Data Labeling

Datenbeschriftung ist der grundlegende Prozess, bei dem Rohdaten – etwa Bilder, Videoframes, Text oder Audio – identifiziert und mit aussagekräftigen Tags oder Metadaten versehen werden, um Kontext bereitzustellen. Im Bereich des maschinellen Lernens (ML) können Algorithmen die physische Welt nicht von sich aus verstehen; sie benötigen einen „Lehrer“, der sie anleitet. Diese Anleitung erfolgt mithilfe beschrifteter Datensätze, die beim überwachten Lernen verwendet werden. Die Beschriftungen dienen als Ground Truth und stellen die korrekten Antworten dar, die das Modell vorherzusagen versucht. Unabhängig davon, ob ein einfacher Klassifikator oder eine komplexe Architektur wie Ultralytics YOLO26 trainiert wird: Die Genauigkeit, Konsistenz und Qualität dieser Beschriftungen sind die entscheidenden Faktoren für den Erfolg eines Modells.

Datenbeschriftung vs. Datenannotierung#

Obwohl die Begriffe im allgemeinen Sprachgebrauch oft synonym verwendet werden, gibt es einen erwähnenswerten feinen Unterschied. „Datenbeschriftung“ bezeichnet im Allgemeinen das übergeordnete Zuordnen einer Kategorie oder eines Tags zu einem Datenelement, etwa das Markieren einer E-Mail als „Spam“. Im Gegensatz dazu ist die Datenannotierung häufig stärker auf die Computer Vision (CV) ausgerichtet und umfasst die präzise Abgrenzung von Objekten mithilfe von Begrenzungsrahmen, Polygonen oder Schlüsselpunkten. In den meisten Workflows für ML-Operationen (MLOps) beschreiben jedoch beide Begriffe die Erstellung hochwertiger Trainingsdaten.

Wichtige Arten in der Computer Vision#

Die Methode der Beschriftung richtet sich nach der Aufgabe, die das Modell ausführen soll. Zu den gängigen Arten gehören:

• Bildklassifizierung: Zuordnung einer einzelnen Beschriftung zu einem gesamten Bild, etwa die Identifizierung einer Wetterlage als „bewölkt“ oder „sonnig“.
• Objekterkennung: Zeichnen von 2D-Begrenzungsrahmen um einzelne Objekte, damit das Modell lernt, um welches Objekt es sich handelt und wo es sich befindet.
• Instanzsegmentierung: Erstellen pixelgenauer Masken oder Polygone um Objekte, was für die Bestimmung präziser Formen und Grenzen unerlässlich ist.
• Posenschätzung: Markieren bestimmter Schlüsselpunkte an einem Subjekt, etwa Skelettgelenke, um Bewegungen oder Körperhaltungen zu analysieren.

Anwendungen in der Praxis#

Der Nutzen der Datenbeschriftung erstreckt sich auf praktisch jede Branche, in der KI eingesetzt wird.

1. Autonome Fahrzeuge: Selbstfahrende Autos sind auf umfangreiche Datensätze angewiesen, in denen jedes Fahrzeug, jeder Fußgänger, jedes Verkehrszeichen und jede Fahrbahnmarkierung akribisch beschriftet ist. Diese beschrifteten Daten ermöglichen es dem Wahrnehmungssystem, komplexe Umgebungen sicher zu navigieren. Unternehmen für autonome Fahrzeuge investieren viel in die Beschriftung auf Pixelebene, um die Einhaltung von Sicherheitsvorschriften zu gewährleisten.

2. Präzisionslandwirtschaft: In der modernen Landwirtschaft wird KI in der Landwirtschaft eingesetzt, um Pflanzenkrankheiten zu erkennen oder Wachstumsphasen zu überwachen. Landwirte verwenden Modelle, die mit beschrifteten Bildern von „gesunden“ und „kranken“ Blättern trainiert wurden, um die Behandlung zu automatisieren, den Einsatz von Chemikalien zu reduzieren und den Ertrag zu steigern.

Der Beschriftungsworkflow#

Die Erstellung eines beschrifteten Datensatzes ist häufig der zeitaufwendigste Teil eines KI-Projekts. Der Prozess basiert typischerweise auf einem „Mensch-in-der-Schleife“-Ansatz (HITL), bei dem menschliche Annotatoren die Beschriftungen überprüfen, um eine hohe Genauigkeit sicherzustellen. Moderne Workflows nutzen Tools wie die Ultralytics Platform, die die Datensatzverwaltung vereinfacht und Teams die gemeinsame Arbeit an Annotationen ermöglicht. Außerdem können fortschrittliche Methoden wie aktives Lernen eingesetzt werden: Dabei beschriftet ein Modell die Daten vor, und Menschen korrigieren nur Vorhersagen mit geringer Konfidenz, wodurch der Prozess deutlich beschleunigt wird.

Das folgende Beispiel zeigt, wie du ein vortrainiertes Ultralytics YOLO26-Modell verwenden kannst, um automatisch Beschriftungen (Auto-Beschriftung) für ein neues Bild zu erzeugen, die anschließend von Menschen korrigiert werden können:

from ultralytics import YOLO

# Load the YOLO26n model (nano version)
model = YOLO("yolo26n.pt")

# Run inference on an image to detect objects
results = model("https://ultralytics.com/images/bus.jpg")

# Save the detection results to a text file in standard YOLO format
# This file can now be used as a starting point for data labeling
results[0].save_txt("bus_labels.txt")