Datenbeschriftung
Lernen Sie die Grundlagen der Datenbeschriftung für maschinelles Lernen kennen. Entdecken Sie wichtige Typen wie die Objekterkennung und erfahren Sie, wie Sie Arbeitsabläufe mit Ultralytics beschleunigen können.
Datenbeschriftung ist der grundlegende Prozess der Identifizierung von Rohdaten – wie Bildern, Videobildern, Text oder Audio – und
des Hinzufügens informativer Tags oder Metadaten, um Kontext zu liefern. 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 in Form von
beschrifteten Datensätzen, die beim
überwachten Lernen verwendet werden. Die Beschriftungen dienen als
Grundwahrheit und stellen die richtigen Antworten dar, die das Modell
vorhersagen möchte. Unabhängig davon, ob ein einfacher Klassifikator oder eine komplexe Architektur wie
Ultralytics trainiert wird, sind die Genauigkeit, Konsistenz und Qualität
dieser Beschriftungen die wichtigsten Faktoren für den Erfolg eines Modells.
Datenbeschriftung vs. Datenannotation
Obwohl die Begriffe in der Umgangssprache oft synonym verwendet werden, gibt es einen feinen Unterschied, der beachtet werden sollte.
„Datenbeschriftung” bezieht sich im Allgemeinen auf den umfassenden Vorgang, einer Datenmenge eine Kategorie oder ein Tag zuzuweisen (z. B.
das Markieren einer E-Mail als „Spam”). Im Gegensatz dazu ist
die Datenannotation oft spezifischer für
Computer Vision (CV) und beinhaltet die präzise
Abgrenzung von Objekten mithilfe von Begrenzungsrahmen, Polygonen oder Schlüsselpunkten. In den meisten
MLOps-Workflows (Machine Learning Operations)
bezeichnen jedoch beide Begriffe die Erstellung hochwertiger
Trainingsdaten.
Wichtige Typen in der Bildverarbeitung
Die Art der Kennzeichnung hängt von der Aufgabe ab, die das Modell ausführen muss. Zu den gängigen Arten gehören:
-
Bildklassifizierung:
Zuweisung eines einzelnen Labels zu einem gesamten Bild, z. B. die Identifizierung einer Wetterlage als „bewölkt” oder
„sonnig”.
-
Objekterkennung: Zeichnen von 2D-
Begrenzungsrahmen um bestimmte Objekte, um dem
Modell beizubringen, um welches Objekt es sich handelt und wo es sich befindet.
-
Instanzsegmentierung:
Erstellen pixelgenauer Masken oder Polygone um Objekte herum, was
für die Bestimmung präziser Formen und Grenzen unerlässlich ist.
-
Posen-Schätzung: Markierung
bestimmter Schlüsselpunkte an einem Subjekt, wie z. B. Skelettgelenke
, um Bewegung oder Haltung zu analysieren.
Anwendungsfälle in der Praxis
Der Nutzen der Datenkennzeichnung erstreckt sich auf praktisch alle Branchen, in denen KI zum Einsatz kommt.
-
Autonome Fahrzeuge: Selbstfahrende Autos sind auf riesige Datensätze angewiesen, in denen jedes Fahrzeug, jeder Fußgänger, jedes
Verkehrszeichen und jede Fahrbahnmarkierung sorgfältig gekennzeichnet ist. Diese gekennzeichneten Daten ermöglichen es dem Wahrnehmungssystem,
sich sicher in komplexen Umgebungen zu bewegen.
Unternehmen, die autonome Fahrzeuge herstellen, investieren viel
in die Kennzeichnung auf Pixelebene, um die Einhaltung der Sicherheitsvorschriften zu gewährleisten.
-
Präzisionslandwirtschaft: In der modernen Landwirtschaft
wird KI eingesetzt, um Pflanzenkrankheiten detect
oder Wachstumsstadien zu überwachen. Landwirte verwenden Modelle, die anhand von gekennzeichneten Bildern „gesunder“ und
„kranker“ Blätter trainiert wurden, um die Behandlung zu automatisieren, den Einsatz von Chemikalien zu reduzieren und den Ertrag zu steigern.
Der Etikettierungs-Workflow
Die Erstellung eines beschrifteten Datensatzes ist oft der zeitaufwändigste Teil eines KI-Projekts. Der Prozess umfasst in der Regel einen
„Human-in-the-Loop”-Ansatz (HITL), bei dem menschliche Annotatoren die Beschriftungen überprüfen, um eine hohe Genauigkeit zu gewährleisten. Moderne
Workflows nutzen Tools wie die Ultralytics , die
die Verwaltung von Datensätzen vereinfacht und Teams die Zusammenarbeit bei Annotationen ermöglicht. Es können auch fortschrittliche Techniken wie
aktives Lernen eingesetzt werden, bei denen ein Modell
die Daten vorab kennzeichnet und Menschen nur die Vorhersagen mit geringer Zuverlässigkeit korrigieren, was den Prozess erheblich beschleunigt.
Das folgende Beispiel zeigt, wie ein vortrainiertes YOLO26-Modell verwendet werden kann, um automatisch Labels
(automatische Beschriftung) für ein neues Bild zu generieren, die dann 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")
.webp)