Trainiere YOLO-Modelle schneller mit der Ultralytics Platform

Letzte Woche hat Ultralytics die Ultralytics Platform vorgestellt, einen einheitlichen Arbeitsbereich, der die Entwicklung, das Training und die Bereitstellung von Computer-Vision-Modellen für Teams vereinfachen soll. Statt mehrere Tools parallel zu nutzen, vereint die Plattform alles an einem Ort. Der Weg von der Idee bis zur Bereitstellung von Vision-KI-Modellen wird dadurch unkompliziert.

Das ist entscheidend, weil Computer Vision in verschiedenen Branchen schnell zu einem zentralen Bestandteil wird. Sie ermöglicht Anwendungen wie die Fertigungsprüfung, Einzelhandelsanalysen und autonome Navigation.

Ob sich diese Vision-Anwendungen in zuverlässige Systeme verwandeln lassen, hängt davon ab, wie gut die Modelle trainiert werden. Beim Modelltraining lernt das Modell anhand annotierter Daten, Muster zu erkennen und präzise Vorhersagen zu treffen. Im Allgemeinen führen gut trainierte Modelle zu einer besseren Modellleistung und zuverlässigeren Ergebnissen in realen Anwendungen.

Das Training eines Computer-Vision-Modells ist jedoch nicht immer unkompliziert. Es umfasst verschiedene Aspekte, etwa das Einrichten von Umgebungen, die Auswahl geeigneter Rechenressourcen, die Abstimmung von Hyperparametern und die Nachverfolgung mehrerer Trainingsexperimente. Wenn diese Schritte auf verschiedene Tools und Systeme verteilt sind, wird der Trainingsablauf schnell komplex und schwer zu verwalten.

Die Ultralytics Platform löst dieses Problem, indem sie den gesamten Trainingsprozess in einem einzigen, einheitlichen Dashboard zusammenführt. Du kannst Trainingsaufträge an einem Ort konfigurieren, ausführen und überwachen – unabhängig davon, ob du in der Cloud, lokal oder mit Google Colab arbeitest.

Abb. 1. Ein Einblick in das Modelltraining in der Ultralytics Platform (Quelle)

In diesem Artikel zeigen wir, wie die Ultralytics Platform das Modelltraining optimiert und warum sie dir bei deinen Vision-KI-Projekten einen Vorteil verschaffen kann. Legen wir los!

Computer-Vision-Modelle lernen durch Modelltraining aus Daten#

Bevor wir uns ansehen, wie das Modelltraining in der Ultralytics Platform funktioniert, gehen wir zunächst einen Schritt zurück und schauen uns an, was Modelltraining ist und was dazugehört.

Modelltraining ist der Prozess, durch den ein Computer-Vision-Modell lernt, visuelle Daten zu interpretieren. Es analysiert Bilder oder Videos und passt seine internen Parameter schrittweise an, um Vision-Aufgaben wie Objekterkennung, Bildklassifizierung und Instanzsegmentierung präzise auszuführen. Mit der Zeit verbessert sich das Modell, indem es Muster direkt aus den von ihm verarbeiteten Daten lernt.

Die Qualität des Trainings hängt stark von Datensätzen ab. Du kannst dir einen Datensatz wie einen Satz Lernkarten vorstellen, die eine Lehrkraft zum Unterrichten eines Schülers verwenden würde, wobei jedes Beispiel dem Modell hilft zu lernen, wonach es suchen soll.

Ein typischer Computer-Vision-Datensatz enthält Bilder, meist in Formaten wie JPG oder PNG, sowie Annotationen, die den Inhalt jedes Bildes beschreiben. Diese Annotationen, die häufig als JSON- oder TXT-Dateien gespeichert werden, liefern die Beschriftungen und den Kontext, die das Modell für effektives Lernen benötigt.

Beim Training geht es jedoch nicht nur darum, Daten in ein Modell einzuspeisen. Es umfasst mehrere wichtige Schritte – von der Vorbereitung des Datensatzes über die Auswahl des passenden Modells bis zur Konfiguration des Trainingsprozesses. Als Nächstes sehen wir uns einige dieser Schritte genauer an.

Ein Blick auf die Vorbereitung von Datensätzen#

Es mag den Anschein haben, dass du mit dem Training eines Modells sofort beginnen kannst, sobald du einen Datensatz hast. Zuvor sind jedoch einige Schritte erforderlich, etwa die Aufteilung des Datensatzes.

Im Allgemeinen wird ein Datensatz in drei Teile aufgeteilt: Trainingsdatensatz, Validierungsdatensatz und Testdatensatz. Die Trainingsbilder werden verwendet, um dem Modell Muster in den Daten beizubringen, während der Validierungsdatensatz dabei hilft, die Leistung während des Trainings zu überwachen und zu optimieren.

Der Testdatensatz wird am Ende verwendet, um zu bewerten, wie gut das Modell mit vollständig neuen, unbekannten Daten funktioniert. Diese Aufteilung hilft sicherzustellen, dass das Modell die Daten nicht nur auswendig lernt, sondern auf reale Szenarien verallgemeinern kann.

Das richtige Modell für das Training auswählen#

Ein weiterer wichtiger Schritt vor dem Training ist die Auswahl des gewünschten Modells. In vielen Fällen bedeutet das, ein vortrainiertes Modell auszuwählen. Modelle wie die Ultralytics YOLO-Modelle wurden bereits mit großen Datensätzen trainiert und haben allgemeine visuelle Muster gelernt, wodurch sie einen guten Ausgangspunkt darstellen.

Die Verwendung dieser Modelle ist ein Beispiel für Transfer Learning: Dabei baust du auf vorhandenem Wissen auf und passt das Modell an deine spezifische Aufgabe an. Dieser Ansatz beschleunigt das Training und verbessert die Ergebnisse, insbesondere bei der Arbeit mit begrenzten Daten.

Diese Modelle sind außerdem in verschiedenen Größen erhältlich, die jeweils einen Kompromiss zwischen Geschwindigkeit und Genauigkeit darstellen. Kleinere Modelle sind schneller und effizienter, während größere Modelle meist eine höhere Genauigkeit liefern, aber mehr Rechenleistung benötigen.

Trainingsparameter für Vision-Modelle konfigurieren#

Nachdem du einen vorbereiteten Datensatz hast und ein Modell ausgewählt hast, besteht der nächste Schritt darin, zu konfigurieren, wie das Modell lernt.

Ein Computer-Vision-Modell wird mit einer Reihe von Parametern trainiert, die bestimmen, wie es Daten verarbeitet, seine Gewichte aktualisiert und sich mit der Zeit verbessert. Diese Einstellungen wirken sich direkt auf die Trainingsgeschwindigkeit und die endgültige Genauigkeit aus und sind daher entscheidend für gute Ergebnisse.

Hier sind einige der am häufigsten verwendeten Trainingsparameter:

• Epochen: Gibt an, wie oft das Modell während des Trainings den gesamten Datensatz durchläuft. Eine höhere Anzahl von Epochen gibt dem Modell mehr Möglichkeiten, Muster aus den Daten zu lernen.
• Batchgröße: Die Anzahl der Bilder, die in einem einzelnen Trainingsschritt gemeinsam verarbeitet werden. Größere Batchgrößen können das Training beschleunigen, benötigen aber mehr Speicher.
• Bildgröße: Gibt die Auflösung der Eingabebilder an, die während des Trainings verwendet werden. Höhere Auflösungen können die Erkennungsgenauigkeit verbessern, erhöhen aber den Rechenaufwand.
• Lernrate: Die Rate, mit der das Modell seine internen Parameter während des Trainings aktualisiert. Zu hohe oder zu niedrige Werte können das Training instabil machen.
• Optimierer: Der Algorithmus, der dafür verantwortlich ist, die Parameter des Modells auf Grundlage des bei jeder Trainingsiteration berechneten Fehlers zu aktualisieren.

In auf Ultralytics YOLO basierenden Arbeitsabläufen werden diese Konfigurationen normalerweise in einer YAML-Datei definiert. Diese Datei legt die Pfade zu den Datensätzen, die Klassennamen und die Aufteilung der Daten fest. Sie dient als zentrale Konfiguration und teilt dem Modell mit, wie es den Datensatz interpretieren soll.

Von fragmentierten Arbeitsabläufen zu einer einheitlichen Erfahrung mit der Ultralytics Platform#

Wir haben gerade einige der wichtigsten Schritte beim Training eines Computer-Vision-Modells besprochen – von der Vorbereitung von Datensätzen über die Auswahl eines Modells bis zur Konfiguration der Trainingsparameter. In der Praxis geht der Prozess oft noch weiter und umfasst die Nachverfolgung von Experimenten, den Vergleich mehrerer Trainingsläufe sowie die kontinuierliche Weiterentwicklung von Modellen.

Diese Schritte werden nur selten an einem einzigen Ort verwaltet. Datensätze werden möglicherweise in einem Tool vorbereitet, Trainingsläufe in einer anderen Umgebung ausgeführt und Experimente separat nachverfolgt. Mit zunehmender Größe von Projekten erhöht diese Fragmentierung die Komplexität, verlangsamt Iterationen und erschwert die Organisation aller Bestandteile.

Die Ultralytics Platform beseitigt diese Komplexität, indem sie den gesamten Trainingsablauf in einer Umgebung zusammenführt. Statt zwischen Tools zu wechseln, kannst du Datensätze verwalten, das Training konfigurieren, Experimente ausführen und Ergebnisse an einem Ort überwachen.

Als Nächstes sehen wir uns an, wie die Ultralytics Platform das Modelltraining intelligenter macht.

Von der Ultralytics Platform unterstützte Trainingsoptionen#

In realen Anwendungen erfordert das Training eines Computer-Vision-Modells häufig flexible Umgebungen. Abhängig von der Größe deines Datensatzes, der Komplexität des Modells und der verfügbaren Hardware kannst du das Training in der Cloud, auf einem lokalen Rechner oder in externen Notebook-Umgebungen ausführen.

Die Ultralytics Platform unterstützt die folgenden Trainingsoptionen, um diesen Anforderungen gerecht zu werden:

• Cloud-Training: Das Training wird auf von Ultralytics verwalteten Grafikprozessoren (GPUs) in der Cloud ausgeführt. Diese Option eignet sich ideal für größere Datensätze oder komplexere Modelle, die erhebliche Rechenressourcen benötigen.
• Lokales Training: Diese Option nutzt die auf deinem Rechner verfügbare Hardware und eignet sich hervorragend für schnelle Experimente, das Testen von Konfigurationen oder die Arbeit mit kleineren Datensätzen. Für besser skalierbare Arbeitslasten kann das Training auch in deiner eigenen Cloud-Umgebung ausgeführt werden, etwa in AWS oder GCP.
• Google Colab: Mit der Ultralytics Platform kannst du das Training in der gehosteten Notebook-Umgebung von Google Colab ausführen. Dadurch erhältst du einen flexiblen, browserbasierten Arbeitsablauf, ohne einen lokalen Rechner konfigurieren zu müssen.

Cloud-Training in der Ultralytics Platform entdecken#

Bei Computer-Vision-Projekten ist das lokale Training oder das Training in Notebook-Umgebungen nicht immer einfach.

Beim lokalen Training hängt die Leistung beispielsweise vollständig von deiner Hardware ab. Dadurch kann die Rechenleistung begrenzt und das Experimentieren verlangsamt werden. GPUs sind für effizientes Training unerlässlich, aber nicht jede Konfiguration bietet zuverlässigen Zugriff darauf.

Notebook-Umgebungen wie Google Colab bieten zwar durch cloudbasierte GPUs eine Alternative, doch Sitzungen sind häufig nur vorübergehend und können längere Trainingsläufe unterbrechen. Mit wachsenden Datensätzen und komplexeren Arbeitsabläufen können diese Einschränkungen schnell zu Engpässen werden, die das Training verlangsamen und unzuverlässiger machen.

Die Ultralytics Platform begegnet diesem Problem mit ihrer Option für Cloud-Training. Sie stellt eine sofort einsatzbereite Umgebung bereit, in der Python-Abhängigkeiten und Frameworks wie PyTorch vorkonfiguriert sind, sodass du ohne zusätzliche Einrichtung mit dem Training beginnen kannst.

Über ein einziges Dashboard kannst du Trainingsaufträge starten und den Fortschritt in Echtzeit überwachen. So kannst du dich leichter auf die Verbesserung deiner Modelle konzentrieren, statt die Infrastruktur zu verwalten.

Sehen wir uns nun an, wie du mit dem Cloud-Training in der Ultralytics Platform beginnst.

Schritt 1: Basismodell auswählen#

Der erste Schritt besteht darin, ein Basismodell für deinen Trainingslauf auszuwählen. Du kannst ein vortrainiertes Ultralytics YOLO-Modell auswählen, ein Community-Modell klonen oder deine eigenen vortrainierten Gewichte hochladen, um individuelle Anforderungen zu erfüllen.

Die Plattform unterstützt alle Ultralytics YOLO-Modelle, darunter Ultralytics YOLO26, Ultralytics YOLO11, Ultralytics YOLOv8 und Ultralytics YOLOv5. Jedes Modell ist in verschiedenen Größenvarianten wie nano (n), small (s), medium (m), large (l) und extra-large (x) verfügbar. Da die verschiedenen Modellvarianten jeweils einen Kompromiss zwischen Geschwindigkeit und Genauigkeit bieten, kannst du ein Modell auswählen, das zu deinen Anforderungen an Leistung und Rechenressourcen passt.

Diese Modelle unterstützen eine Reihe von Computer-Vision-Aufgaben, mit denen Ultralytics YOLO-Nutzer bereits vertraut sind, darunter Objekterkennung, Instanzsegmentierung, Bildklassifizierung, die Erkennung orientierter Begrenzungsboxen (OBB) und Posenschätzung.

Wenn du individuelle Anforderungen hast, kannst du auch deine eigenen vortrainierten Modellgewichte hochladen. Dadurch kannst du ein vorhandenes Modell, etwa einen Objektdetektor, innerhalb der Plattform weiter trainieren oder feinabstimmen, anstatt ganz von vorn zu beginnen. Das ist besonders nützlich, wenn du bereits an anderer Stelle ein Modell trainiert hast oder ein Modell an einen spezifischeren Anwendungsfall anpassen möchtest.

Schritt 2: Datensatz auswählen#

Der nächste Schritt besteht darin, einen Datensatz für das Training auszuwählen. In der Ultralytics Platform kannst du vorhandene Datensätze wie den COCO-Datensatz verwenden, Datensätze aus der Community klonen oder deinen eigenen, auf deine spezifische Anwendung zugeschnittenen Datensatz hochladen.

Die Plattform unterstützt gängige Annotationsformate wie Ultralytics YOLO und COCO. Du kannst außerdem unverarbeitete Bilder hochladen, wenn du benutzerdefinierte Daten annotieren möchtest, ohne die Plattform zu verlassen.

Nach dem Hochladen werden Datensätze automatisch verarbeitet, einschließlich Validierung, Normalisierung, Auslesen der Beschriftungen und Erstellung von Statistiken. Dadurch erhältst du sofort Einblick in deine Daten, einschließlich Klassenverteilungen und Datensatzstruktur, und kannst sicherstellen, dass alles für das Training bereit ist.

Datensätze werden außerdem automatisch mit Trainingsläufen verknüpft. So kannst du nachverfolgen, welche Daten für jedes Modell verwendet wurden, und die Konsistenz zwischen Experimenten wahren.

Schritt 3: Trainingsparameter konfigurieren#

Nachdem du den Datensatz ausgewählt hast, kannst du die Trainingsparameter konfigurieren, die steuern, wie das Modell lernt. Dazu gehören Epochen, Batchgröße, Bildgröße und der Name des Trainingslaufs für das Trainingsprotokoll. Viele dieser Parameter beeinflussen sowohl die Trainingsdauer als auch die endgültige Modellleistung.

Für eine besser kontrollierbare Ausführung kannst du auf der Plattform außerdem erweiterte Parameter wie Lernrate, Optimierertyp, Einstellungen für Farberweiterungen und weitere Trainingsoptionen anpassen. Mit diesen Einstellungen lässt sich der Trainingsprozess feinabstimmen, um Genauigkeit und Stabilität des Modells zu verbessern.

Schritt 4: GPU auswählen#

Als Nächstes kannst du die GPU-Konfiguration für deinen Trainingslauf auswählen. Die Wahl der richtigen GPU hängt von Faktoren wie Datensatzgröße, Batchgröße, Bildauflösung und Modellkomplexität ab. Das richtige Gleichgewicht sorgt für effizientes Training, ohne mehr Rechenleistung als nötig zu verwenden.

Die Ultralytics Platform bietet 22 GPU-Optionen mit unterschiedlichen Mengen an VRAM (Speicher auf einer GPU) und unterschiedlicher Rechenleistung. Damit werden sowohl kleine Aufgaben als auch umfangreiche Arbeitslasten unterstützt.

Damit kannst du die Hardware an deine spezifischen Anforderungen anpassen, unabhängig davon, ob du kompakte Modelle trainierst oder mit großen, komplexen Datensätzen arbeitest. Weitere Informationen findest du in der Liste der verfügbaren GPUs auf der Seite zur Platform-Trainingsdokumentation von Ultralytics.

Abb. 2. Einige der über die Ultralytics Platform verfügbaren GPU-Optionen (Quelle)

Schritt 5: Cloud-Training starten#

Sobald du Modell, Datensatz, Trainingsparameter und Rechenoption ausgewählt hast, lässt sich ein Trainingslauf schnell starten. Über das Dashboard kannst du das Training mit einem einzigen Klick starten. Die Plattform erledigt den Rest, indem sie die Umgebung initialisiert und den Auftrag auf der ausgewählten GPU ausführt.

Sobald das Training beginnt, kannst du den Fortschritt direkt innerhalb der Plattform überwachen. Der Tab „Train“ bietet Echtzeiteinblick in wichtige Kennzahlen, darunter Leistungskennzahlen, Verlustkurven, Systemauslastung und laufende Trainingsprotokolle.

Wenn du mehr über lokales Training oder die Verwendung von Google Colab mit der Ultralytics Platform erfahren möchtest, kannst du weitere Tutorials in der offiziellen Platform-Dokumentation von Ultralytics aufrufen.

Modelle in der Ultralytics Platform bewerten und vergleichen#

Sobald das Training abgeschlossen ist, besteht der nächste Schritt darin, die Leistung deines Modells zu bewerten. In der Ultralytics Platform kannst du mehrere Trainingsläufe innerhalb eines Projekts vergleichen und so übersichtlich erkennen, wie sich verschiedene Experimente schlagen.

Bei der Entwicklung von Modellen wird das Training häufig mehrmals mit unterschiedlichen Einstellungen wiederholt, etwa durch Änderungen an Lernrate, Batchgröße oder Modellgröße, um die Ergebnisse zu verbessern. Jeder dieser Läufe erzeugt ein etwas anderes Modell. Deshalb ist der Vergleich so wichtig.

Projekte dienen als zentrale Anlaufstelle, an der Modelle und Experimente gemeinsam organisiert werden. Du kannst den Fortschritt verfolgen, Ergebnisse überprüfen und konzentriert arbeiten, ohne zwischen verschiedenen Tools oder Ansichten wechseln zu müssen.

In dieser einheitlichen Ansicht kannst du außerdem wichtige Leistungskennzahlen wie Präzision, Trefferquote und mAP (mittlere durchschnittliche Präzision) analysieren, um zu verstehen, wie dein Modell bei verschiedenen Klassen abschneidet. Du kannst Trainingsläufe auch nebeneinander vergleichen, um festzustellen, welche Konfigurationen die besten Ergebnisse liefern.

Ergänzend zu diesen Kennzahlen kannst du den Tab „Predict“ verwenden, um trainierte Modelle schnell mit Beispielbildern oder -daten zu testen. So kannst du die Leistung visuell überprüfen und mögliche Probleme erkennen.

Mit diesen Erkenntnissen kannst du das leistungsstärkste Modell auswählen, das normalerweise als Checkpoint „best.pt“ gespeichert wird, und mit der nächsten Phase fortfahren – sei es mit einer weiteren Bewertung, der Verwendung des Modells für Inferenz oder der Bereitstellung des Modells über die Plattform.

Abb. 3. Beispiel für die Anzeige von Kennzahlen in der Ultralytics Platform (Quelle)

Trainingskosten in der Ultralytics Platform schätzen#

Das Training von Objekterkennungsmodellen in der Cloud verursacht Rechenkosten, insbesondere bei der Nutzung leistungsstarker GPUs. Um dies übersichtlicher zu gestalten, stellt die Ultralytics Platform vor Beginn des Trainings eine Kostenschätzung bereit.

Sie bietet einen klaren Überblick über die erwartete Nutzung. So kannst du Arbeitslasten planen, Budgets verwalten und unerwartete Ausgaben vermeiden, bevor du einen Trainingsauftrag startest. So kannst du die geschätzten Kosten vor dem Trainingsbeginn überprüfen.

So wird die Trainingszeit geschätzt#

Für eine genaue Kostenschätzung berechnet die Plattform zunächst, wie lange eine einzelne Trainingsepoche dauert. Dies hängt von Faktoren wie Datensatzgröße, Modellgröße, Bildauflösung, Batchgröße und der Geschwindigkeit der ausgewählten GPU ab.

Anhand dieser Eingaben bestimmt sie die geschätzte Zeit pro Epoche und rechnet sie auf den gesamten Trainingslauf hoch. Die Gesamtdauer wird berechnet, indem die Zeit aller Epochen zusammen mit einem kleinen Startaufwand berücksichtigt wird.

Der zusätzliche Aufwand umfasst Aufgaben wie die Initialisierung der Umgebung, das Laden von Datensätzen und die Vorbereitung der GPU. Dadurch spiegelt die Schätzung den vollständigen Trainingsprozess und nicht nur die Trainingsschleife wider.

So werden die Trainingskosten berechnet#

Sobald die gesamte Trainingszeit geschätzt wurde, rechnet die Plattform sie anhand des Stundensatzes der ausgewählten GPU in Kosten um.

Durch die Kombination von Trainingsdauer und GPU-Preis erhalten wir eine klare Schätzung der Kosten des Laufs, noch bevor er beginnt.

Ein transparenter Überblick im Voraus macht es einfach, deine Konfiguration anzupassen, etwa durch die Abstimmung von Trainingsparametern oder die Auswahl einer anderen GPU. So kannst du Leistung und Kosten effektiver ausbalancieren.

Abb. 4. Modelltraining in der Ultralytics Platform einrichten und Kosten schätzen (Quelle)

Die wichtigsten Vorteile der Ultralytics Platform für das Modelltraining#

Bisher haben wir die wichtigsten Schritte beim Training von Computer-Vision-Modellen und ihr Zusammenspiel in der Ultralytics Platform behandelt.

Über diese Kernfunktionen hinaus gibt es weitere Möglichkeiten, die den Trainingsablauf verbessern. Hier ist ein Überblick über einige der wichtigsten Vorteile der Ultralytics Platform für das Modelltraining:

• Integrierte Reproduzierbarkeit von Experimenten: Jeder Trainingslauf wird automatisch mit seiner vollständigen Konfiguration protokolliert, einschließlich Modell, Datensatz, Parametern und Rechenkonfiguration. Dadurch kannst du Experimente einfach erneut aufrufen und Ergebnisse zuverlässig reproduzieren.
• Trainingserkenntnisse im Zeitverlauf: Statt nur die Endergebnisse zu betrachten, kannst du verfolgen, wie sich die Leistung über die Epochen hinweg entwickelt. So erhältst du ein besseres Verständnis für das Verhalten des Modells während des Trainings.
• Weniger Betriebsaufwand: Da die Plattform die Einrichtung der Umgebung, die Verwaltung von Abhängigkeiten und die Infrastruktur im Hintergrund übernimmt, kannst du dich stärker auf die Modellentwicklung und weniger auf die Einrichtung konzentrieren.
• Zentrale Organisation von Experimenten: Projekte dienen als zentraler Ort zur Verwaltung von Modellen, Datensätzen und Trainingsläufen und helfen dabei, Experimente strukturiert zu halten, wenn Arbeitsabläufe komplexer werden.

Wichtige Erkenntnisse#

Training ist eine der wichtigsten Phasen im Lebenszyklus eines Machine-Learning-Modells. Es bestimmt, wie präzise ein Modell visuelle Daten erkennen und interpretieren kann.

Indem die Ultralytics Platform die Konfiguration der Trainingsdaten, die Überwachung, den Vergleich von Experimenten und die Kostenschätzung in einer Umgebung zusammenführt, vereinfacht sie die Entwicklung leistungsstarker Computer-Vision-Modelle und deren Vorbereitung auf die Bereitstellung.

Sieh dir unsere wachsende Community und unser GitHub-Repository an, um mehr über Computer Vision zu erfahren. Wenn du Vision-Lösungen entwickeln möchtest, informiere dich über unsere Lizenzoptionen. Besuche unsere Lösungsseiten, um mehr über die Vorteile von Computer Vision in der Fertigung und KI in der Landwirtschaft zu erfahren.