatz Vielfalt fehlt. Underfitting hingegen tritt auf, wenn der Datensatz nicht genügend Beispiele oder Qualität bietet, damit das Modell aussagekräftige Muster lernen kann. Um diese Probleme zu vermeiden, ist es wichtig, vielfältige, unvoreingenommene und qualitativ hochwertige Datensätze beizubehalten, um eine zuverlässige Leistung sowohl beim Training als auch bei realen Anwendungen zu gewährleisten.

Abb. 2. Underfitting vs. Overfitting.

Minderwertige Daten können es Modellen auch erschweren, aussagekräftige Muster aus Rohdaten zu extrahieren und zu erlernen, ein Prozess, der als Merkmalsextraktion bekannt ist. Wenn der Datensatz unvollständig oder irrelevant ist oder es an Vielfalt mangelt, kann das Modell Schwierigkeiten haben, effektiv zu arbeiten.

Manchmal können minderwertige Daten das Ergebnis einer Datenvereinfachung sein. Die Vereinfachung von Daten kann helfen, Speicherplatz zu sparen und Verarbeitungskosten zu reduzieren, aber eine zu starke Vereinfachung kann wichtige Details entfernen, die das Modell benötigt, um gut zu funktionieren. Deshalb ist es so wichtig, während des gesamten Computer-Vision-Prozesses, von der Sammlung bis zur Bereitstellung, hochwertige Daten aufrechtzuerhalten. Als Faustregel gilt: Datensätze sollten wesentliche Merkmale enthalten und gleichzeitig vielfältig und genau bleiben, um zuverlässige Modellvorhersagen zu garantieren.

Abb. 3. Verständnis der Merkmalsextraktion.

Link to this sectionTipps zur Aufrechterhaltung der Qualität deines Computer-Vision-Datensatzes#

Nachdem wir die Bedeutung hochwertiger Daten und die Auswirkungen minderwertiger Daten verstanden haben, schauen wir uns an, wie du sicherstellen kannst, dass dein Datensatz hohe Standards erfüllt.

Alles beginnt mit einer zuverlässigen Datensammlung. Die Verwendung vielfältiger Quellen wie Crowdsourcing, Daten aus verschiedenen geografischen Regionen und die Generierung synthetischer Daten reduziert Voreingenommenheit und hilft Modellen, reale Szenarien zu bewältigen. Sobald die Daten gesammelt sind, ist die Vorverarbeitung entscheidend. Techniken wie Normalisierung, die Pixelwerte auf einen konsistenten Bereich skaliert, und Augmentierung, die Transformationen wie Drehen, Spiegeln und Zoomen anwendet, verbessern den Datensatz. Diese Schritte helfen deinem Modell, besser zu generalisieren und robuster zu werden, was das Risiko von Overfitting verringert.

Die richtige Aufteilung der Datensätze ist ein weiterer wichtiger Schritt. Ein gängiger Ansatz ist es, 70 % der Daten für das Training, 15 % für die Validierung und 15 % für das Testen zuzuweisen. Das doppelte Überprüfen, dass es keine Überschneidungen zwischen diesen Sätzen gibt, verhindert Datenlecks und stellt eine genaue Modellbewertung sicher.

Abb. 4. Eine gängige Datenaufteilung zwischen Training, Validierung und Testen.

Du kannst auch vorab trainierte Modelle wie YOLO11 verwenden, um Zeit und Rechenressourcen zu sparen. YOLO11, das auf großen Datensätzen trainiert wurde und für verschiedene Computer-Vision-Aufgaben entwickelt wurde, kann auf deinen spezifischen Datensatz feinabgestimmt werden, um deine Bedürfnisse zu erfüllen. Durch die Anpassung des Modells an deine Daten kannst du Overfitting vermeiden und eine starke Leistung aufrechterhalten.

Link to this sectionDer Weg in die Zukunft für Computer-Vision-Datensätze#

Die KI-Community hat sich traditionell darauf konzentriert, die Leistung durch den Bau tieferer Modelle mit mehr Schichten zu verbessern. Da sich KI jedoch ständig weiterentwickelt, verlagert sich der Fokus von der Modelloptimierung auf die Verbesserung der Qualität von Datensätzen. Andrew Ng, der oft als „Vater der KI“ bezeichnet wird, glaubt, dass „der wichtigste Wandel, den die KI-Welt in diesem Jahrzehnt durchlaufen muss, ein Wandel zu datenzentrierter KI sein wird.“

Dieser Ansatz betont die Verfeinerung von Datensätzen durch die Verbesserung der Labelgenauigkeit, das Entfernen verrauschter Beispiele und die Sicherstellung von Vielfalt. Für Computer Vision sind diese Prinzipien entscheidend, um Probleme wie Voreingenommenheit und minderwertige Daten anzugehen und es Modellen zu ermöglichen, in realen Szenarien zuverlässig zu arbeiten.

Mit Blick auf die Zukunft wird der Fortschritt der Computer Vision davon abhängen, kleinere, qualitativ hochwertige Datensätze zu erstellen, anstatt riesige Datenmengen zu sammeln. Laut Andrew Ng: „Die Verbesserung von Daten ist kein einmaliger Vorverarbeitungsschritt; sie ist ein zentraler Teil des iterativen Prozesses der Entwicklung von Machine-Learning-Modellen.“ Durch die Konzentration auf datenzentrierte Prinzipien wird Computer Vision weiterhin zugänglicher, effizienter und wirkungsvoller in verschiedenen Branchen werden.

Link to this sectionWichtige Erkenntnisse#

Daten spielen während des gesamten Lebenszyklus eines Vision-Modells eine entscheidende Rolle. Von der Datensammlung über die Vorverarbeitung, das Training, die Validierung bis hin zum Testen beeinflusst die Qualität der Daten direkt die Leistung und Zuverlässigkeit des Modells. Indem wir hochwertigen Daten und präziser Beschriftung Priorität einräumen, können wir robuste Computer-Vision-Modelle aufbauen, die zuverlässige und präzise Ergebnisse liefern.

Auf dem Weg in eine datengesteuerte Zukunft ist es wichtig, ethische Überlegungen zu berücksichtigen, um Risiken im Zusammenhang mit Voreingenommenheit und Datenschutzbestimmungen zu mindern. Letztendlich ist die Gewährleistung der Integrität und Fairness von Daten der Schlüssel dazu, das volle Potenzial von Computer-Vision-Technologien auszuschöpfen.

Tritt unserer Community bei und schau dir unser GitHub-Repository an, um mehr über KI zu erfahren. Besuche unsere Lösungsseiten, um weitere KI-Anwendungen in Bereichen wie Landwirtschaft und Fertigung zu erkunden.