Was ist Overfitting in der Computer Vision und wie verhinderst du es?

Computer Vision-Modelle sind darauf ausgelegt, Muster zu erkennen, Objekte zu detektieren und Bilder zu analysieren. Ihre Leistung hängt jedoch davon ab, wie gut sie auf unbekannte Daten verallgemeinern. Generalisierung bezeichnet die Fähigkeit eines Modells, auf neuen Bildern gute Ergebnisse zu erzielen, nicht nur auf den Bildern, mit denen es trainiert wurde. Ein häufiges Problem beim Training dieser Modelle ist Overfitting. Dabei lernt ein Modell zu viel aus seinen Trainingsdaten, einschließlich unnötigem Rauschen, anstatt bedeutungsvolle Muster zu erkennen.

In diesem Fall erzielt das Modell bei den Trainingsdaten gute Ergebnisse, hat aber Schwierigkeiten mit neuen Bildern. So kann beispielsweise ein Modell zur Objekterkennung, das ausschließlich mit hochauflösenden, gut beleuchteten Bildern trainiert wurde, versagen, wenn es unter realen Bedingungen unscharfe oder schattige Bilder verarbeiten soll. Overfitting schränkt die Anpassungsfähigkeit eines Modells ein und begrenzt dadurch seinen Einsatz in realen Anwendungen wie autonomem Fahren, medizinischer Bildgebung und Sicherheitssystemen.

In diesem Artikel erfährst du, was Overfitting ist, warum es auftritt und wie du es verhindern kannst. Außerdem sehen wir uns an, wie Computer-Vision-Modelle wie Ultralytics YOLO11 dazu beitragen, Overfitting zu reduzieren und die Generalisierung zu verbessern.

Was ist Overfitting?#

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

In der Computer Vision kann sich Overfitting auf verschiedene Aufgaben auswirken. Ein Klassifikationsmodell, das ausschließlich mit hellen, klaren Bildern trainiert wurde, kann bei schlechten Lichtverhältnissen Schwierigkeiten haben. Ein Modell zur Objekterkennung, das aus perfekten Bildern lernt, kann in überfüllten oder unübersichtlichen Szenen versagen. Ebenso kann ein Modell zur Instanzsegmentierung unter kontrollierten Bedingungen gut funktionieren, aber Probleme mit Schatten oder überlappenden Objekten haben.

Dies wird bei realen KI-Anwendungen zum Problem, da Modelle über kontrollierte Trainingsbedingungen hinaus generalisieren können müssen. Selbstfahrende Autos müssen beispielsweise Fußgänger bei unterschiedlichen Lichtverhältnissen, Wetterbedingungen und in verschiedenen Umgebungen erkennen können. Ein Modell, das auf seinen Trainingsdaten Overfitting zeigt, wird in solchen unvorhersehbaren Szenarien keine zuverlässigen Ergebnisse liefern.

Wann und warum tritt Overfitting auf?#

Overfitting tritt meist aufgrund unausgewogener Datensätze, übermäßiger Modellkomplexität und zu langen Trainings auf. Hier sind die wichtigsten Ursachen:

• Begrenzte Trainingsdaten: Kleine Datensätze führen dazu, dass Modelle Muster auswendig lernen, anstatt sie zu verallgemeinern. Ein Modell, das nur mit 50 Vogelbildern trainiert wurde, kann 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.
• Fehlende Datenerweiterung: Ohne Transformationen wie Zuschneiden, Spiegeln oder Drehen lernt ein Modell möglicherweise nur aus seinen exakten Trainingsbildern.
• Zu langes Training: Wenn ein Modell die Trainingsdaten zu oft durchläuft, was als Epochen bezeichnet wird, merkt es sich Details, anstatt allgemeine Muster zu lernen, und wird dadurch weniger anpassungsfähig.
• Uneinheitliche oder verrauschte Beschriftungen: Falsch beschriftete Daten führen dazu, dass ein Modell falsche Muster lernt. Dies kommt bei manuell beschrifteten Datensätzen häufig vor.

Ein ausgewogenes Verhältnis zwischen Modellkomplexität, Datenqualität und Trainingsmethoden sorgt für eine bessere Generalisierung.

Overfitting im Vergleich zu Underfitting#

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

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

Overfitting tritt auf, wenn ein Modell zu komplex ist und sich dadurch übermäßig auf die Trainingsdaten konzentriert. Statt allgemeine Muster zu lernen, merkt es sich kleine Details, sogar irrelevante wie Hintergrundrauschen. Dadurch erzielt das Modell bei den Trainingsdaten gute Ergebnisse, hat aber Schwierigkeiten mit neuen Bildern. Es hat also nicht wirklich gelernt, Muster zu erkennen, die in unterschiedlichen Situationen gelten.

Underfitting tritt auf, wenn ein Modell zu einfach ist und deshalb wichtige Muster in den Daten übersieht. Dies kann vorkommen, wenn das Modell zu wenige Schichten hat, nicht lange genug trainiert wurde oder die Daten begrenzt sind. Infolgedessen erkennt es wichtige Muster nicht und erstellt ungenaue Vorhersagen. Dies führt sowohl bei den Trainings- als auch bei den Testdaten zu einer schlechten Leistung, weil das Modell nicht genug gelernt hat, um die Aufgabe richtig zu verstehen.

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

So erkennst du Overfitting#

An diesen Anzeichen lässt sich erkennen, dass ein Modell Overfitting zeigt:

• Wenn die Genauigkeit beim Training deutlich höher ist als bei der Validierung, zeigt das Modell wahrscheinlich Overfitting.
• Ein größer werdender Abstand zwischen Trainingsverlust und Validierungsverlust ist ein weiteres deutliches Anzeichen.
• Das Modell ist bei falschen Antworten zu selbstsicher. Das zeigt, dass es sich Details gemerkt hat, anstatt Muster zu verstehen.

Damit ein Modell gut generalisiert, muss es mit vielfältigen Datensätzen getestet werden, die reale Bedingungen widerspiegeln.

So verhinderst du Overfitting in der Computer Vision#

Overfitting ist nicht unvermeidbar und lässt sich verhindern. Mit den richtigen Techniken können Computer-Vision-Modelle allgemeine Muster lernen, anstatt Trainingsdaten auswendig zu lernen, und dadurch in realen Anwendungen zuverlässiger arbeiten.

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

Erhöhe die Datenvielfalt durch Datenerweiterung und synthetische Daten#

Die beste Möglichkeit, einem Modell gute Ergebnisse bei neuen Daten zu ermöglichen, besteht darin, den Datensatz mithilfe von Datenerweiterung und synthetischen Daten zu vergrößern. Synthetische Daten werden vom Computer erzeugt, anstatt aus realen Bildern gewonnen zu werden. Sie helfen dabei, Lücken zu schließen, wenn nicht genügend reale Daten vorhanden sind.

Abb. 2 Die Kombination realer und synthetischer Daten reduziert Overfitting und verbessert die Genauigkeit der Objekterkennung.

Bei der Datenerweiterung werden vorhandene Bilder leicht verändert, indem sie gespiegelt, gedreht, zugeschnitten oder in ihrer Helligkeit angepasst werden. So merkt sich das Modell nicht einfach Details, sondern lernt, Objekte in unterschiedlichen Situationen zu erkennen.

Synthetische Daten sind nützlich, wenn reale Bilder schwer zu beschaffen sind. Modelle für selbstfahrende Autos können beispielsweise mit computergenerierten Straßenszenen trainiert werden, um zu lernen, Objekte bei unterschiedlichen Wetter- und Lichtverhältnissen zu erkennen. Dadurch wird das Modell flexibler und zuverlässiger, ohne dass Tausende realer Bilder benötigt werden.

Optimiere Modellkomplexität und Architektur#

Ein tiefes neuronales Netzwerk, also ein Typ von maschinellem Lernmodell mit vielen Schichten, die Daten verarbeiten, ist nicht immer besser als ein einschichtiges Modell. Wenn ein Modell zu viele Schichten oder Parameter hat, merkt es sich Trainingsdaten, anstatt umfassendere Muster zu erkennen. Das Reduzieren unnötiger Komplexität kann helfen, Overfitting zu verhindern.

Eine Möglichkeit hierfür ist das Pruning, bei dem redundante Neuronen und Verbindungen entfernt werden, sodass das Modell schlanker und effizienter wird.

Eine weitere Möglichkeit besteht darin, die Architektur durch eine Verringerung der Anzahl von Schichten oder Neuronen zu vereinfachen. Vortrainierte Modelle wie Ultralytics YOLO11 sind darauf ausgelegt, mit weniger Parametern gut auf verschiedene Aufgaben zu generalisieren, und sind dadurch resistenter gegen Overfitting als ein tiefes Modell, das von Grund auf trainiert wird.

Das richtige Gleichgewicht zwischen Modelltiefe und Effizienz hilft dem Modell, nützliche Muster zu lernen, ohne lediglich Trainingsdaten auswendig zu lernen.

Setze Regularisierungstechniken ein#

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

• Dropout deaktiviert während des Trainings zufällige Teile des Modells, sodass es lernt, verschiedene Muster zu erkennen, anstatt sich zu sehr auf einige wenige Merkmale zu verlassen.
• Gewichtszerfall (L2-Regularisierung) wirkt extremen Gewichtswerten entgegen und hält dadurch die Komplexität des Modells unter Kontrolle.
• Batch-Normalisierung stabilisiert das Training, indem sie sicherstellt, dass das Modell weniger empfindlich auf Schwankungen im Datensatz reagiert.

Diese Techniken tragen dazu bei, die Flexibilität und Anpassungsfähigkeit eines Modells zu erhalten. Dadurch wird das Risiko von Overfitting reduziert, ohne die Genauigkeit zu beeinträchtigen.

Überwache das Training mit Validierung und frühzeitigem Abbruch#

Um Overfitting zu verhindern, ist es wichtig, zu verfolgen, wie das Modell lernt, und sicherzustellen, dass es gut auf neue Daten generalisiert. Dabei helfen unter anderem die folgenden Techniken:

• Frühzeitiger Abbruch: Beendet das Training automatisch, wenn sich das Modell nicht mehr verbessert, sodass es nicht weiter unnötige Details lernt.
• Kreuzvalidierung: Teilt die Daten in mehrere Teile auf und trainiert das Modell mit jedem dieser Teile. Dadurch lernt es Muster, anstatt sich bestimmte Bilder zu merken.

Diese Techniken helfen dem Modell, das richtige Gleichgewicht zu halten, sodass es genug lernt, um genaue Ergebnisse zu liefern, ohne sich zu stark auf die Trainingsdaten zu konzentrieren.

Verwende vortrainierte Modelle und verbessere die Datenbeschriftung#

Anstatt ein Modell von Grund auf zu trainieren, kann die Verwendung vortrainierter Modelle wie Ultralytics YOLO11 Overfitting reduzieren. YOLO11 wurde mit umfangreichen Datensätzen trainiert und kann dadurch gut auf unterschiedliche Bedingungen generalisieren.

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

Durch die Feinabstimmung eines vortrainierten Modells kann es sein bisheriges Wissen beibehalten und gleichzeitig neue Aufgaben lernen, sodass es sich nicht einfach die Trainingsdaten merkt.

Darüber hinaus ist eine hochwertige Beschriftung des Datensatzes entscheidend. Falsch beschriftete oder unausgewogene Daten können Modelle dazu verleiten, falsche Muster zu lernen. Das Bereinigen von Datensätzen, Korrigieren falsch beschrifteter Bilder und Ausbalancieren von Klassen verbessert die Genauigkeit und reduziert das Risiko von Overfitting. Ein weiterer effektiver Ansatz ist das adversarielle Training, bei dem das Modell leicht veränderten oder anspruchsvolleren Beispielen ausgesetzt wird, die seine Grenzen testen sollen.

Wichtige Erkenntnisse#

Overfitting ist ein häufiges Problem in der Computer Vision. Ein Modell kann mit Trainingsdaten gut funktionieren, aber Schwierigkeiten mit Bildern aus der realen Welt haben. Um dies zu vermeiden, tragen Techniken wie Datenerweiterung, Regularisierung und die Verwendung vortrainierter Modelle wie Ultralytics YOLO11 dazu bei, Genauigkeit und Anpassungsfähigkeit zu verbessern.

Durch die Anwendung dieser Methoden können KI-Modelle zuverlässig bleiben und in unterschiedlichen Umgebungen gute Ergebnisse liefern. Mit den Fortschritten im Deep Learning wird es entscheidend sein, eine zuverlässige Generalisierung der Modelle sicherzustellen, damit KI auch in der realen Welt erfolgreich eingesetzt werden kann.

Werde Teil unserer wachsenden Community! Besuche unser GitHub-Repository, um mehr über KI zu erfahren. Möchtest du deine eigenen Computer-Vision-Projekte starten? Sieh dir unsere Lizenzoptionen an. Entdecke Vision-KI für selbstfahrende Fahrzeuge und KI im Gesundheitswesen, indem du unsere Lösungsseiten besuchst!