Arten von KI-Lerntechniken, die in der Computer Vision verwendet werden

Machine learning ist eine Form der artificial intelligence (AI), die Computern hilft, aus Daten zu lernen, sodass sie eigenständig Entscheidungen treffen können, ohne dass für jede Aufgabe eine detaillierte Programmierung erforderlich ist. Dabei werden algorithmic models erstellt, die Muster in Daten erkennen können. Indem diese Algorithmen Muster in data erkennen und daraus lernen, können sie ihre performance mit der Zeit kontinuierlich verbessern.

Ein Bereich, in dem machine learning eine entscheidende Rolle spielt, ist das computer vision, ein Teilgebiet der KI, das sich auf visual data konzentriert. Computer vision nutzt maschinelles Lernen, um Computern dabei zu helfen, Muster in Bildern und Videos zu erkennen und zuzuordnen. Angetrieben durch die Fortschritte beim maschinellen Lernen wird der global market value von Computer Vision bis 2032 voraussichtlich rund 175,72 Milliarden US-Dollar erreichen.

In diesem Artikel betrachten wir die verschiedenen Arten des maschinellen Lernens, die im computer vision verwendet werden – darunter überwachtes, unüberwachtes, bestärkendes und Transferlernen – und wie diese in unterschiedlichen Anwendungen eine Rolle spielen. Fangen wir an!

Übersicht über Machine Learning in der Computer Vision#

Computer Vision basiert auf maschinellem Lernen, insbesondere auf Techniken wie deep learning und neural networks, um visuelle Informationen zu interpretieren und zu analysieren. Diese Methoden ermöglichen es Computern, computer vision tasks wie das detecting objects in Bildern, das classifying images nach Kategorien und das recognizing faces auszuführen. Maschinelles Lernen ist zudem unerlässlich für computer vision applications in Echtzeit wie die quality control in der manufacturing und die medical imaging im Bereich healthcare. In diesen Fällen helfen neural networks Computern dabei, komplexe visuelle Daten zu interpretieren, wie etwa beim analyzing brain scans zur detecting tumors.

Tatsächlich basieren viele fortschrittliche Computer-Vision-Modelle wie Ultralytics YOLO11 auf neuronalen Netzen.

Abb. 1. Segmentierung von Gehirnscans mit Ultralytics YOLO11.

Es gibt verschiedene Lernmethoden im Machine Learning, wie überwachtes Lernen, unüberwachtes Lernen, Transfer-Learning und verstärkendes Lernen, die die Grenzen dessen, was in der Computer Vision möglich ist, verschieben. In den folgenden Abschnitten erkunden wir jede dieser Arten, um zu verstehen, wie sie zur Computer Vision beitragen.

Erkundung des überwachten Lernens (Supervised Learning)#

Supervised learning ist die am häufigsten verwendete Form des maschinellen Lernens. Beim überwachten Lernen werden Modelle anhand von labeled data trained. Jede Eingabe wird mit der korrekten Ausgabe versehen, was dem Modell beim Lernen hilft. Ähnlich wie ein student learning von einer Lehrkraft, fungieren diese beschrifteten Daten als Leitfaden oder Betreuer.

Während des training erhält das Modell sowohl Eingabedaten (die zu verarbeitenden Informationen) als auch Ausgabedaten (die richtigen Antworten). Dieser Aufbau hilft dem Modell, die Verbindung zwischen Eingaben und Ausgaben zu erlernen. Das Hauptziel des überwachten Lernens besteht darin, dass das Modell eine Regel oder ein Muster findet, das jede Eingabe präzise mit ihrer korrekten Ausgabe verknüpft. Mit dieser Zuordnung kann das Modell bei neuen Daten präzise Vorhersagen treffen. Beispielsweise stützt sich die Gesichtserkennung im computer vision auf überwachtes Lernen, um Gesichter anhand dieser gelernten Muster zu identifizieren.

Eine häufige Anwendung hierfür ist das Entsperren deines smartphone per Gesichtserkennung. Das Modell wird mit beschrifteten Bildern deines Gesichts trainiert, sodass es beim Entsperren des Smartphones das Live-Bild mit den gelernten Daten abgleicht. Wenn eine Übereinstimmung erkannt wird, entsperrt sich dein Telefon.

Fig 2. Gesichtserkennung kann zum Entsperren deines Smartphones verwendet werden.

Wie funktioniert unüberwachtes Lernen (Unsupervised Learning) in der KI?#

Unsupervised learning ist eine Art des maschinellen Lernens, die unbeschriftete Daten nutzt – das Modell erhält während des Trainings keine Anleitung oder korrekten Antworten. Stattdessen lernt es, Muster und Erkenntnisse eigenständig zu entdecken.

Unüberwachtes Lernen identifiziert Muster mithilfe von drei Hauptmethoden:

• Clustering: Fasst ähnliche Datenpunkte zusammen. Dies ist nützlich für Aufgaben wie die customer segmentation, bei der ähnliche Kunden anhand ihres behaviors oder ihrer Merkmale gruppiert werden können.
• Association: Wird verwendet, um Beziehungen zwischen Elementen zu identifizieren und Verbindungen innerhalb der Daten aufzudecken (zum Beispiel das Finden von Produkten, die oft zusammen gekauft werden, bei der market basket analysis).
• Dimensionality reduction: Vereinfacht Datensätze durch das Entfernen redundanter Merkmale, was bei der Visualisierung und Verarbeitung hilft.

Eine chiave Anwendung des unüberwachten Lernens ist die image compression, bei der Techniken wie k-means clustering die Bildgröße reduzieren, ohne die visuelle Qualität zu beeinträchtigen. Pixel werden in Cluster eingeteilt, und jedes Cluster wird durch eine Durchschnittsfarbe repräsentiert, was zu einem Bild mit weniger Farben und einer kleineren Dateigröße führt.

Abb. 3. Ein Beispiel für unüberwachte Bildkomprimierung.

Allerdings hat das unüberwachte Lernen auch gewisse Einschränkungen. Ohne vordefinierte Antworten kann es Schwierigkeiten hinsichtlich der Genauigkeit und der evaluation der performance geben. Es erfordert oft manuellen Aufwand, um Ergebnisse zu interpretieren und Gruppen zu beschriften, und es reagiert empfindlich auf Probleme wie fehlende Werte und Rauschen, die die Qualität der Ergebnisse beeinträchtigen können.

Verstärkendes Lernen (Reinforcement Learning) erklärt#

Im Gegensatz zum überwachten und unüberwachten Lernen stützt sich reinforcement learning nicht auf Trainingsdaten. Stattdessen nutzt es Agenten in Form neuronaler Netze, die mit einer Umgebung interagieren, um ein bestimmtes Ziel zu erreichen.

Der Prozess umfasst drei Hauptkomponenten:

• Agent: Der Lernende oder Entscheidungsträger.
• Umgebung: Alles, womit der Agent interagiert; dies kann real oder virtuell sein.
• Belohnungssignal: Ein numerischer Wert, der nach jeder Aktion gegeben wird und den Agenten zum Ziel führt.

Wenn der Agent Aktionen ausführt, beeinflusst dies die Umgebung, die daraufhin mit Feedback reagiert. Das Feedback hilft dem Agenten, seine Entscheidungen zu bewerten und sein Verhalten anzupassen. Das Belohnungssignal hilft dem Agenten zu verstehen, welche Aktionen ihn dem Ziel näher bringen.

Bestärkendes Lernen ist der Schlüssel für Anwendungsfälle wie autonomous driving und robotics. Beim autonomous driving lernen Aufgaben wie Fahrzeugsteuerung, Objekterkennung und Vermeidung auf Basis von Feedback. Modelle werden mithilfe neuronaler Netzagenten trainiert, um Fußgänger oder andere Objekte zu erkennen und geeignete Maßnahmen zur avoid collision zu ergreifen. Ähnlich ermöglicht das bestärkende Lernen in der robotics Aufgaben wie Objektmanipulation und Bewegungssteuerung.

Ein hervorragendes Beispiel für angewandtes bestärkendes Lernen ist ein Projekt von OpenAI, bei dem Forscher trained AI agents entwickelten, um das beliebte Multiplayer-video game Dota 2 zu spielen. Mithilfe neuronaler Netze verarbeiteten diese Agenten riesige Mengen an Informationen aus der game environment, um schnelle, strategische Entscheidungen zu treffen. Durch kontinuierliches Feedback lernten und verbesserten sich die Agenten mit der Zeit, bis sie schließlich ein Fähigkeitsniveau erreichten, das ausreichte, um einige der game’s top players zu schlagen.

Fig 4. Menschliche vs. KI-basierte Interpretation der Dota-Matrix.

Die Grundlagen des Transfer-Learnings verstehen#

Transfer learning unterscheidet sich von anderen Lernarten. Anstatt training a model von Grund auf neu zu beginnen, wird ein pre-trained model auf einem großen dataset verwendet und für eine neue, aber ähnliche Aufgabe feinabgestimmt. Das beim ersten Training erworbene Wissen wird genutzt, um die performance für die neue Aufgabe zu verbessern. Transfer learning verkürzt die für das Training einer neuen Aufgabe erforderliche Zeit je nach deren Komplexität. Es funktioniert, indem die anfänglichen Schichten des Modells behalten werden, die allgemeine Merkmale erfassen, und die finalen Schichten durch die für die neue, spezifische Aufgabe ersetzt werden.

Der künstlerische Stiltransfer ist eine interessante Anwendung des Transferlernens im Computer Vision. Diese Technik versetzt ein Modell in die Lage, ein Bild so zu transformieren, dass es dem Stil verschiedener artwork entspricht. Um dies zu erreichen, wird ein neuronales Netz zunächst anhand eines großen Datensatzes von Bildern trainiert, die mit ihren künstlerischen Stilen verknüpft sind. Durch diesen Prozess lernt das Modell, allgemeine Bildmerkmale und Stilmuster zu erkennen.

Sobald das Modell trainiert ist, kann es feinabgestimmt werden, um den Stil eines bestimmten Gemäldes auf ein neues Bild anzuwenden. Das Netzwerk passt sich an das neue Bild an, während die gelernten Stilmerkmale bewahrt bleiben, was es ermöglicht, ein einzigartiges Ergebnis zu erzielen, das den ursprünglichen Inhalt mit dem gewählten künstlerischen Stil kombiniert. Du könntest zum Beispiel ein Foto einer Bergkette nehmen und den Stil von Edvard Munchs Der Schrei anwenden, was zu einem Bild führt, das die Szene einfängt, aber mit dem kühnen, ausdrucksstarken Stil des Gemäldes.

Fig 5. Ein Beispiel für künstlerischen Stiltransfer mittels Transferlernen.

Ein Blick auf die Unterschiede zwischen den Machine Learning-Arten#

Nachdem wir nun die Hauptarten des Machine Learnings behandelt haben, schauen wir uns jede genauer an, damit du besser verstehst, was für verschiedene Anwendungen am besten geeignet ist.

• Überwachtes Lernen: Diese Art ist sehr genau, wenn mit beschrifteten Daten gearbeitet wird, erfordert jedoch viele Daten und kann empfindlich auf Rauschen reagieren.
• Unüberwachtes Lernen: Es ist nützlich für die Erkundung unbeschrifteter Daten, um verborgene Muster zu finden, obwohl die Ergebnisse weniger präzise und schwerer zu interpretieren sein können.
• Verstärkendes Lernen: Es trainiert Agenten, um schrittweise Entscheidungen in komplexen Umgebungen zu treffen, erfordert jedoch oft erhebliche Rechenleistung.
• Transfer-Learning: Dieser Ansatz nutzt vortrainierte Modelle, um das Training zu beschleunigen und die Leistung bei neuen Aufgaben zu verbessern, insbesondere wenn die Daten begrenzt sind.

Abb. 6. Ein Vergleich aller Machine Learning-Arten. Bild vom Autor.

Die Wahl des richtigen Typs des maschinellen Lernens hängt von mehreren Faktoren ab. Überwachtes Lernen funktioniert gut, wenn du über reichlich beschriftete Daten und eine klare Aufgabe verfügst. Unüberwachtes Lernen ist nützlich für die Datenanalyse oder wenn beschriftete Beispiele Mangelware sind. Bestärkendes Lernen ist ideal für komplexe Aufgaben, die schrittweise Entscheidungsfindungen erfordern, während Transferlernen hervorragend geeignet ist, wenn Daten begrenzt oder Ressourcen knapp sind. Unter Berücksichtigung dieser Faktoren kannst du den am besten geeigneten Ansatz für dein computer vision project auswählen.

Zusammenfassung#

Machine Learning-Techniken können eine Vielzahl von Herausforderungen bewältigen, insbesondere in Bereichen wie Computer Vision. Indem du die verschiedenen Arten – überwachtes, unüberwachtes, verstärkendes und Transfer-Learning – verstehst, kannst du den besten Ansatz für deine Bedürfnisse wählen.

Überwachtes Lernen ist hervorragend für Aufgaben, die eine hohe Genauigkeit und beschriftete Daten erfordern, während unüberwachtes Lernen ideal ist, um Muster in unbeschrifteten Daten zu finden. Verstärkendes Lernen funktioniert gut in komplexen, entscheidungsbasierten Umgebungen, und Transfer-Learning ist hilfreich, wenn du auf vortrainierten Modellen mit begrenzten Daten aufbauen möchtest.

Jede Methode hat einzigartige Stärken und Anwendungen, von Gesichtserkennung über Robotik bis hin zu künstlerischem Stiltransfer. Die Wahl der richtigen Art kann neue Möglichkeiten in Branchen wie dem Gesundheitswesen, der Automobilindustrie und der Unterhaltungsbranche eröffnen.

Um mehr zu erfahren, besuche unser GitHub-Repository und tausche dich mit unserer Community aus. Entdecke KI-Anwendungen in selbstfahrenden Autos und in der Landwirtschaft auf unseren Lösungsseiten. 🚀