Erstellung des ersten Rezepts

OV10i Hinweis

Der OV10i unterstützt nur Klassifizierungsmodelle. Die auf dieser Seite genannten Segmentierungsfunktionen sind auf den Kameras OV20i und OV80i verfügbar.

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

Video-Anleitung

Sehen Sie sich dieses Thema in Aktion an: Wie man in wenigen Minuten ein Segmentierungsrezept erstellt

---

Lernziele

Am Ende dieses Deep Dive werden Sie Folgendes verstehen:

• was ein Rezept ist
• den Unterschied zwischen Klassifizierung und Segmentierung – und wann welche Methode einzusetzen 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
• Test und Validierung von Rezepten

Was ist ein Rezept?

• Ein konfigurierter Satz von Anweisungen, der der Kamera mitteilt, wie ein bestimmtes Teil oder Produkt zu prüfen ist.
• Definiert Kameraeinstellungen, einschließlich Belichtung, Fokus und Beleuchtungsparameter für eine gleichbleibende Bildaufnahme.
• Enthält Verarbeitungslogik wie ROI-Definitionen, Aligner, Klassifizierungs- oder Segmentierungsklassen.
• Speichert Ein-/Ausgangskonfigurationen zur Integration in Automatisierungssysteme für Gut/Schlecht- oder erweiterte Signale.
• Kann gespeichert und wiederverwendet werden, um konsistente Inspektionen über Schichten, Linien oder Standorte hinweg zu gewährleisten.

Klassifizierung vs. Segmentierung

Definitionen

• Klassifizierung: Identifizierung des Objekttyps im ROI
• Segmentierung: Lokalisierung und Analyse von Bereichen im Bild/ROI

Beispiele

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

Wichtiger Vergleich

	Klassifizierung	Segmentierung
Geschwindigkeit	Die Geschwindigkeit hängt vom Image Setup und der Komplexität ab. Bei einfachen Setups im Allgemeinen effizient und schnell	Kann bei Optimierung genauso schnell oder sogar schneller sein als die Klassifizierung, insbesondere mit optimierten Modellen
Genauigkeit	Gut geeignet für allgemeine Gut/Schlecht-Entscheidungen oder Teiletyp-Identifizierung	Höhere Genauigkeit für die präzise Lokalisierung von Fehlern
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	Teileerkennung, Ausrichtung, grundlegende Qualitätsprüfungen, Teil eingesetzt/nicht eingesetzt usw.	Oberflächenfehler, Feinmerkmalprüfung, Erkennung mehrerer Fehler, Zählung, Vermessung 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.
• So verwenden Sie es: Schieben Sie den Regler, bis Kanten und Details im Bild scharf und klar erscheinen.

tipp

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

Image Rotation

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

hinweis

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

Exposure (ms)

• Was es ist: Wie lange der Sensor während der Bildaufnahme dem Licht ausgesetzt wird.
• Effekt:
  • 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 benötigt wird).

Gain

• Was es ist: Hellt das Bild digital künstlich auf (ähnlich wie ISO bei einer Kamera).
• Effekt:
  • Höherer Gain → helleres Bild, fügt jedoch Rauschen hinzu (körniges Aussehen).
  • Niedrigerer Gain → saubereres Bild, benötigt aber gute Beleuchtung.

Hoher Gain	Niedriger Gain
Heller und verrauschter	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 an, sodass Weißtöne weiß erscheinen.
• Wann Sie es verwenden:
  • Ideal für Umgebungen mit variablen oder wechselnden Lichtverhältnissen.
  • Bei stabilen Setups liefert der manuelle Weißabgleich konsistentere und reproduzierbarere Ergebnisse.

hinweis

So passen Sie den Weißabgleich manuell an:

• Schalten Sie den Auto-White-Balance-Schalter ON.
• Legen Sie ein weißes Blatt Papier unter die Kamera oder vor das Objektiv.
• Schalten Sie den Schalter OFF, um die Weißabgleichseinstellung 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 sichtbar zu machen oder zu helle Lichter abzuschwächen.

Lens Correction

• Was es ist: Korrigiert Verzerrungen von Weitwinkelobjektiven.
• Wann aktivieren: Wenn die Bildränder gekrümmt oder verzerrt erscheinen, aktivieren Sie diese Option, um die Genauigkeit bei Ausrichtungsaufgaben zu gewährleisten.

LED Strobe Mode

• Was es ist: Steuert, wann das integrierte LED-Licht der Kamera ausgelöst wird.
• 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 Blendungen oder Reflexionen zu reduzieren, indem Sie die LEDs ausschalten, die direkt auf reflektierende Oberflächen strahlen, während schräg einfallende Lichtquellen für bessere Sichtbarkeit aktiv bleiben.

LED Light Intensity

• Was es ist: Passt die Helligkeit der LED-Beleuchtung an.
• Best Practice: Beginnen Sie mit einer niedrigen Intensität und erhöhen Sie diese schrittweise, um Blendungen oder Reflexionen zu vermeiden.

Photometric Control

• Was es ist: Nimmt mehrere Bilder (typischerweise vier) mit unterschiedlicher gerichteter Beleuchtung (links, rechts, oben und unten) auf und kombiniert sie anschließend zu einem einzigen, verbesserten Bild.
• Zweck: Diese Technik reduziert Schatten und hebt subtile Oberflächenmerkmale hervor, indem sie eine gleichmäßige, konsistente Ausleuchtung über das gesamte Teil hinweg bereitstellt.
• Wann verwenden: Ideal für komplexe Teile, stark reflektierende Oberflächen oder Teile mit ungleichmäßigen Texturen, bei denen Standardbilder mit einer einzelnen Lichtquelle kritische Details übersehen könnten.

Trigger Settings

Manual Trigger

• Was es ist: Nimmt Bilder auf, 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: Auslösesignale werden über industrielle Steuerungen (PLCs) gesendet, um einen synchronisierten Betrieb mit anderen Maschinen zu ermöglichen.
• Am besten geeignet für: Vollautomatisierte Systeme, die eine präzise zeitliche Abstimmung erfordern.

Aligner Trigger

• Was es ist: Löst automatisch aus, wenn das System eine Teilausrichtung im Sichtfeld erkennt.
• Am besten geeignet für: Anwendungen, bei denen Teile vor der Aufnahme konsistent positioniert sein müssen 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 laufender 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 in derselben Position und Ausrichtung im Bild befindet.

Template Regions

• Was es ist: Definiert den/die Bereich(e) des Vorlagenbildes, die für die Ausrichtung verwendet werden.
  • Rectangle: Zeichnen Sie eine rechteckige ROI.
  • Circle: Zeichnen Sie eine kreisförmige ROI.
  • Ignore Template Region: Schließen Sie bestimmte Bereiche von der Ausrichtung aus, um ablenkende Muster oder irrelevante Merkmale zu vermeiden.
• Beste Anwendung: Hilft dem System, sich nur auf die markantesten Merkmale des Teils zu konzentrieren, um eine präzise Ausrichtung zu erreichen.

Rotation Range

• Was es ist: Legt fest, wie viel Rotation (in Grad) das System toleriert, wenn es das Teil mit der Vorlage abgleicht.
• Beispiel: Eine Einstellung von ±20° erlaubt eine leichte Rotation des Teils, wobei es dennoch erkannt wird.
• Wann anpassen: Erhöhen Sie den Wert, wenn Teile während der Produktion zur Rotation neigen; verringern Sie ihn bei hochkonstanten Ausrichtungen.

Sensitivity

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

Confidence Threshold

• Was es ist: Legt den minimalen Konfidenzwert fest, der erforderlich ist, damit das System eine Erkennung akzeptiert.
• Auswirkung:
  • Höherer Schwellenwert → weniger False Positives, aber möglicherweise werden Grenzfälle übersehen.
  • Niedrigerer Schwellenwert → mehr Erkennungen, jedoch mit erhöhtem Risiko für False Positives.

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.

Legende zur Live-Vorschau

1. Ein konfigurierbarer Bounding Box, der den spezifischen Bereich des Sichtfelds (FOV) der Kamera definiert, der beim Triggern überwacht werden soll.

• Zweck: Stellt sicher, dass sich die Kamera nur auf den relevanten Bereich konzentriert und unnötige Hintergrundbereiche ignoriert.
• Beste Anwendung:
  • Für bewegte Objekte, um zu gewährleisten, dass das Teil vollständig innerhalb des Erkennungsbereichs bleibt.
  • Zur Optimierung der Verarbeitungsgeschwindigkeit, indem die Menge der analysierten Bilddaten reduziert wird.

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

• Zweck: Hilft Ihnen, 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 in Rot ändert, versuchen Sie, die ROI-Größe zu erhöhen, 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 von Vorhandensein, Größe oder Qualität von Löchern in einem Teil.
• Hauptfunktionen:
  • Add Inspection Type: Erstellen Sie neue Kategorien für unterschiedliche Inspektionsanforderungen.
  • # of ROIs: Zeigt an, wie viele ROIs diesem Inspektionstyp aktuell zugewiesen sind.

Transformation

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

Regions of Interest (ROIs)

• Was es ist: Eine Liste aller im Vorlagenbild definierten ROIs.
• 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 für die Feinabstimmung von ROI-Positionen und -Größen während der Einrichtung.

Test-Schaltfläche

• Was es ist: Führt Backtesting auf Basis alter Bilder durch, um Änderungen zu verifizieren.
• Anwendungsfall: Zum Vergleich aktueller Ergebnisse mit früheren Einstellungen hinsichtlich Genauigkeit und Konsistenz.

Datenerfassung und KI-Training

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

Verwenden Sie die Annotation Tools, um das Bild zu beschriften/zu annotieren. Verwenden Sie das Dropdown-Menü Brush Class, um die zu annotierende Klasse auszuwählen. Die aktuelle Begrenzung 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, Beleuchtungsbedingungen, Teilepositionen und Oberflächenzustände.

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

Annotations-Grundlagen:

• Classification: Tagging ganzer Bilder oder ROIs als eine bestimmte Klasse (z. B. „Good", „Damaged").
• Segmentation: Übermalen, Umranden oder Hervorheben bestimmter interessanter Bereiche mit pixelgenauer Präzision (z. B. Position eines Kratzers auf einer Oberfläche).
• Konsistenz: Verwenden Sie einheitliche Regeln und Definitionen für die Beschriftung, um Verwirrung beim Training 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 defekte) verzerrt das Modell.
• Schlechte Beschriftung: Fehlerhafte, inkonsistente oder überhastete Beschriftungen führen zu erheblichen Genauigkeitsverlusten.
• Ignorieren von Umgebungsveränderungen: Wird der Datensatz bei veränderter Beleuchtung, Teileausrichtung oder Oberflächenbeschaffenheit nicht aktualisiert, kommt es zu einem Drift in der Genauigkeit.
• Keine Datenvalidierung: Das Überspringen von Qualitätsprüfungen vor dem Training führt häufig zu Zeitverlust und Nacharbeit.

Datenaugmentierung

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

Farbaugmentierungen

Brightness

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

tipp

Verwenden Sie ±0,1 für stabile Setups; erhöhen Sie den Wert, wenn die Beleuchtung stärker variiert.

Contrast

• Was es ist: Verändert den Unterschied zwischen hellen und dunklen Bereichen.
• Anwendungsfall: Nützlich für Teile mit Textur oder unterschiedlichen Oberflächen, um dem Modell zu helfen, sich an visuelle Unterschiede anzupassen.

Hue

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

Saturation

• Was es ist: Passt die Intensität der Farben an.
• Anwendungsfall: Hilft beim Umgang mit Beleuchtungsschwankungen, die Bilder matter oder lebendiger erscheinen lassen.

Geometrische Augmentierungen

Rotation Range

• 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 einer festen Ausrichtung vorliegen.

Flip

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

Beleuchtungs- & Farbsimulation

Planckian

• Was es ist: Simuliert Variationen in der Farbtemperatur (z. B. warmes oder kaltes Licht).
• Anwendungsfall: Bewältigt unterschiedliche Schichten oder Arbeitszellen mit verschiedenen Lichtquellen.

Gaussian Noise

• Was es ist: Fügt dem Bild dezentes Rauschen hinzu.
• Anwendungsfall: Verbessert die Robustheit, wenn Ihre Produktionsumgebung geringes visuelles Rauschen oder Artefakte des Kamerasensors aufweist.

Bewegungssimulation

Motion Blur

• Was es ist: Simuliert leichte Unschärfe, als ob sich das Teil während der Aufnahme bewegt hätte.
• 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 basierend auf der realen Variabilität an.

Trainingsparameter (Segmentierung)

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 während des Trainings seine internen Gewichte aktualisiert.
• Wert (0,003): Je höher die Learning Rate, 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 beim Training verwendet wird.
• Deaktiviert: Standardmäßig bestimmt das Modell die ROI automatisch anhand Ihrer Daten.
• Wenn aktiviert: Sie können Breite und Höhe manuell festlegen, wenn Sie konsistente Eingabedimensionen 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 Anpassung an eine bekannte Modellarchitektur wünschen.

Lassen Sie die Größe automatisch wählen, 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 (Epochs)

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

tipp

Eine Erhöhung dieses Wertes verbessert die Genauigkeit in der Regel 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 abnimmt, während der Training-Loss weiter sinkt, ist dies ein Zeichen dafür, dass das Modell überangepasst ist (Overfitting), und Sie sollten das Training früher beenden.

Architektur

• Definition: Wählt die Größe und Komplexität des neuronalen Netzwerks.
• 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

Wenden Sie sich an 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 ein zu hoher Wert kann zu Instabilität oder geringer Genauigkeit führen.
• Slider-Bereich: Von 10^-4 (sehr langsam) bis 10^-1 (sehr schnell).

tipp

Normalerweise 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 (Test während des Trainings) reserviert wird.
• Zweck: Validierungsdaten helfen zu überwachen, wie gut das Modell bei unbekannten Beispielen abschneidet, und verhindern Overfitting.
• Bereich: 0–50 %.

tipp

Übliche Werte liegen bei 10–20 %.

Wird 0 % eingestellt, 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 während des Trainings verwendet wird.
• Nicht aktiviert: Standardmäßig bestimmt das Modell den ROI automatisch anhand Ihrer Daten.
• Wenn aktiviert: Sie können Breite und Höhe manuell festlegen, wenn Sie konsistente 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 konsistente Eingabe für bessere Stabilität, Reproduzierbarkeit oder zur Anpassung an eine bekannte Modellarchitektur wünschen.

Lassen Sie das System automatisch wählen, wenn Ihre Daten bereits eine einheitliche Auflösung haben oder wenn Sie möchten, dass das System basierend auf den Eigenschaften Ihres Datensatzes den besten Bereich (Region of Interest) optimiert.

Anzahl der Iterationen (Epochs)

• 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 die Genauigkeit meist bis zu einem gewissen Punkt, dauert aber länger.

Faustregel: Überwachen Sie den Training- und Validation-Loss während des Trainings. Wenn der Validation-Loss aufhört zu sinken, während der Training-Loss weiterhin fällt, ist dies ein Zeichen dafür, dass das Modell überangepasst (overfitting) ist 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 hochskalieren.

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

Externe GPU

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