Die Bedeutung hochwertiger Datensätze für Computer Vision

2019 war die Einführung von künstlicher Intelligenz (AI) in Unternehmen in den vier vorangegangenen Jahren um 270 % gestiegen. Dieses Wachstum hat die rasche Integration von Anwendungen der Bildverarbeitung (CV) vorangetrieben – KI-Systemen, die Maschinen ermöglichen, visuelle Daten aus ihrer Umgebung zu interpretieren und zu analysieren. Diese Anwendungen bilden die Grundlage für zahlreiche Technologien: von der Erkennung von Krankheiten in medizinischen Bildern und dem Einsatz autonomer Fahrzeuge bis hin zur Optimierung des Verkehrsflusses und der Verbesserung der Überwachung in Sicherheitssystemen.

Die Genauigkeit und Leistungsfähigkeit hochmoderner Bildverarbeitungsmodelle wie Ultralytics YOLO11 haben dieses Wachstum mit vorangetrieben. Die Leistung dieser Modelle hängt jedoch stark von der Qualität und Menge der Daten ab, die zum Trainieren, Validieren und Testen verwendet werden.

Ohne ausreichend hochwertige Daten lassen sich Bildverarbeitungsmodelle nur schwer wirksam trainieren und feinabstimmen, um Branchenstandards zu erfüllen. In diesem Artikel untersuchen wir die entscheidende Rolle von Daten bei der Entwicklung von Bildverarbeitungsmodellen und erklären, warum hochwertige Daten in der Bildverarbeitung so wichtig sind. Außerdem geben wir Tipps, wie du hochwertige Datensätze erstellst, während du eigene Bildverarbeitungsmodelle trainierst.

Die Rolle von Daten beim Aufbau von Computer-Vision-Modellen#

Bildverarbeitungsmodelle 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 beschrifteten Bildern und Videos trainiert werden, um Objekte präzise zu erkennen.

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

Da Computer-Vision-Modelle nur aus den Daten lernen können, die ihnen vorliegen, sind hochwertige Daten und vielfältige Beispiele entscheidend für ihren Erfolg. Ohne ausreichende und vielfältige Datensätze können diese Modelle reale Situationen möglicherweise nicht präzise analysieren und verzerrte oder ungenaue Ergebnisse liefern.

Deshalb ist es wichtig, die Rolle von Daten beim Modelltraining genau zu verstehen. Bevor wir die Merkmale hochwertiger Daten durchgehen, sehen wir uns die verschiedenen Datensatztypen an, denen du beim Training von Computer-Vision-Modellen begegnen kannst.

Arten von Computer-Vision-Datensätzen#

In der Bildverarbeitung werden die im Training verwendeten Daten in drei Typen unterteilt, die jeweils einem bestimmten Zweck dienen. Hier ein kurzer Überblick über die einzelnen Typen:

• Trainingsdaten: Dies ist der primäre Datensatz, mit dem das Modell von Grund auf trainiert wird. Er besteht aus Bildern und Videos mit vorgegebenen Labels, anhand derer das Modell Muster lernt und Objekte erkennt.
• Validierungsdaten: Diese Daten werden verwendet, um während des Trainings zu prüfen, wie gut ein Modell funktioniert. Sie helfen sicherzustellen, dass das Modell auch mit neuen, bisher ungesehenen Daten korrekt arbeitet.
• Testdaten: Ein separater Datensatz, mit dem die endgültige Leistung eines trainierten Modells bewertet wird. Er zeigt, wie gut das Modell Vorhersagen für völlig neue, bisher unbekannte Daten treffen kann.

Abb. 1 Einteilung von Daten in der Computer Vision.

Die 5 wichtigsten Merkmale hochwertiger Computer-Vision-Datensätze#

Unabhängig vom Datensatztyp sind hochwertige Daten für erfolgreiche Computer-Vision-Modelle unerlässlich. Hier sind einige wichtige Merkmale, die einen hochwertigen Datensatz ausmachen:

• Genauigkeit: Die Daten sollten möglichst realen Situationen entsprechen und korrekte Beschriftungen enthalten. Bei visueller KI im Gesundheitswesen müssen beispielsweise Röntgenbilder und Aufnahmen präzise beschriftet sein, damit das Modell richtig lernen kann.
• Vielfalt: Ein guter Datensatz enthält verschiedenartige Beispiele, damit das Modell in unterschiedlichen Situationen gute Ergebnisse erzielt. Wenn ein Modell beispielsweise Autos erkennen soll, sollte der Datensatz Autos verschiedener Formen, Größen und Farben in unterschiedlichen Umgebungen enthalten (bei Tag, Nacht, Regen usw.).
• Einheitlichkeit: Hochwertige Datensätze weisen ein einheitliches Format auf und erfüllen gleichbleibende Qualitätsstandards. Bilder sollten beispielsweise eine ähnliche Auflösung haben (nicht manche unscharf und andere gestochen scharf) und dieselben Vorverarbeitungsschritte durchlaufen, etwa Größenanpassungen oder Farbkorrekturen, damit das Modell mit einheitlichen Informationen lernt.
• Aktualität: Regelmäßig aktualisierte Datensätze können mit Veränderungen in der realen Welt Schritt halten. Angenommen, du trainierst ein Modell darauf, alle Fahrzeugtypen zu erkennen. Werden neue Fahrzeuge wie Elektroroller eingeführt, sollten sie in den Datensatz aufgenommen werden, damit das Modell präzise und aktuell bleibt.
• Datenschutz: Enthält ein Datensatz sensible Informationen wie Personenfotos, muss er den Datenschutzbestimmungen entsprechen. Techniken wie Anonymisierung (das Entfernen personenbezogener Merkmale) und Datenmaskierung (das Verbergen sensibler Bereiche) schützen die Privatsphäre und ermöglichen zugleich eine sichere Datennutzung.

Probleme durch minderwertige Daten#

Es ist wichtig, die Merkmale hochwertiger Daten zu kennen. Ebenso wichtig ist es jedoch, zu berücksichtigen, wie minderwertige Daten deine Computer-Vision-Modelle beeinträchtigen können.

Probleme wie Overfitting und Underfitting können die Modellleistung erheblich beeinträchtigen. Overfitting tritt auf, wenn ein Modell mit Trainingsdaten gute Ergebnisse erzielt, bei neuen oder bisher ungesehenen Daten jedoch Schwierigkeiten hat – oft, weil dem Datensatz die Vielfalt fehlt. Underfitting entsteht dagegen, wenn der Datensatz nicht genügend Beispiele oder keine ausreichende Qualität bietet, damit das Modell aussagekräftige Muster lernen kann. Um diese Probleme zu vermeiden, müssen Datensätze vielfältig, unverzerrt und hochwertig sein. So lässt sich eine zuverlässige Leistung sowohl beim Training als auch in realen Anwendungen sicherstellen.

Abb. 2 Underfitting und Overfitting im Vergleich.

Daten von geringer Qualität können es Modellen außerdem erschweren, aussagekräftige Muster aus Rohdaten zu extrahieren und zu erlernen – ein Vorgang, der als Merkmalsextraktion bezeichnet wird. Ist der Datensatz unvollständig, irrelevant oder nicht vielfältig genug, kann das Modell Schwierigkeiten haben, effektiv zu arbeiten.

Manchmal entsteht eine geringe Datenqualität durch die Vereinfachung von Daten. Das Vereinfachen kann Speicherplatz sparen und Verarbeitungskosten senken, doch eine übermäßige Vereinfachung kann wichtige Details entfernen, die das Modell für gute Ergebnisse benötigt. Deshalb ist es so wichtig, während des gesamten Bildverarbeitungsprozesses – von der Erfassung bis zur Bereitstellung – eine hohe Datenqualität zu gewährleisten. Als Faustregel gilt: Datensätze sollten wesentliche Merkmale enthalten und zugleich vielfältig und genau sein, damit das Modell zuverlässig vorhersagt.

Abb. 3 Merkmalsextraktion verstehen.

Tipps zur Sicherung der Qualität deines Computer-Vision-Datensatzes#

Nachdem wir die Bedeutung hochwertiger Daten und die Auswirkungen minderwertiger Daten verstanden haben, sehen wir uns nun an, wie du sicherstellst, dass dein Datensatz hohen Qualitätsstandards entspricht.

Alles beginnt mit einer zuverlässigen Datenerfassung. Vielfältige Quellen wie Crowdsourcing, Daten aus unterschiedlichen geografischen Regionen und synthetisch erzeugte Daten verringern Verzerrungen und helfen Modellen, mit realen Szenarien umzugehen. Nach der Datenerfassung ist die Vorverarbeitung entscheidend. Techniken wie die Normalisierung, bei der Pixelwerte auf einen einheitlichen Wertebereich skaliert werden, und die Datenaugmentation, bei der Transformationen wie Drehen, Spiegeln und Zoomen angewendet werden, verbessern den Datensatz. Dadurch kann dein Modell besser verallgemeinern und robuster werden, während das Risiko von Überanpassung sinkt.

Ein weiterer wichtiger Schritt ist die korrekte Aufteilung von Datensätzen. Üblicherweise werden 70 % der Daten für das Training, 15 % für die Validierung und 15 % für Tests verwendet. Wenn du prüfst, dass sich diese Teilmengen nicht überschneiden, verhinderst du Datenlecks und gewährleistest eine genaue Modellbewertung.

Abb. 4 Übliche Aufteilung der Daten in Trainings-, Validierungs- und Testdaten.

Mit vortrainierten Modellen wie YOLO11 kannst du außerdem Zeit und Rechenressourcen sparen. YOLO11 wurde mit großen Datensätzen trainiert und für verschiedene Bildverarbeitungsaufgaben entwickelt. Du kannst das Modell anhand deines spezifischen Datensatzes feinabstimmen, damit es deinen Anforderungen entspricht. Indem du das Modell an deine Daten anpasst, kannst du Überanpassung vermeiden und eine hohe Leistung bewahren.

Die Zukunft der Computer-Vision-Datensätze#

Die KI-Community hat sich traditionell darauf konzentriert, die Leistung durch tiefere Modelle mit mehr Schichten zu verbessern. Mit der Weiterentwicklung der KI verlagert sich der Schwerpunkt jedoch von der Optimierung von Modellen auf die Verbesserung der Datenqualität. Andrew Ng ist der Ansicht, dass „der wichtigste Wandel, den die KI-Welt in diesem Jahrzehnt durchlaufen muss, ein Wandel hin zu datenzentrierter KI sein wird.“

Bei diesem Ansatz werden Datensätze durch präzisere Labels, das Entfernen verrauschter Beispiele und die Sicherstellung von Vielfalt verbessert. Für die Computer Vision sind diese Grundsätze entscheidend, um Probleme wie Verzerrungen und minderwertige Daten anzugehen und so zuverlässige Modellergebnisse in realen Situationen zu ermöglichen.

Die Zukunft der Bildverarbeitung hängt davon ab, kleinere, hochwertige Datensätze zu erstellen, statt riesige Datenmengen zu sammeln. Andrew Ng zufolge gilt: „Die Verbesserung von Daten ist kein einmaliger Vorverarbeitungsschritt, sondern ein zentraler Bestandteil des iterativen Entwicklungsprozesses für Modelle des maschinellen Lernens.“ Wenn die Bildverarbeitung sich an datenzentrierten Grundsätzen orientiert, wird sie in verschiedenen Branchen weiterhin zugänglicher, effizienter und wirkungsvoller.

Die wichtigsten Erkenntnisse#

Daten spielen während des gesamten Lebenszyklus eines Bildverarbeitungsmodells eine entscheidende Rolle. Von der Datenerfassung über die Vorverarbeitung bis hin zu Training, Validierung und Testen wirkt sich die Datenqualität direkt auf Leistung und Zuverlässigkeit des Modells aus. Wenn wir hochwertige Daten und präzise Labels priorisieren, können wir robuste Computer-Vision-Modelle entwickeln, die zuverlässige und präzise Ergebnisse liefern.

Auf dem Weg in eine datengestützte Zukunft müssen wir ethische Aspekte berücksichtigen, um Risiken im Zusammenhang mit Verzerrungen und Datenschutzvorschriften zu mindern. Letztlich ist die Integrität und Fairness der Daten entscheidend, um das volle Potenzial von Computer-Vision-Technologien auszuschöpfen.

Tritt unserer Community bei und sieh dir unser GitHub-Repository an, um mehr über KI zu erfahren. Auf unseren Lösungsseiten findest du weitere KI-Anwendungen in Bereichen wie Landwirtschaft und Fertigung.