Erste Rezepterstellung

OV10i Hinweis

Die OV10i unterstützt ausschließlich Klassifikationsmodelle. Die auf dieser Seite erwähnten Segmentierungsfunktionen sind auf den Kameras OV20i und OV80i verfügbar.

Dieser Deep Dive erläutert, was ein Rezept ist, beschreibt die Unterschiede zwischen Klassifikation und Segmentierung und bietet eine Schritt-für-Schritt-Anleitung zur Erstellung eines Rezepts. Er enthält außerdem eine detaillierte Anleitung zur Konfiguration des Imaging Setups, zur Aufnahme des Template Image und zur Einrichtung des Aligners, zur ROI-Optimierung, zur Datenerfassung und zum AI-Training sowie zur Konfiguration der Bildaugmentierung.

Video-Anleitung

Sehen Sie sich dieses Thema in Aktion an: How to create a segmentation recipe in minutes

---

Lernziele

Am Ende dieses Deep Dives werden Sie Folgendes verstehen:

• was ein Rezept ist
• den Unterschied zwischen Klassifikation und Segmentierung – und wann welche zu verwenden ist
• wie man ein Rezept erstellt
• wie man das Imaging Setup konfiguriert
• wie man ein Template Image aufnimmt und den Aligner konfiguriert
• was ROIs (Regions of Interest) sind und wie man sie optimiert
• Datenerfassung für das AI-Training
• Testen und Validieren von Rezepten

Was ist ein Rezept?

• Ein konfigurierter Satz von Anweisungen, der der Kamera vorgibt, wie ein bestimmtes Teil oder Produkt zu inspizieren ist.
• Definiert die Kameraeinstellungen, einschließlich Belichtung, Fokus und Beleuchtungsparameter für eine konsistente Bildaufnahme.
• Beinhaltet Verarbeitungslogik wie ROI-Definitionen, Aligner, Klassifikations- oder Segmentierungsklassen.
• Speichert Ein-/Ausgangskonfigurationen zur Integration mit Automatisierungssystemen für Pass/Fail- oder erweiterte Signale.
• Kann gespeichert und wiederverwendet werden, um konsistente Inspektionen über Schichten, Linien oder Werke hinweg sicherzustellen.

Klassifikation vs. Segmentierung

Definitionen

• Klassifikation: Identifizierung der Art des Objekts in der ROI
• Segmentierung: Lokalisierung und Analyse von Regionen im Bild/in der ROI

Beispiele

Bildklassifikation	Bildsegmentierung	Bildklassifikation	Bildsegmentierung
Was ist ein Schaf?	Welche Pixel gehören zu welchem Objekt?	Ist diese Pizza akzeptabel oder fehlerhaft?	Wo befindet sich jede Pepperoni?

Wichtiger Vergleich

	Klassifikation	Segmentierung
Geschwindigkeit	Die Geschwindigkeit hängt vom Imaging Setup und der Komplexität ab. Bei einfachen Konfigurationen im Allgemeinen effizient und schnell	Kann bei Optimierung genauso schnell oder sogar schneller sein als die Klassifikation, insbesondere mit optimierten Modellen
Genauigkeit	Gut für allgemeine Pass/Fail- oder Teiletyp-Identifizierung	Höhere Genauigkeit für präzise Fehlerlokalisierung
Komplexität	Einfach einzurichten und zu warten; weniger Parameter	Komplex – Benötigt mehr Daten, Labeling und Feinabstimmung
Datenbedarf	Gering – Benötigt weniger gelabelte Bilder	Moderat – Erfordert viele Bilder mit detaillierten pixelgenauen Annotationen
Anwendungsfälle	Teilepräsenz, Orientierung, grundlegende Qualitätsprüfungen, Teil eingesetzt/nicht eingesetzt usw.	Oberflächenfehler, Feinstruktur-Inspektion, Multi-Defekt-Erkennung, Zählung, Messung usw.

Erstellen und Exportieren eines Recipes

Verwenden Sie die Schaltfläche Export Recipe neben einem Recipe, um ein einzelnes Recipe zu exportieren.

Verwenden Sie die Schaltfläche Export oben auf dem Bildschirm, um mehrere Recipes gleichzeitig zu exportieren.

Verwenden Sie die Schaltfläche Import oben auf dem Bildschirm, um Recipes zu importieren.

hinweis

Hinweis: Jedes Recipe unterstützt jeweils nur einen Inspektionstyp – entweder Segmentation oder Classification. Wählen Sie den richtigen Typ, bevor Sie mit der Einrichtung beginnen.

Imaging Setup

Focus

• Was es ist: Passt die Schärfe des aufgenommenen Bildes an.
• Verwendung: Schieben Sie den Regler, bis Kanten und Details im Bild scharf und klar erscheinen.

tipp

Verwenden Sie beim Fokussieren ein Zielobjekt mit klaren Kanten (z. B. ein Lineal oder eine Kalibrierkarte).

Image Rotation

• Was es ist: Dreht das Bild (0° oder 180°).
• Wann verwenden: Wenn die Kamera in einem Winkel montiert ist, das Bild in der Benutzeroberfläche jedoch andersherum angezeigt werden soll.

hinweis

Wenn Sie das Bild um 90° drehen müssen, drehen Sie die Kamera.

Exposure (ms)

• Was es ist: Die Zeitdauer, die der Sensor während der Bildaufnahme dem Licht ausgesetzt ist.
• Auswirkung:
  • Höhere Belichtung → hellere Bilder, aber Risiko von Bewegungsunschärfe.
  • Niedrigere Belichtung → weniger Licht, aber schärfere Bilder bei schnell bewegten Anwendungen.

Unterbelichtet	Korrekt belichtet	Überbelichtet

tipp

Die Belichtung ist logarithmisch, und eine höhere Belichtung bedeutet mehr Latenz (da mehr Zeit für die Bildaufnahme erforderlich ist).

Gain

• Was es ist: Hellt das Bild digital künstlich auf (ähnlich wie ISO bei einer Kamera).
• Auswirkung:
  • Höherer Gain → helleres Bild, führt jedoch zu Rauschen (körniges Erscheinungsbild).
  • Niedrigerer Gain → saubereres Bild, benötigt jedoch gute Beleuchtung.

Hoher Gain	Niedriger Gain
Heller und stärkeres Rauschen	Dunkler und weniger Rauschen

tipp

Erhöhen Sie den Gain nur, wenn eine Anpassung der Belichtung oder Beleuchtung nicht möglich ist.

Auto White Balance

• Was es ist: Passt den Farbabgleich automatisch so an, dass Weißtöne weiß erscheinen.
• Wann verwenden:
  • Ideal für Umgebungen mit variablen oder wechselnden Lichtverhältnissen.
  • Für stabile Setups liefert ein manueller Weißabgleich konsistentere und reproduzierbarere Ergebnisse.

hinweis

So führen Sie den Weißabgleich manuell durch:

• Schalten Sie den Auto White Balance-Schalter auf ON.
• Legen Sie ein weißes Blatt Papier unter die Kamera oder vor das Objektiv.
• Schalten Sie den Schalter auf OFF, um die Weißabgleich-Einstellung zu fixieren.

Gamma

• Was es ist: Passt die Helligkeit der Mitteltöne an, ohne dunkle oder helle Bereiche zu stark zu beeinflussen.
• Wirkung: Nützlich, um Details in Schatten hervorzuheben oder übermäßig helle Lichter zu reduzieren.

Lens Correction

• Was es ist: Korrigiert Verzerrungen durch Weitwinkelobjektive.
• Wann aktivieren: Wenn die Bildränder gekrümmt oder verzerrt erscheinen, aktivieren Sie diese Option für eine genaue Ausrichtung.

LED Strobe Mode

• Was es ist: Steuert, wann das integrierte LED-Licht der Kamera auslöst.
• Optionen:
  • Off: LED ist dauerhaft eingeschaltet.
  • On: LED blitzt nur während der Aufnahme, wodurch Reflexionen reduziert werden.

LED Light Pattern

• Was es ist: Wählt aus, wie die LEDs leuchten (z. B. Alle an, alle aus, Links und Rechts, Oben und Unten usw.).
• Anwendungsfall: Passen Sie die Einstellung an Ihre Beleuchtungssituation an, um eine optimale Ausleuchtung des Teils zu erreichen.

tipp

Verwenden Sie gerichtete Muster, um Blendung oder Reflexionen zu reduzieren, indem Sie die LEDs ausschalten, die direkt auf reflektierende Oberflächen scheinen, während Sie schräg einfallende Lichtquellen aktiviert lassen, um die Sichtbarkeit zu verbessern.

LED Light Intensity

• Was es ist: Stellt die Helligkeit der LED-Beleuchtung ein.
• Best Practice: Beginnen Sie mit einem niedrigen Wert und erhöhen Sie ihn schrittweise, um Blendung oder Reflexionen zu vermeiden.

Photometric Control

• Was es ist: Nimmt mehrere Bilder (in der Regel vier) mit unterschiedlicher Richtungsbeleuchtung (links, rechts, oben und unten) auf und kombiniert diese anschließend zu einem einzigen, verbesserten Bild.
• Zweck: Diese Technik reduziert Schatten und hebt feine Oberflächenmerkmale hervor, indem eine gleichmäßige, konsistente Ausleuchtung über das gesamte Teil erzielt wird.
• Wann verwenden: Ideal für komplexe Teile, stark reflektierende Oberflächen oder Teile mit unregelmäßigen Texturen, bei denen Standardaufnahmen mit einer einzigen Lichtquelle wichtige Details übersehen können.

Trigger Settings

Manual Trigger

• Was es ist: Erfasst Bilder, wenn Sie die Schaltfläche auf dem HMI-Bildschirm drücken.
• Am besten geeignet für: Tests, Einrichtung oder manuelle Inspektionen.

Hardware Trigger

• Was es ist: Verwendet ein elektrisches Signal (z. B. von einem Sensor), um die Kamera auszulösen.
• Am besten geeignet für: Automatisierte Linien, bei denen ein Sensor die Anwesenheit eines Teils erkennt.

PLC Trigger

• Was es ist: Triggersignale werden über industrielle Steuerungen (PLCs) gesendet, um einen synchronisierten Betrieb mit anderen Maschinen zu ermöglichen.
• Am besten geeignet für: Vollautomatisierte Systeme, die präzises Timing erfordern.

Aligner Trigger

• Was es ist: Löst automatisch aus, wenn das System die Ausrichtung eines Teils im Sichtfeld erkennt.
• Am besten geeignet für: Anwendungen, bei denen Teile vor der Aufnahme eine konsistente Positionierung erfordern oder bei denen keine anderen zuverlässigen Trigger verfügbar sind.

Interval Trigger

• Was es ist: Löst die Kamera in festgelegten Zeitintervallen aus.
• Am besten geeignet für: Kontinuierliche Prozesse oder die Überwachung bewegter Linien ohne Sensoren zur Teileerkennung.

Vorlagenbild und Ausrichtung

Skip Aligner

• Was es ist: Deaktiviert den Ausrichtungsschritt während der Inspektion.
• Wann verwenden: Wenn sich das Teil immer an derselben Position und in derselben Ausrichtung im Bild befindet.

Template Regions

• Was es ist: Definiert den bzw. die Bereiche des Vorlagenbildes, die für die Ausrichtung verwendet werden.
  • Rectangle: Zeichnen einer rechteckigen ROI.
  • Circle: Zeichnen einer kreisförmigen ROI.
  • Ignore Template Region: Schließt bestimmte Bereiche von der Ausrichtung aus, um störende Muster oder irrelevante Merkmale zu vermeiden.
• Beste Verwendung: Hilft dem System, sich nur auf die markantesten Teilemerkmale für eine präzise Ausrichtung zu konzentrieren.

Rotation Range

• Was es ist: Legt fest, wie viel Rotation (in Grad) das System beim Abgleich des Teils mit der Vorlage toleriert.
• Beispiel: Eine Einstellung von ±20° erlaubt eine leichte Rotation des Teils, wobei dieses weiterhin erkannt wird.
• Wann anpassen: Erhöhen, wenn Teile während der Produktion zur Rotation neigen; verringern bei sehr gleichbleibender Ausrichtung.

Sensitivity

• Was es ist: Steuert, wie fein das System nach einer Übereinstimmung zwischen Live-Bild und Vorlage sucht.
• Auswirkung:
  • Hohe Sensitivität → erkennt feinere Details, nützlich für komplexe Teile.
  • Geringere Sensitivität → reduziert Fehlübereinstimmungen, kann jedoch feine Merkmale übersehen.

Confidence Threshold

• Was es ist: Legt den minimalen Konfidenzwert fest, den das System für die Annahme einer Erkennung erfordert.
• Auswirkung:
  • Höherer Schwellenwert → weniger Falscherkennungen, kann jedoch Grenzfälle übersehen.
  • Niedrigerer Schwellenwert → mehr Erkennungen, jedoch mit erhöhtem Risiko für Falscherkennungen.

tipp

Beginnen Sie mit einem moderaten Wert und passen Sie ihn basierend auf den Testergebnissen an.

Scale Invariant

• Was es ist: Ermöglicht dem System, Teile zu erkennen, die geringfügig größer oder kleiner als das ursprüngliche Vorlagenbild sind.
• Wann aktivieren: Wenn die Teilegröße aufgrund von Positionierung, Abstandsänderungen oder Fertigungstoleranzen leicht variieren kann.

Live Preview Legende

1. Eine konfigurierbare Bounding Box, die den spezifischen Bereich des Sichtfelds (FOV) der Kamera definiert, der während der Triggerung überwacht werden soll.

• Zweck: Stellt sicher, dass sich die Kamera nur auf den relevanten Bereich konzentriert und unnötige Hintergrundbereiche ignoriert.
• Beste Verwendung:
  • Bei bewegten Objekten, um sicherzustellen, dass das Teil vollständig im Erkennungsbereich bleibt.
  • Zur Optimierung der Verarbeitungsgeschwindigkeit durch Reduzierung der analysierten Bilddatenmenge.

2. Ein sichtbarer roter Punkt, der den Mittelpunkt aller definierten ROIs (Regions of Interest) im Bild anzeigt.

• Zweck: Hilft Ihnen dabei, den Suchbereich relativ zum Teil oder zur Kameraansicht auszurichten und zu positionieren.

3. Die grüne Linie zeigt an, dass die Kante des Objekts erkannt wurde.

tipp

Wenn sich die Linie rot verfärbt, versuchen Sie, die ROI zu vergrößern, die ROI anzupassen oder die Sensitivity zu erhöhen.

ROI (Region of Interest) Definition und Optimierung

Inspektionstypen

• Was es ist: Definiert den Typ der durchgeführten Inspektion und gruppiert ähnliche ROIs (Regions of Interest).
• Beispiel: „Holes" zur Prüfung der Anwesenheit, Größe oder Qualität von Bohrungen in einem Bauteil.
• Hauptmerkmale:
  • Add Inspection Type: Erstellen Sie neue Kategorien für verschiedene Inspektionsanforderungen.
  • # of ROIs: Zeigt an, wie viele ROIs diesem Inspektionstyp aktuell zugeordnet sind.

Transformation

• Was es ist: Passt die Position und Geometrie ausgewählter ROIs für eine präzise Ausrichtung und Platzierung an.
• Felder und ihr Zweck:
  • Height/Width: Ändert die Größe der ROI.
  • X / Y: Verschiebt die Position der ROI entlang der horizontalen (X) und vertikalen (Y) Achse.
  • Angle: Rotiert die ROI um ihren Mittelpunkt.
• Beste Anwendung: Beschleunigt die Einrichtung bei sich wiederholenden Mustern, wie etwa mehreren identischen Bohrungen.

Regions of Interest (ROIs)

• Was es ist: Eine Liste aller ROIs, die im Vorlagenbild definiert sind.
• Funktionen:
  • Add Region of Interest (ROI): Erstellen Sie manuell eine neue ROI.
  • Ignore Regions: Schließen Sie bestimmte Bereiche von der Verarbeitung aus.
  • Edit: Speichern, löschen oder abbrechen.
  • Lock Icon: Kennzeichnet gesperrte ROIs, die ohne Entsperren nicht verschoben werden können.

Live Preview Mode

• Was es ist: Zeigt Echtzeit-Feedback nach dem Anpassen oder Hinzufügen von ROIs.
• Anwendungsfall: Ideal zur Feinabstimmung von ROI-Positionen und -Größen während der Einrichtung.

Test-Schaltfläche

• Was es ist: Führt Backtesting anhand älterer Bilder aus, um Änderungen zu überprüfen.
• Anwendungsfall: Zum Vergleich aktueller Ergebnisse mit vorherigen Einstellungen hinsichtlich Genauigkeit und Konsistenz.

Datensammlung und KI-Training

Definieren Sie verschiedene Inspektionsklassen und beschriften Sie jede ROI entsprechend dem zugewiesenen Inspektionstyp (siehe Beispiel unten).

Verwenden Sie die Annotation Tools, um das Bild zu beschriften/annotieren. Nutzen Sie das Dropdown-Menü Brush Class, um die zu annotierende Klasse auszuwählen. Das aktuelle Limit liegt bei bis zu 10 Klassen pro Rezept für die Segmentierung.

Bedeutung guter Daten

• Garbage In, Garbage Out: KI-Modelle können nur so gut sein wie die Daten, mit denen sie gefüttert werden. Daten von schlechter Qualität oder inkonsistente Daten führen zu ungenauen Ergebnissen.

• Vielfalt zählt: Erfassen Sie Daten, die alle realen Variationen abbilden: verschiedene Schichten, Lichtverhältnisse, Bauteilpositionen und Oberflächenzustände.

• Qualität vor Quantität: Ein kleinerer, sauberer und gut beschrifteter Datensatz erzielt oft bessere Ergebnisse als ein großer, aber verrauschter oder inkonsistenter Datensatz.

Grundlagen der Annotation:

• Classification: Markieren Sie gesamte Bilder oder ROIs als eine bestimmte Klasse (z. B. „Good", „Damaged").
• Segmentation: Übermalen, umranden oder markieren Sie bestimmte relevante Bereiche mit pixelgenauer Präzision (z. B. Kratzerposition auf einer Oberfläche).
• Konsistenz: Verwenden Sie einheitliche Regeln und Definitionen für die Beschriftung, um Verwirrung während des Trainings zu vermeiden.

Häufige Fallstricke

• Unzureichende Daten: Zu wenige Stichproben führen zu Underfitting und damit zu schlechter Leistung in der Praxis.
• Unausgewogene Klassen: Eine Überrepräsentation einer Klasse (z. B. viele „gute" Teile, aber wenige fehlerhafte) verzerrt das Modell.
• Schlechte Beschriftung: Falsche, inkonsistente oder überhastete Beschriftung führt zu erheblichen Genauigkeitseinbußen.
• Ignorieren von Umgebungsveränderungen: Wird der Datensatz nicht aktualisiert, wenn sich Beleuchtung, Bauteilausrichtung oder Oberflächenzustände ändern, führt dies zu Genauigkeitsdrift.
• Fehlende Datenvalidierung: Das Überspringen von Qualitätsprüfungen vor dem Training führt oft zu Zeitverlust und Nacharbeit.

Datenaugmentierung

Bildaugmentierungen modifizieren Ihre Trainingsbilder künstlich, um die Robustheit des Modells zu verbessern. Sie simulieren reale Variationen wie Helligkeitsänderungen, Rotationen oder Rauschen, damit das Modell unter verschiedenen Bedingungen gut funktioniert.

Farbaugmentierungen

Brightness (Helligkeit)

• Was es ist: Passt an, wie hell oder dunkel das Bild erscheint.
• Anwendungsfall: Zur Handhabung leichter Beleuchtungsänderungen während der Produktion.

tipp

Verwenden Sie ±0.1 für stabile Setups; erhöhen Sie den Wert, wenn die Beleuchtung stärker variiert.

Contrast (Kontrast)

• Was es ist: Verändert den Unterschied zwischen hellen und dunklen Bereichen.
• Anwendungsfall: Nützlich für Teile mit Textur oder unterschiedlichen Oberflächen, damit sich das Modell an visuelle Unterschiede anpassen kann.

Hue (Farbton)

• Was es ist: Verschiebt die Farbtöne leicht.
• Anwendungsfall: Gut für Setups, bei denen sich die Lichtfarbe (z. B. LED-Temperatur) im Laufe der Zeit ändern kann.

Saturation (Sättigung)

• Was es ist: Passt die Intensität der Farben an.
• Anwendungsfall: Hilft bei Beleuchtungsvariationen, die Bilder matter oder lebendiger erscheinen lassen.

Geometrische Augmentierungen

Rotation Range (Rotationsbereich)

• Was es ist: Rotiert das Bild zufällig innerhalb des festgelegten Bereichs (z. B. ±20°).
• Anwendungsfall: Für Teile, die in leicht gedrehten Positionen ankommen können.

tipp

Vermeiden Sie übermäßige Rotation für Teile, die üblicherweise in ihrer Ausrichtung fixiert sind.

Flip (Spiegeln)

• Was es ist: Spiegelt das Bild horizontal, vertikal oder beides.
• Anwendungsfall: Hilfreich für symmetrische Teile oder wenn sich die Ausrichtung während der Handhabung umkehren kann.

Beleuchtungs- & Farbsimulation

Planckian

• Was es ist: Simuliert Variationen der Farbtemperatur (z. B. warme oder kühle Beleuchtung).
• Anwendungsfall: Behandelt verschiedene Schichten oder Arbeitszellen mit unterschiedlichen Lichtquellen.

Gaussian Noise (Gaußsches Rauschen)

• Was es ist: Fügt dem Bild ein subtiles Rauschen hinzu.
• Anwendungsfall: Verbessert die Robustheit, wenn Ihre Produktionsumgebung leichtes visuelles Rauschen oder Kamerasensor-Artefakte aufweist.

Bewegungssimulation

Motion Blur (Bewegungsunschärfe)

• Was es ist: Simuliert leichte Unschärfe, als hätte sich das Teil während der Aufnahme bewegt.
• Anwendungsfall: Entscheidend für Hochgeschwindigkeitslinien, bei denen Bewegungsunschärfe auftreten kann.

Wahrscheinlichkeit (prob)

• Was es ist: Legt die Wahrscheinlichkeit fest, mit der jede Augmentierung während des Trainings angewendet wird.
• Beispiel: 0.50 = 50 % Wahrscheinlichkeit, dass diese Änderung auf ein beliebiges Trainingsbild angewendet wird.

tipp

Beginnen Sie bei den meisten Augmentierungen mit 0.5 und passen Sie den Wert an die reale Variabilität an.

Trainingsparameter (Segmentierung)

Trainingsparameter (auch Hyperparameter genannt) sind die Einstellungen, die steuern, wie ein Machine-Learning-Modell aus Daten lernt.

Learning Rate (Lernrate)

• Definition: Steuert, wie schnell das Modell seine internen Gewichte während des Trainings aktualisiert.
• Wert (0.003): Je höher die Lernrate, desto schneller lernt das Modell, aber ein zu hoher Wert kann zu Instabilität oder schlechter Genauigkeit führen.
• Slider-Bereich: Von 10^-4 (sehr langsam) bis 10^-1 (sehr schnell).

tipp

Üblicherweise ist ein Wert zwischen 0.001–0.01 ein guter Ausgangspunkt für Segmentierungsaufgaben.

ROI (Region of Interest) Größe

• Definition: Legt die Größe (Breite × Höhe) des Bildbereichs fest, der während des Trainings verwendet wird.
• Nicht aktiviert: Standardmäßig bestimmt das Modell die ROI automatisch anhand Ihrer Daten.
• Wenn aktiviert: Sie können Breite und Höhe manuell festlegen, wenn Sie einheitliche Eingabedimensionen benötigen (zum Beispiel alle Bilder auf 256×256 Pixel zugeschnitten).

tipp

Verwenden Sie eine feste Größe (z. B. 256×256), wenn Ihr Datensatz Bilder unterschiedlicher Größe enthält und Sie eine einheitliche Eingabe für bessere Stabilität, Reproduzierbarkeit oder zur Anpassung an eine bekannte Modellarchitektur wünschen.

Lassen Sie die Größe automatisch wählen, wenn Ihre Daten bereits eine einheitliche Auflösung haben oder wenn das System die beste Region of Interest anhand der Eigenschaften Ihres Datensatzes optimieren soll.

Anzahl der Iterationen (Epochs)

• Definition: Eine Epoch = ein vollständiger Durchlauf durch den gesamten Trainingsdatensatz.
• Wert (100): Das Modell wird für 100 vollständige Durchläufe trainiert.

tipp

Eine Erhöhung dieses Wertes verbessert in der Regel die Genauigkeit bis zu einem gewissen Punkt, dauert aber länger.

Faustregel: Überwachen Sie den Trainings- und Validierungsverlust während des Trainings. Wenn der Validierungsverlust nicht mehr sinkt, während der Trainingsverlust weiter abnimmt, ist dies ein Anzeichen dafür, dass das Modell überanpasst (Overfitting) und Sie das Training früher beenden sollten.

Architecture

• Definition: Wählt die Größe und Komplexität des neuronalen Netzes aus.
• Small: Trainiert schneller und ist für die meisten Datensätze oft ausreichend. Ideal für schnelles Experimentieren oder kleinere Datensätze.
• Größere Modelle können mehr Details erfassen, neigen aber bei kleinen Datensätzen zum Overfitting, während kleinere Modelle effizienter sind und bei begrenzten Daten besser generalisieren.

tipp

Beginnen Sie mit Small – dies ist oft ausreichend und ermöglicht schnellere Iterationen, bevor Sie hochskalieren.

External GPU

Kontaktieren Sie den Support, um mehr über External GPU zu erfahren.

Trainingsparameter (Classification)

Trainingsparameter (auch Hyperparameter genannt) sind die Einstellungen, die steuern, wie ein Machine-Learning-Modell aus Daten lernt.

Learning Rate

• Definition: Steuert, wie schnell das Modell seine internen Gewichte während des Trainings aktualisiert.
• Wert (0.003): Je höher die Learning Rate, desto schneller lernt das Modell, aber zu hohe Werte können zu Instabilität oder geringer Genauigkeit führen.
• Schieberegler-Bereich: Von 10^-4 (sehr langsam) bis 10^-1 (sehr schnell).

tipp

Üblicherweise ist ein Wert zwischen 0.001–0.01 ein guter Ausgangspunkt für Segmentierungsaufgaben.

Validation Percent

• Definition: Legt fest, welcher Anteil Ihres Datensatzes für die Validierung (Testen während des Trainings) reserviert wird.
• Zweck: Validierungsdaten helfen dabei, zu überwachen, wie gut das Modell bei unbekannten Beispielen abschneidet, und verhindern Overfitting.
• Bereich: 0–50%.

tipp

Häufige Werte sind 10–20%.

Bei 0% werden alle Daten für das Training verwendet, was die Trainingsgenauigkeit verbessern kann, aber die Erkennung von Overfitting erschwert.

ROI (Region of Interest) Größe

• Definition: Legt die Größe (Breite × Höhe) des Bildbereichs fest, der beim Training verwendet wird.
• Nicht aktiviert: Standardmäßig bestimmt das Modell die ROI automatisch anhand Ihrer Daten.
• Wenn aktiviert: Sie können Breite und Höhe manuell festlegen, wenn Sie konsistente Eingabeabmessungen benötigen (z. B. alle Bilder auf 256×256 Pixel zugeschnitten).

tipp

Verwenden Sie eine feste Größe (z. B. 256×256), wenn Ihr Datensatz Bilder unterschiedlicher Größe enthält und Sie eine konsistente Eingabe für bessere Stabilität, Reproduzierbarkeit oder zur Abstimmung mit einer bekannten Modellarchitektur wünschen.

Lassen Sie die automatische Wahl zu, wenn Ihre Daten bereits eine einheitliche Auflösung haben oder wenn Sie möchten, dass das System die beste Region of Interest basierend auf den Eigenschaften Ihres Datensatzes optimiert.

Anzahl der Iterationen (Epochen)

• Definition: Eine Epoche = ein vollständiger Durchlauf durch den gesamten Trainingsdatensatz.
• Wert (100): Das Modell wird für 100 vollständige Durchläufe trainiert.

tipp

Eine Erhöhung dieser Zahl verbessert in der Regel die Genauigkeit bis zu einem gewissen Punkt, dauert aber länger.

Faustregel: Überwachen Sie den Training- und Validation Loss während des Trainings. Wenn der Validation Loss nicht mehr sinkt, während der Training Loss weiter fällt, ist dies ein Zeichen dafür, dass das Modell overfittet und Sie das Training früher beenden sollten.

Architektur

• Definition: Wählt die Größe und Komplexität des neuronalen Netzwerks aus.
• Small: Trainiert schneller und ist für die meisten Datensätze oft ausreichend. Ideal für schnelles Experimentieren oder kleinere Datensätze.

tipp

Beginnen Sie mit Small – es ist oft ausreichend und ermöglicht schnellere Iterationen, bevor Sie skalieren.

Architektur und Kamera	Beschreibung	Empfohlene Verwendung
ConvNeXt-Pico	Ultraleichtes Modell, optimiert für Geschwindigkeit und geringen Speicherbedarf.	Ideal für schnelle Experimente oder begrenzte Hardware.
ConvNeXt-Nano	Etwas größer als Pico; bessere Genauigkeit mit minimalem Mehraufwand.	Gute Balance für kleine bis mittlere Datensätze.
ConvNeXt-Tiny	Bietet verbesserte Genauigkeit bei weiterhin effizientem Betrieb.	Geeignet für moderate Datensätze und längere Trainingsläufe.
ConvNeXt-Small	Leistungsfähigste Variante in dieser Liste. Höhere Kapazität und Genauigkeit.	Für große Datensätze oder wenn maximale Leistung benötigt wird.

External GPU

Kontaktieren Sie den Support, um mehr über External GPU zu erfahren.