Die Bedeutung hochwertiger Datensätze für Computer Vision

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

Die bemerkenswerte Genauigkeit und die herausragende Leistung modernster Computer-Vision-Modelle wie Ultralytics YOLO11 haben dieses exponentielle Wachstum maßgeblich vorangetrieben. Die Leistung dieser Modelle hängt jedoch stark von der Qualität und Menge der Daten ab, die zum Trainieren, Validieren und Testen der Modelle verwendet werden.

Ohne ausreichende, hochwertige Daten können Computer-Vision-Modelle nur schwer effektiv trainiert und feinabgestimmt werden, um Industriestandards zu erfüllen. In diesem Artikel untersuchen wir die entscheidende Rolle von Daten bei der Erstellung von Computer-Vision-Modellen und erläutern, warum hochwertige Daten für Computer Vision so wichtig sind. Außerdem stellen wir einige Tipps vor, mit denen du bei der Arbeit an benutzerdefinierten Computer-Vision-Modellen hochwertige Datensätze erstellen kannst. Legen wir los!

Die Rolle von Daten beim Erstellen 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. So kann beispielsweise ein Objekterkennungsmodell mit Hunderten oder sogar Tausenden beschrifteten Bildern und Videos trainiert werden, um Objekte genau zu identifizieren.

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

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

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

Arten von Datensätzen für Computer Vision#

Bei Computer Vision werden die im Trainingsprozess verwendeten Daten in drei Typen eingeteilt, die jeweils einen bestimmten Zweck erfüllen. Hier ist ein kurzer Überblick über die einzelnen Typen:

• Trainingsdaten: Dies ist der primäre Datensatz, der zum Trainieren des Modells von Grund auf verwendet wird. Er besteht aus Bildern und Videos mit vordefinierten Labels, sodass das Modell Muster lernen und Objekte erkennen kann.
• Validierungsdaten: Dabei handelt es sich um eine Datenmenge, mit der überprüft wird, wie gut ein Modell während des Trainings funktioniert. Sie helfen sicherzustellen, dass das Modell mit neuen, bisher unbekannten Daten korrekt arbeitet.
• Testdaten: Eine separate Datenmenge zur Bewertung der endgültigen Leistung eines trainierten Modells. Sie prüft, wie gut das Modell Vorhersagen für vollständig neue, bisher unbekannte Daten treffen kann.

Abb. 1: Einteilung von Daten bei Computer Vision.

Die 5 wichtigsten Merkmale hochwertiger Datensätze für Computer Vision#

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

• Genauigkeit: Idealerweise sollten Daten reale Situationen möglichst genau abbilden und korrekte Labels enthalten. Wenn es beispielsweise um KI für Computer Vision im Gesundheitswesen geht, müssen Bilder von Röntgenaufnahmen oder Scans präzise beschriftet sein, damit das Modell richtig lernen kann.
• Vielfalt: Ein guter Datensatz enthält eine Vielzahl von Beispielen, damit das Modell in unterschiedlichen Situationen gut funktioniert. Wenn ein Modell beispielsweise lernen soll, Autos zu erkennen, sollte der Datensatz Autos mit unterschiedlichen Formen, Größen und Farben in verschiedenen Umgebungen enthalten (Tag, Nacht, Regen usw.).
• Konsistenz: Hochwertige Datensätze folgen einheitlichen Format- und Qualitätsstandards. Bilder sollten beispielsweise ähnliche Auflösungen haben (nicht einige unscharf und andere scharf) und dieselben Vorverarbeitungsschritte durchlaufen, etwa Größenänderungen oder Farbanpassungen, damit das Modell aus konsistenten Informationen lernt.
• Aktualität: Regelmäßig aktualisierte Datensätze können mit Veränderungen in der realen Welt Schritt halten. Angenommen, du trainierst ein Modell, um alle Arten von Fahrzeugen zu erkennen. Wenn neue Fahrzeuge wie Elektroroller hinzukommen, sollten sie dem Datensatz hinzugefügt werden, damit das Modell genau und aktuell bleibt.
• Datenschutz: Wenn ein Datensatz sensible Informationen wie Fotos von Personen enthält, muss er Datenschutzvorschriften erfüllen. Verfahren wie Anonymisierung (Entfernen identifizierbarer Details) und Datenmaskierung (Verbergen sensibler Bereiche) können die Privatsphäre schützen und gleichzeitig die sichere Nutzung der Daten ermöglichen.

Herausforderungen durch minderwertige Daten#

Es ist zwar wichtig, die Merkmale hochwertiger Daten zu verstehen, aber ebenso entscheidend ist es, 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 mit Trainingsdaten gut funktioniert, aber Schwierigkeiten mit neuen oder bisher unbekannten Daten hat, häufig weil dem Datensatz die Vielfalt fehlt. Underfitting tritt dagegen auf, wenn der Datensatz nicht genügend Beispiele oder nicht die erforderliche Qualität bietet, damit das Modell aussagekräftige Muster lernen kann. Um diese Probleme zu vermeiden, ist es unerlässlich, vielfältige, unverzerrte und hochwertige Datensätze zu pflegen und so eine zuverlässige Leistung sowohl beim Training als auch in realen Anwendungen sicherzustellen.

Abb. 2: Underfitting im Vergleich zu Overfitting.

Minderwertige Daten können es Modellen außerdem erschweren, aussagekräftige Muster aus Rohdaten zu extrahieren und zu lernen – ein Prozess, der als Merkmalsextraktion bezeichnet wird. Wenn der Datensatz unvollständig oder irrelevant ist oder es ihm an Vielfalt mangelt, kann das Modell Schwierigkeiten haben, effektiv zu funktionieren.

Manchmal entstehen minderwertige Daten durch die Vereinfachung von Daten. Diese kann helfen, Speicherplatz zu sparen und Verarbeitungskosten zu senken, doch eine übermäßige Vereinfachung kann wichtige Details entfernen, die das Modell für eine gute Leistung benötigt. Deshalb ist es so wichtig, während des gesamten Computer-Vision-Prozesses – von der Erfassung bis zur Bereitstellung – hochwertige Daten zu bewahren. Als Faustregel gilt: Datensätze sollten wesentliche Merkmale enthalten und gleichzeitig vielfältig und genau sein, um zuverlässige Modellvorhersagen zu gewährleisten.

Abb. 3: Verständnis der Merkmalsextraktion.

Tipps zur Qualitätssicherung deines Computer-Vision-Datensatzes#

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

Alles beginnt mit einer zuverlässigen Datenerfassung. Die Verwendung vielfältiger Quellen wie Crowdsourcing, Daten aus unterschiedlichen geografischen Regionen und die synthetische Datengenerierung reduzieren Verzerrungen und helfen Modellen, mit realen Szenarien umzugehen. Nach der Datenerfassung ist die Vorverarbeitung entscheidend. Verfahren wie die Normalisierung, bei der Pixelwerte auf einen einheitlichen Bereich skaliert werden, und die Datenerweiterung, bei der Transformationen wie Drehungen, Spiegelungen und Zoom angewendet werden, verbessern den Datensatz. Diese Schritte helfen deinem Modell, besser zu generalisieren und robuster zu werden, wodurch das Risiko von Overfitting sinkt.

Die richtige Aufteilung von Datensätzen ist ein weiterer wichtiger Schritt. Häufig werden 70 % der Daten für das Training, 15 % für die Validierung und 15 % für das Testen verwendet. Eine sorgfältige Überprüfung, dass sich diese Mengen nicht überschneiden, verhindert Datenlecks und gewährleistet eine genaue Modellbewertung.

Abb. 4: Eine gängige Aufteilung der Daten in Training, Validierung und Testen.

Du kannst auch vortrainierte Modelle wie YOLO11 verwenden, um Zeit und Rechenressourcen zu sparen. YOLO11 wurde mit großen Datensätzen trainiert und für verschiedene Computer-Vision-Aufgaben entwickelt. Du kannst es an deinen spezifischen Datensatz feinabstimmen, um deine Anforderungen zu erfüllen. Indem du das Modell an deine Daten anpasst, kannst du Overfitting vermeiden und eine starke Leistung aufrechterhalten.

Die Zukunft der Datensätze für Computer Vision#

Die KI-Community hat sich traditionell darauf konzentriert, die Leistung durch tiefere Modelle mit mehr Schichten zu verbessern. Da sich KI jedoch weiterentwickelt, verlagert sich der Fokus von der Optimierung von Modellen hin zur Verbesserung der Qualität von Datensätzen. Andrew Ng, der oft als „Vater der KI“ bezeichnet wird, ist der Ansicht, dass „die wichtigste Veränderung, die die KI-Welt in diesem Jahrzehnt durchlaufen muss, eine Hinwendung zu datenzentrierter KI sein wird.“

Dieser Ansatz legt den Schwerpunkt darauf, Datensätze durch eine höhere Genauigkeit der Labels, das Entfernen verrauschter Beispiele und die Sicherstellung von Vielfalt zu verbessern. Für Computer Vision sind diese Prinzipien entscheidend, um Probleme wie Verzerrungen und minderwertige Daten zu bewältigen und Modellen eine zuverlässige Leistung in realen Szenarien zu ermöglichen.

Mit Blick auf die Zukunft wird der Fortschritt bei Computer Vision eher von der Erstellung kleinerer, hochwertiger Datensätze als von der Erfassung riesiger Datenmengen abhängen. Laut Andrew Ng ist „die Verbesserung von Daten kein einmaliger Vorverarbeitungsschritt, sondern ein zentraler Bestandteil des iterativen Prozesses bei der Entwicklung von Modellen für maschinelles Lernen.“ Durch die Konzentration auf datenzentrierte Prinzipien wird Computer Vision in verschiedenen Branchen weiterhin zugänglicher, effizienter und wirkungsvoller werden.

Wichtige Erkenntnisse#

Daten spielen während des gesamten Lebenszyklus eines Computer-Vision-Modells eine entscheidende Rolle. Von der Datenerfassung über die Vorverarbeitung, das Training, die Validierung und das Testen wirkt sich die Datenqualität direkt auf die Leistung und Zuverlässigkeit des Modells aus. Indem wir hochwertige Daten und eine präzise Beschriftung priorisieren, können wir robuste Computer-Vision-Modelle erstellen, die zuverlässige und genaue Ergebnisse liefern.

Auf dem Weg in eine datengestützte Zukunft müssen ethische Aspekte berücksichtigt werden, um Risiken im Zusammenhang mit Verzerrungen und Datenschutzvorschriften zu mindern. Letztlich ist die Sicherstellung der Integrität und Fairness von 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. Besuche unsere Lösungsseiten, um weitere KI-Anwendungen in Bereichen wie Landwirtschaft und Produktion zu entdecken.