Data Labeling
Lerne die Grundlagen der Datenkennzeichnung für maschinelles Lernen. Entdecke wichtige Typen wie Objekterkennung und wie du Arbeitsabläufe mit Ultralytics YOLO26 beschleunigst.
Data labeling ist der grundlegende Prozess, rohe Daten – wie Bilder, Videoframes, Text oder Audio – zu identifizieren und informative Tags oder Metadaten hinzuzufügen, um Kontext bereitzustellen. Im Bereich des machine learning (ML) können Algorithmen die physische Welt nicht von Natur aus verstehen; sie benötigen einen „Lehrer“, der sie anleitet. Diese Anleitung erfolgt in Form von gelabelten Datensätzen, die beim supervised learning verwendet werden. Die Labels dienen als ground truth und repräsentieren die korrekten Antworten, die das Modell vorherzusagen versucht. Unabhängig davon, ob du einen einfachen Klassifikator oder eine komplexe Architektur wie Ultralytics YOLO26 trainierst, sind die Genauigkeit, Konsistenz und Qualität dieser Labels die Hauptfaktoren für den Erfolg eines Modells.
Datenkennzeichnung vs. Datenannotation#
Obwohl die Begriffe in der Umgangssprache oft synonym verwendet werden, gibt es einen subtilen Unterschied, den es zu beachten gilt. „Data labeling“ bezieht sich im Allgemeinen auf den weiten Akt des Zuweisens einer Kategorie oder eines Tags zu einem Datenpunkt (z. B. das Markieren einer E-Mail als „Spam“). Im Gegensatz dazu ist data annotation oft spezifischer für computer vision (CV) und beinhaltet die präzise Abgrenzung von Objekten mittels Bounding Boxes, Polygonen oder Keypoints. In den meisten ML operations (MLOps)-Workflows beschreiben jedoch beide Begriffe die Erstellung von hochwertigen training data.
Wichtige Arten in der Computer Vision#
Die Methode der Kennzeichnung ändert sich je nach Aufgabe, die das Modell ausführen muss. Zu den gängigen Arten gehören:
- Image Classification: Zuweisung eines einzelnen Labels zu einem gesamten Bild, wie etwa die Identifizierung einer Wetterbedingung als „bewölkt“ oder „sonnig“.
- Object Detection: Zeichnen von 2D-bounding boxes um bestimmte Objekte herum, um dem Modell beizubringen, was das Objekt ist und wo es sich befindet.
- Instance Segmentation: Erstellung pixelgenauer Masken oder Polygone um Objekte herum, was unerlässlich ist, um präzise Formen und Grenzen zu bestimmen.
- Pose Estimation: Markierung spezifischer keypoints an einem Subjekt, wie Gelenke eines Skeletts, um Bewegung oder Haltung zu analysieren.
Praxisanwendungen#
Der Nutzen der Datenkennzeichnung erstreckt sich auf praktisch jede Branche, die KI einsetzt.
-
Autonome Fahrzeuge: Selbstfahrende Autos verlassen sich auf massive Datensätze, in denen jedes Fahrzeug, jeder Fußgänger, jedes Verkehrsschild und jede Fahrbahnmarkierung akribisch gelabelt ist. Diese gelabelten Daten ermöglichen es dem Wahrnehmungssystem, sicher durch komplexe Umgebungen zu navigieren. Unternehmen für autonomous vehicle investieren massiv in das Labeling auf Pixelebene, um die Einhaltung von Sicherheitsvorschriften zu gewährleisten.
-
Präzisionslandwirtschaft: In der modernen Landwirtschaft wird AI in agriculture eingesetzt, um Pflanzenkrankheiten zu erkennen oder Wachstumsstadien zu überwachen. Landwirte nutzen Modelle, die mit gelabelten Bildern von „gesunden“ versus „kranken“ Blättern trainiert wurden, um die Behandlung zu automatisieren, den Einsatz von Chemikalien zu reduzieren und den Ertrag zu steigern.
Der Workflow der Kennzeichnung#
Das Erstellen eines gelabelten Datensatzes ist oft der zeitaufwändigste Teil eines KI-Projekts. Der Prozess beinhaltet typischerweise einen „Human-in-the-Loop“ (HITL)-Ansatz, bei dem menschliche Annotatoren Labels überprüfen, um eine hohe Genauigkeit sicherzustellen. Moderne Workflows nutzen Tools wie die Ultralytics Platform, die das Dataset-Management vereinfacht und es Teams ermöglicht, bei Annotationen zusammenzuarbeiten. Es können auch fortgeschrittene Techniken wie active learning eingesetzt werden, bei denen ein Modell die Daten vorab labelt und Menschen nur die Vorhersagen mit geringer Konfidenz korrigieren, was den Prozess erheblich beschleunigt.
Das folgende Beispiel zeigt, wie du ein vortrainiertes YOLO26-Modell verwendest, um automatisch Labels (Auto-Labeling) für ein neues Bild zu generieren, 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")
