Was ist Overfitting in der Computer Vision und wie verhindert man es?

Computer Vision-Modelle sind darauf ausgelegt, Muster zu erkennen, Objekte zu identifizieren und Bilder zu analysieren. Ihre Leistung hängt jedoch davon ab, wie gut sie auf unbekannte Daten verallgemeinern. Generalisierung ist die Fähigkeit des Modells, bei neuen Bildern gut zu funktionieren, nicht nur bei jenen, mit denen es trainiert wurde. Ein häufiges Problem beim Training dieser Modelle ist Overfitting, bei dem ein Modell zu viel aus seinen Trainingsdaten lernt, einschließlich unnötigem Rauschen, anstatt sinnvolle Muster zu identifizieren.

Wenn dies geschieht, liefert das Modell gute Ergebnisse bei Trainingsdaten, hat aber bei neuen Bildern Schwierigkeiten. Zum Beispiel könnte ein Object Detection-Modell, das nur mit hochauflösenden, gut beleuchteten Bildern trainiert wurde, versagen, wenn es unter realen Bedingungen auf unscharfe oder schattierte Bilder trifft. Overfitting begrenzt die Anpassungsfähigkeit eines Modells und schränkt dessen Einsatz in realen Anwendungen wie autonomem Fahren, medizinischer Bildgebung und Sicherheitssystemen ein.

In diesem Artikel untersuchen wir, was Overfitting ist, warum es auftritt und wie man es verhindert. Wir sehen uns auch an, wie Computer-Vision-Modelle wie Ultralytics YOLO11 dazu beitragen, Overfitting zu reduzieren und die Generalisierung zu verbessern.

Link to this sectionWas ist Overfitting?#

Overfitting tritt auf, wenn ein Modell Trainingsdaten auswendig lernt, anstatt Muster zu erlernen, die allgemein auf neue Eingaben zutreffen. Das Modell konzentriert sich zu stark auf die Trainingsdaten und hat daher Schwierigkeiten mit neuen Bildern oder Situationen, die es zuvor noch nicht gesehen hat.

In der Computer Vision kann Overfitting verschiedene Aufgaben betreffen. Ein Klassifizierungsmodell, das nur mit hellen, klaren Bildern trainiert wurde, kann bei schlechten Lichtverhältnissen Probleme haben. Ein Object-Detection-Modell, das von perfekten Bildern lernt, könnte in überfüllten oder unübersichtlichen Szenen versagen. Ähnlich kann ein Instance-Segmentation-Modell in kontrollierten Umgebungen gut funktionieren, aber bei Schatten oder überlappenden Objekten Schwierigkeiten haben.

Dies wird zu einem Problem bei realen KI-Anwendungen, bei denen Modelle in der Lage sein müssen, über kontrollierte Trainingsbedingungen hinaus zu generalisieren. Selbstfahrende Autos müssen zum Beispiel in der Lage sein, Fußgänger bei unterschiedlichen Lichtverhältnissen, Wetterbedingungen und Umgebungen zu erkennen. Ein Modell, das sein Trainingsset überanpasst, wird in solchen unvorhersehbaren Szenarien nicht zuverlässig funktionieren.

Link to this sectionWann und warum tritt Overfitting auf?#

Overfitting tritt in der Regel aufgrund unausgewogener Datensätze, übermäßiger Modellkomplexität und Übertraining auf. Hier sind die Hauptursachen:

• Begrenzte Trainingsdaten: Kleine Datensätze führen dazu, dass Modelle Muster auswendig lernen, anstatt sie zu verallgemeinern. Ein Modell, das nur mit 50 Vogelbildern trainiert wurde, könnte Schwierigkeiten haben, Vogelarten außerhalb dieses Datensatzes zu erkennen.
• Komplexe Modelle mit zu vielen Parametern: Tiefe Netzwerke mit übermäßig vielen Schichten und Neuronen neigen dazu, feine Details auswendig zu lernen, anstatt sich auf wesentliche Merkmale zu konzentrieren.
• Mangel an Data Augmentation: Ohne Transformationen wie Zuschneiden, Spiegeln oder Rotieren lernt ein Modell möglicherweise nur von seinen exakten Trainingsbildern.
• Langes Training: Wenn ein Modell die Trainingsdaten zu oft durchläuft, was als Epochs bezeichnet wird, merkt es sich Details, anstatt allgemeine Muster zu erlernen, wodurch es weniger anpassungsfähig wird.
• Inkonsistente oder verrauschte Labels: Falsch gelabelte Daten führen dazu, dass ein Modell die falschen Muster lernt. Dies ist bei manuell gelabelten Datensätzen üblich.

Ein ausgewogener Ansatz hinsichtlich Modellkomplexität, Datensatzqualität und Trainingsmethoden sorgt für eine bessere Generalisierung.

Link to this sectionOverfitting vs. Underfitting#

Overfitting und Underfitting sind zwei völlig gegensätzliche Probleme im Deep Learning.

Abb. 1. Vergleich von Underfitting, optimalem Lernen und Overfitting bei Computer-Vision-Modellen.

Overfitting tritt auf, wenn ein Modell zu komplex ist, wodurch es zu stark auf die Trainingsdaten fokussiert ist. Anstatt allgemeine Muster zu lernen, merkt es sich kleine Details, sogar irrelevante Dinge wie Hintergrundrauschen. Dies führt dazu, dass das Modell bei den Trainingsdaten gut abschneidet, bei neuen Bildern jedoch Schwierigkeiten hat, was bedeutet, dass es nicht wirklich gelernt hat, Muster zu erkennen, die in verschiedenen Situationen gelten.

Underfitting tritt auf, wenn ein Modell zu einfach strukturiert ist, sodass es wichtige Muster in den Daten übersieht. Dies kann passieren, wenn das Modell zu wenige Schichten hat, nicht genug Trainingszeit zur Verfügung steht oder die Daten begrenzt sind. Infolgedessen erkennt es wichtige Muster nicht und macht ungenaue Vorhersagen. Dies führt zu einer schlechten Leistung sowohl bei den Trainings- als auch bei den Testdaten, da das Modell nicht genug gelernt hat, um die Aufgabe richtig zu verstehen.

Ein gut trainiertes Modell findet das Gleichgewicht zwischen Komplexität und Generalisierung. Es sollte komplex genug sein, um relevante Muster zu lernen, aber nicht so komplex, dass es Daten auswendig lernt, anstatt die zugrunde liegenden Zusammenhänge zu erkennen.

Link to this sectionWie lässt sich Overfitting erkennen?#

Hier sind einige Anzeichen dafür, dass ein Modell overfitting betreibt:

• Wenn die Trainingsgenauigkeit deutlich höher ist als die Validierungsgenauigkeit, liegt wahrscheinlich ein Overfitting vor.
• Eine zunehmende Kluft zwischen Trainingsverlust und Validierungsverlust ist ein weiteres starkes Indiz.
• Das Modell ist zu überzeugt von falschen Antworten, was zeigt, dass es Details auswendig gelernt hat, anstatt Muster zu verstehen.

Um sicherzustellen, dass ein Modell gut generalisiert, muss es an vielfältigen Datensätzen getestet werden, die reale Bedingungen widerspiegeln.

Link to this sectionWie lässt sich Overfitting in der Computer Vision verhindern?#

Overfitting ist nicht unvermeidlich und kann verhindert werden. Mit den richtigen Techniken können Computer-Vision-Modelle allgemeine Muster lernen, anstatt Trainingsdaten auswendig zu lernen, was sie in realen Anwendungen zuverlässiger macht.

Hier sind fünf Schlüsselstrategien, um Overfitting in der Computer Vision zu verhindern.

Link to this sectionErhöhung der Datenvielfalt durch Augmentation und synthetische Daten#

Der beste Weg, einem Modell zu helfen, bei neuen Daten gut zu funktionieren, ist die Erweiterung des Datensatzes durch Data Augmentation und synthetische Daten. Synthetische Daten werden computergeneriert, anstatt sie aus realen Bildern zu sammeln. Sie helfen, Lücken zu füllen, wenn nicht genügend reale Daten vorhanden sind.

Abb. 2. Die Kombination von realen und synthetischen Daten reduziert Overfitting und verbessert die Genauigkeit der Objekterkennung.

Data Augmentation verändert bestehende Bilder leicht durch Spiegeln, Rotieren, Zuschneiden oder Anpassen der Helligkeit, sodass das Modell nicht nur Details auswendig lernt, sondern lernt, Objekte in verschiedenen Situationen zu erkennen.

Synthetische Daten sind nützlich, wenn reale Bilder schwer zu bekommen sind. Zum Beispiel können Modelle für selbstfahrende Autos mit computergenerierten Straßenszenen trainiert werden, um zu lernen, wie man Objekte bei verschiedenen Wetter- und Lichtverhältnissen erkennt. Dies macht das Modell flexibler und zuverlässiger, ohne dass tausende reale Bilder benötigt werden.

Link to this sectionOptimierung von Modellkomplexität und Architektur#

Ein tiefes Neural Network – eine Art Machine-Learning-Modell mit vielen Schichten zur Datenverarbeitung anstelle einer einzigen – ist nicht immer besser. Wenn ein Modell zu viele Schichten oder Parameter hat, merkt es sich die Trainingsdaten, anstatt allgemeinere Muster zu erkennen. Die Reduzierung unnötiger Komplexität kann helfen, Overfitting zu verhindern.

Ein Ansatz hierfür ist Pruning, bei dem redundante Neuronen und Verbindungen entfernt werden, was das Modell schlanker und effizienter macht.

Ein weiterer Ansatz ist die Vereinfachung der Architektur durch die Reduzierung der Anzahl an Schichten oder Neuronen. Vorab trainierte Modelle wie YOLO11 sind darauf ausgelegt, bei Aufgaben mit weniger Parametern gut zu generalisieren, wodurch sie widerstandsfähiger gegen Overfitting sind als das Training eines tiefen Modells von Grund auf.

Das Finden des richtigen Gleichgewichts zwischen Modelltiefe und Effizienz hilft dabei, nützliche Muster zu erlernen, ohne die Trainingsdaten einfach nur auswendig zu lernen.

Link to this sectionAnwendung von Regularisierungstechniken#

Regularisierungstechniken verhindern, dass Modelle zu stark von spezifischen Merkmalen in den Trainingsdaten abhängig werden. Hier sind einige häufig verwendete Techniken:

• Dropout schaltet während des Trainings zufällige Teile des Modells ab, sodass es lernt, verschiedene Muster zu erkennen, anstatt sich zu sehr auf wenige Merkmale zu verlassen.
• Weight Decay (L2-Regularisierung) entmutigt extreme Gewichtswerte und hält die Komplexität des Modells unter Kontrolle.
• Batch Normalization hilft bei der Stabilisierung des Trainings, indem sichergestellt wird, dass das Modell weniger empfindlich auf Variationen im Datensatz reagiert.

Diese Techniken tragen dazu bei, die Flexibilität und Anpassungsfähigkeit eines Modells zu erhalten und das Risiko von Overfitting zu verringern, während die Genauigkeit gewahrt bleibt.

Link to this sectionÜberwachung des Trainings mit Validierung und Early Stopping#

Um Overfitting zu verhindern, ist es wichtig zu verfolgen, wie das Modell lernt, und sicherzustellen, dass es gut auf neue Daten generalisiert. Hier sind ein paar Techniken, die dabei helfen:

• Early Stopping: Beendet das Training automatisch, wenn sich das Modell nicht mehr verbessert, sodass es nicht weiter unnötige Details lernt.
• Cross-Validation: Unterteilt die Daten in Teile und trainiert das Modell auf jedem einzelnen davon. Dies hilft ihm, Muster zu lernen, anstatt spezifische Bilder auswendig zu lernen.

Diese Techniken helfen dem Modell, im Gleichgewicht zu bleiben, sodass es genug lernt, um genau zu sein, ohne sich zu sehr nur auf die Trainingsdaten zu konzentrieren.

Link to this sectionVerwendung von vorab trainierten Modellen und Verbesserung der Datensatz-Labeling-Qualität#

Anstatt von Grund auf zu trainieren, kann die Verwendung vorab trainierter Modelle wie YOLO11 Overfitting reduzieren. YOLO11 wurde mit umfangreichen Datensätzen trainiert, wodurch es gut über verschiedene Bedingungen hinweg generalisieren kann.

Abb. 3. Vorab trainierte Computer-Vision-Modelle verbessern die Genauigkeit und verhindern Overfitting.

Das Fine-Tuning eines vorab trainierten Modells hilft ihm, sein bereits erworbenes Wissen zu behalten, während es neue Aufgaben erlernt, sodass es nicht einfach nur die Trainingsdaten auswendig lernt.

Zusätzlich ist die Sicherstellung einer hochwertigen Datensatz-Labeling-Qualität unerlässlich. Falsch gelabelte oder unausgewogene Daten können Modelle dazu verleiten, falsche Muster zu lernen. Das Bereinigen von Datensätzen, das Korrigieren falsch gelabelter Bilder und das Ausbalancieren von Klassen verbessern die Genauigkeit und verringern das Risiko von Overfitting. Ein weiterer effektiver Ansatz ist Adversarial Training, bei dem das Modell leicht veränderten oder anspruchsvolleren Beispielen ausgesetzt wird, die dazu entworfen wurden, seine Grenzen zu testen.

Link to this sectionWichtige Erkenntnisse#

Overfitting ist ein häufiges Problem in der Computer Vision. Ein Modell kann bei Trainingsdaten gut funktionieren, aber bei realen Bildern Schwierigkeiten haben. Um dies zu vermeiden, helfen Techniken wie Data Augmentation, Regularisierung und die Verwendung von vorab trainierten Modellen wie YOLO11 dabei, die Genauigkeit und Anpassungsfähigkeit zu verbessern.

Durch die Anwendung dieser Methoden können KI-Modelle zuverlässig bleiben und in verschiedenen Umgebungen gut funktionieren. Da sich das Deep Learning weiterentwickelt, wird die Sicherstellung einer ordnungsgemäßen Generalisierung der Modelle der Schlüssel für den Erfolg realer KI-Anwendungen sein.

Werde Teil unserer wachsenden Community! Erkunde unser GitHub-Repository, um mehr über KI zu erfahren. Bereit für deine eigenen Computer-Vision-Projekte? Sieh dir unsere Lizenzoptionen an. Entdecke Vision KI beim autonomen Fahren und KI im Gesundheitswesen auf unseren Lösungsseiten!