Die Bedeutung hochwertiger Computer-Vision-Datensätze

Bis zum Jahr 2019 war die Einführung von künstlicher Intelligenz (KI) in Unternehmen im Vergleich zu den vorherigen vier Jahren um 270 % gestiegen. Dieses Wachstum hat die rasche Integration von Computer-Vision-Anwendungen (CV) vorangetrieben – KI-Systeme, die es Maschinen ermöglichen, visuelle Daten aus ihrer Umgebung zu interpretieren und zu analysieren. Diese Anwendungen treiben eine Vielzahl 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 unübertroffene Leistung moderner Computer-Vision-Modelle wie 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 Trainieren, Validieren und 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!

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

Computer-Vision-Modelle können anhand großer Datensätze aus Bildern und Videos trainiert werden, um Muster zu erkennen und präzise Vorhersagen zu treffen. Beispielsweise kann ein Objekterkennungsmodell mit Hunderten – oder sogar Tausenden – beschrifteten Bildern und Videos trainiert werden, um Objekte genau zu identifizieren.

Die Qualität und Quantität dieser Trainingsdaten beeinflussen die Modellleistung.

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.

Aus diesem Grund ist es wichtig, die Rolle von Daten beim Modelltraining klar zu verstehen. Bevor wir uns mit den Eigenschaften hochwertiger Daten befassen, wollen wir die Arten von Datensätzen verstehen, denen du beim Trainieren von Computer-Vision-Modellen begegnen kannst.

Arten von Computer-Vision-Datensätzen#

In der Computer Vision werden die im Trainingsprozess verwendeten Daten in drei Typen unterteilt, die jeweils einen bestimmten Zweck erfüllen. Hier ist eine kurze Übersicht zu jedem 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 Beschriftungen, die es dem Modell ermöglichen, Muster zu lernen und Objekte zu erkennen.
• Validierungsdaten: Dies ist ein Datensatz, mit dem überprüft wird, wie gut ein Modell während des Trainings abschneidet. Er hilft sicherzustellen, dass das Modell bei neuen, ungesehenen Daten korrekt funktioniert.
• Testdaten: Ein separater Datensatz zur Bewertung der Endleistung eines trainierten Modells. Er überprüft, wie gut das Modell Vorhersagen für völlig neue, ungesehene Daten treffen kann.

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

Die 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 Beschriftungen enthalten. Wenn es beispielsweise um Vision-KI im Gesundheitswesen geht, müssen Röntgenbilder oder Scans genau beschriftet sein, damit das Modell ordnungsgemäß 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. Beispielsweise sollten Bilder ähnliche Auflösungen haben (nicht einige verschwommen und andere scharf) und dieselben Vorverarbeitungsschritte wie Größenanpassung oder Farbanpassungen durchlaufen, damit das Modell aus konsistenten Informationen lernt.
• Aktualität: Regelmäßig aktualisierte Datensätze können mit realen Veränderungen Schritt halten. Angenommen, du trainierst ein Modell zur Erkennung aller Fahrzeugtypen. Wenn neue hinzukommen, wie etwa E-Scooter, sollten diese dem Datensatz hinzugefügt werden, um sicherzustellen, dass das Modell genau und aktuell bleibt.
• Datenschutz: Wenn ein Datensatz sensible Informationen wie Fotos von Personen enthält, muss er die Datenschutzbestimmungen einhalten. Techniken wie Anonymisierung (Entfernung identifizierbarer Details) und Datenmaskierung (Verbergen sensibler Teile) 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 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 stark beeinträchtigen. Overfitting tritt auf, wenn ein Modell bei Trainingsdaten gut abschneidet, sich aber bei neuen oder ungesehenen Daten schwer tut, oft weil dem Datensatz Vielfalt fehlt. Underfitting hingegen tritt auf, wenn der Datensatz nicht genügend Beispiele oder Qualität bietet, damit das Modell sinnvolle Muster lernen kann. Um diese Probleme zu vermeiden, ist es wichtig, diverse, unvoreingenommene und hochwertige Datensätze beizubehalten, um eine zuverlässige Leistung sowohl beim Training als auch in realen Anwendungen zu gewährleisten.

Abb. 2. Underfitting vs. Overfitting.

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

Manchmal können minderwertige Daten das Resultat einer Datenvereinfachung sein. Die Vereinfachung von Daten kann helfen, Speicherplatz zu sparen und die Verarbeitungskosten zu senken, aber eine Übervereinfachung kann wichtige Details entfernen, die das Modell für eine gute Funktion benötigt. Aus diesem Grund ist es so wichtig, während des gesamten Computer-Vision-Prozesses, von der Datenerhebung bis zur Bereitstellung, qualitativ hochwertige Daten beizubehalten. Als Faustregel gilt: Datensätze sollten wesentliche Merkmale enthalten und gleichzeitig vielfältig und präzise bleiben, um zuverlässige Modellvorhersagen zu garantieren.

Abb. 3. Merkmalsextraktion verstehen.

Tipps 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 Datenerfassung. Die Verwendung verschiedener Quellen wie Crowdsourcing, Daten aus unterschiedlichen geografischen Regionen und die Generierung synthetischer Daten reduziert Voreingenommenheit und hilft Modellen, mit realen Szenarien umzugehen. Sobald die Daten erfasst sind, ist die Vorverarbeitung von entscheidender Bedeutung. Techniken wie Normalisierung, die Pixelwerte auf einen konsistenten Bereich skaliert, und Augmentierung, die Transformationen wie Rotation, Spiegelung und Zoomen anwendet, verbessern den Datensatz. Diese Schritte helfen deinem Modell, besser zu verallgemeinern und robuster zu werden, wodurch das Risiko von Overfitting verringert wird.

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 vortrainierte Modelle wie YOLO11 verwenden, um Zeit und Rechenressourcen zu sparen. YOLO11 wurde anhand großer Datensätze trainiert und für verschiedene Computer-Vision-Aufgaben entwickelt; es kann auf deinen spezifischen Datensatz abgestimmt werden, um deine Anforderungen zu erfüllen. Indem du das Modell an deine Daten anpasst, kannst du Overfitting vermeiden und eine starke Leistung aufrechterhalten.

Der 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 die KI jedoch weiterentwickelt, verlagert sich der Schwerpunkt von der Modelloptimierung auf die Verbesserung der Datensatzqualität. Andrew Ng, oft als der „Vater der KI“ bezeichnet, ist überzeugt, dass „der wichtigste Wandel, den die KI-Welt in diesem Jahrzehnt durchlaufen muss, die Umstellung auf datenzentrierte 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 auf der Erstellung kleinerer, hochwertiger Datensätze basieren, anstatt riesige Mengen an Daten zu sammeln. Laut Andrew Ng ist „die Verbesserung von Daten kein einmaliger Vorverarbeitungsschritt; sie ist ein zentraler Bestandteil des iterativen Prozesses der Entwicklung von Modellen für maschinelles Lernen.“ Durch die Konzentration auf datenzentrierte Prinzipien wird Computer Vision in verschiedenen Branchen weiterhin zugänglicher, effizienter und wirkungsvoller.

Wichtige 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.

Werde Teil unserer Community und schau dir unser GitHub-Repository an, um mehr über KI zu erfahren. Entdecke unsere Lösungsseiten, um weitere KI-Anwendungen in Branchen wie der Landwirtschaft und der Fertigung zu erkunden.