Erstellung des ersten Rezepts

OV10i Hinweis

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

Dieser Deep Dive erklärt, 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 ausführliche Anleitung zur Konfiguration des Imaging Setup, zur Aufnahme eines Template Image und zur Einrichtung des Aligner, 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 Dive 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
• Rezepttest und Validierung

Was ist ein Rezept?

• Ein konfigurierter Anweisungssatz, der der Kamera vorgibt, wie ein bestimmtes Teil oder Produkt zu inspizieren ist.
• Definiert Kameraeinstellungen, einschließlich Belichtung, Fokus und Beleuchtungsparametern für konsistente Bildaufnahmen.
• Enthält 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 Standorte hinweg sicherzustellen.

Klassifikation vs. Segmentierung

Definitionen

• Klassifikation: Identifizierung des Objekttyps im ROI
• Segmentierung: Lokalisierung und Analyse von Bereichen im Bild/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 Peperoni?

Wichtiger Vergleich

	Klassifikation	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 als Klassifikation sein, insbesondere mit optimierten Modellen
Genauigkeit	Gut für allgemeine Pass/Fail- oder Teiletyp-Identifikation	Höhere Genauigkeit bei der präzisen Fehlerlokalisierung
Komplexität	Einfach einzurichten und zu warten; weniger Parameter	Komplex – Erfordert mehr Daten, Labeling und Feinabstimmung
Datenbedarf	Gering – Benötigt weniger gelabelte Bilder	Moderat – Erfordert viele Bilder mit detaillierten, pixelgenauen Annotationen
Anwendungsfälle	Teileanwesenheit, Ausrichtung, grundlegende Qualitätsprüfungen, Teil eingelegt/nicht eingelegt usw.	Oberflächenfehler, Feinmerkmal-Inspektion, Multi-Defekt-Erkennung, Zählung, Messung usw.

Erstellen und Exportieren eines Rezepts

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

Verwenden Sie die Schaltfläche Export am oberen Bildschirmrand, um mehrere Rezepte gleichzeitig zu exportieren.

Verwenden Sie die Schaltfläche Import am oberen Bildschirmrand, um Rezepte zu importieren.

hinweis

Hinweis: Jedes Rezept unterstützt jeweils nur einen Inspektionstyp – entweder Segmentierung oder Klassifizierung. 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: Verschieben Sie den Regler, bis Kanten und Details im Bild klar und deutlich erscheinen.

tipp

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

Image Rotation

• Was es ist: Dreht das Bild (0° oder 180°).
• Wann zu verwenden: Wenn die Kamera in einer bestimmten Ausrichtung 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: Wie lange der Sensor während der Bildaufnahme dem Licht ausgesetzt ist.
• Auswirkung:
  • Höhere Belichtung → hellere Bilder, aber Gefahr von Bewegungsunschärfe.
  • Geringere Belichtung → weniger Licht, aber schärfere Bilder bei schnellen 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, aber erzeugt 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 dann, wenn eine Anpassung der Belichtung oder Beleuchtung nicht möglich ist.

Auto White Balance

• Was es ist: Passt die Farbbalance automatisch an, sodass weiße Flächen weiß erscheinen.
• Wann zu verwenden:
  • Ideal für Umgebungen mit variablen oder wechselnden Lichtverhältnissen.
  • Für stabile Setups liefert der manuelle Weißabgleich konsistentere und reproduzierbarere Ergebnisse.

hinweis

So passen Sie den Weißabgleich manuell an:

• Schalten Sie den Auto White Balance-Schalter auf ON.
• Platzieren Sie ein weißes Blatt Papier unter der Kamera oder vor dem 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.
• Effekt: Hilfreich, um Details in Schatten sichtbar zu machen 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 präzise Ausrichtung.

LED Strobe Mode

• Was es ist: Steuert, wann das eingebaute LED-Licht der Kamera ausgelöst wird.
• Optionen:
  • Off: LED ist dauerhaft an.
  • On: LED blitzt nur während der Aufnahme, was Reflexionen reduziert.

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 es entsprechend Ihrer Beleuchtungseinrichtung für eine optimale Ausleuchtung des Bauteils an.

tipp

Verwenden Sie gerichtete Muster, um Blendungen oder Reflexionen zu reduzieren, indem Sie die LEDs ausschalten, die direkt auf reflektierende Oberflächen strahlen, und gleichzeitig schräge Lichtquellen für bessere Sichtbarkeit aktiv lassen.

LED Light Intensity

• Was es ist: Passt die Helligkeit der LED-Beleuchtung an.
• Best Practice: Beginnen Sie mit niedrigen Werten und steigern 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 dann zu einem einzigen optimierten Bild.
• Zweck: Diese Technik reduziert Schatten und hebt subtile Oberflächenmerkmale hervor, indem sie eine gleichmäßige, konsistente Ausleuchtung über das Bauteil bereitstellt.
• Wann verwenden: Ideal für komplexe Bauteile, stark reflektierende Oberflächen oder Teile mit ungleichmäßigen Texturen, bei denen einzelne Standardaufnahmen 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 für: Tests, Einrichtung oder manuelle Inspektionen.

Hardware Trigger

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

PLC Trigger

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

Aligner Trigger

• Was es ist: Wird automatisch ausgelöst, wenn das System die Ausrichtung eines Bauteils im Sichtfeld erkennt.
• Am besten für: Anwendungen, bei denen Bauteile vor der Aufnahme eine konsistente Positionierung benötigen, oder wenn keine anderen zuverlässigen Trigger vorhanden sind.

Interval Trigger

• Was es ist: Löst die Kamera in festgelegten Zeitintervallen aus.
• Am besten für: Kontinuierliche Prozesse oder die Überwachung laufender Linien ohne Bauteilerkennungssensoren.

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: Zeichnet eine rechteckige ROI.
  • Circle: Zeichnet eine kreisförmige 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 Teilmerkmale für eine präzise Ausrichtung zu konzentrieren.

Rotation Range

• Was es ist: Legt fest, wie viel Rotation (in Grad) das System beim Abgleichen des Teils mit der Vorlage toleriert.
• Beispiel: Eine Einstellung von ±20° erlaubt eine leichte Rotation des Teils, das dennoch erkannt wird.
• Wann anpassen: Erhöhen, wenn sich Teile während der Produktion drehen können; verringern bei sehr konsistenter Ausrichtung.

Sensitivity

• Was es ist: Steuert, wie fein das System nach einer Übereinstimmung zwischen Live-Bild und Vorlage sucht.
• Wirkung:
  • Hohe Empfindlichkeit → erkennt subtilere Details, nützlich für komplexe Teile.
  • Niedrigere Empfindlichkeit → reduziert Fehlübereinstimmungen, kann aber feine Merkmale übersehen.

Confidence Threshold

• Was es ist: Legt den minimalen Confidence Score fest, der erforderlich ist, damit das System eine Erkennung akzeptiert.
• Wirkung:
  • Höherer Schwellenwert → weniger False Positives, könnte aber Grenzfälle übersehen.
  • Niedrigerer Schwellenwert → mehr Erkennungen, aber mit erhöhtem Risiko von 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 etwas 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 beweglichen Objekten, um sicherzustellen, dass das Teil vollständig im Erkennungsbereich 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 rot verfärbt, 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 Überprüfung des Vorhandenseins, der Größe oder der Qualität von Löchern in einem Teil.
• Hauptfunktionen:
  • 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 Position und Geometrie der ausgewählten 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 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 Regionen von der Verarbeitung aus.
  • Edit: Speichern, löschen oder abbrechen.
  • Lock Icon: Zeigt gesperrte ROIs an, die ohne Entsperrung 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 Button

• Was es ist: Führen Sie ein Backtesting auf Basis alter Bilder aus, um Änderungen zu verifizieren.
• Anwendungsfall: Zum Vergleich aktueller Ergebnisse mit vorherigen 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/annotieren. Nutzen Sie das Dropdown-Menü Brush Class, um die zu annotierende Klasse auszuwählen. Die aktuelle Grenze liegt bei bis zu 10 Klassen pro Recipe für die Segmentierung.

Bedeutung guter Daten

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

• Vielfalt ist entscheidend: Erfassen Sie Daten, die alle realen Variationen abbilden: verschiedene Schichten, Lichtverhältnisse, Teilepositionen und Oberflächenzustände.

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

Grundlagen der Annotation:

• Classification: Kennzeichnen Sie ganze Bilder oder ROIs als eine bestimmte Klasse (z. B. „Good", „Damaged").
• Segmentation: Übermalen, umreißen oder markieren Sie bestimmte Bereiche von Interesse mit pixelgenauer Präzision (z. B. Position eines Kratzers auf einer Oberfläche).
• Consistency: Verwenden Sie einheitliche Regeln und Definitionen für die Beschriftung, um Verwirrung beim Training zu vermeiden.

Häufige Fallstricke

• Unzureichende Daten: Zu wenige Samples führen zu Underfitting und schlechter Performance in der Praxis.
• Unausgewogene Klassen: Eine Überrepräsentation einer Klasse (z. B. viele „gute" Teile, aber wenige fehlerhafte) verzerrt das Modell.
• Schlechte Beschriftung: Fehlerhafte, inkonsistente oder überhastete Beschriftungen führen zu erheblichen Genauigkeitseinbußen.
• Umgebungsveränderungen ignorieren: Wird der Datensatz nicht aktualisiert, wenn sich Beleuchtung, Teileorientierung oder Oberflächenzustände ändern, kommt es zu einem Drift in der Genauigkeit.
• Fehlende Datenvalidierung: Wenn Qualitätsprüfungen vor dem Training übersprungen werden, führt dies oft zu Zeitverlust und Nacharbeit.

Data Augmentation

Image Augmentations 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.

Color Augmentations

Brightness

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

tipp

Verwenden Sie ±0,1 für stabile Setups; erhöhen Sie den Wert bei stärkeren Beleuchtungsschwankungen.

Contrast

• Was es ist: Ändert 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

• 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

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

Geometric Augmentations

Rotation Range

• Was es ist: Dreht 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 bei Teilen, die üblicherweise in einer festen Ausrichtung vorliegen.

Flip

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

Lighting & Color Simulation

Planckian

• Was es ist: Simuliert Variationen der Farbtemperatur (z. B. warmes oder kaltes Licht).
• Anwendungsfall: Berücksichtigt verschiedene Schichten oder Arbeitszellen mit unterschiedlichen Lichtquellen.

Gaussian Noise

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

Motion Simulation

Motion Blur

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

Probability (prob)

• Was es ist: Legt die Wahrscheinlichkeit fest, mit der jede Augmentation 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 Augmentations mit 0,5 und passen Sie den Wert basierend auf der realen Variabilität an.

Training Parameters (Segmentation)

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 schlechter Genauigkeit führen.
• Slider-Bereich: Von 10^-4 (sehr langsam) bis 10^-1 (sehr schnell).

tipp

Üblicherweise ist ein Wert zwischen 0,001 und 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.
• Nicht aktiviert: Standardmäßig bestimmt das Modell den ROI automatisch anhand Ihrer Daten.
• 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 Größen enthält und Sie eine konsistente Eingabe wünschen – für bessere Stabilität, Reproduzierbarkeit oder um einer bekannten Modellarchitektur zu entsprechen.

Lassen Sie das System 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 dieser Zahl verbessert in der Regel die Genauigkeit bis zu einem gewissen Punkt, dauert jedoch 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 für Overfitting, und Sie sollten das Training früher beenden.

Architektur

• Definition: Wählt die Größe und Komplexität des neuronalen Netzwerks aus.
• Small: Trainiert schneller und reicht oft für die meisten Datensätze aus. Ideal für schnelle Experimente oder kleinere Datensätze.
• Größere Modelle können mehr Details erfassen, können aber bei kleinen Datensätzen zu Overfitting neigen, während kleinere Modelle effizienter sind und bei begrenzten Daten besser generalisieren.

tipp

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

External GPU

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

Training-Parameter (Classification)

Training-Parameter (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 Instabilität oder geringe Genauigkeit verursachen.
• Schieberegler-Bereich: Von 10^-4 (sehr langsam) bis 10^-1 (sehr schnell).

tipp

In der Regel ist ein Wert zwischen 0,001–0,01 ein guter Ausgangspunkt für Segmentierungsaufgaben.

Validation Percent

• Definition: Legt fest, welcher Anteil Ihres Datensatzes für die Validation (Tests während des Trainings) reserviert wird.
• Zweck: Validation-Daten helfen zu überwachen, wie gut das Modell bei ungesehenen Beispielen abschneidet, und beugen Overfitting vor.
• Bereich: 0–50 %.

tipp

Übliche Werte liegen bei 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 während des Trainings verwendeten Bildbereichs fest.
• Nicht aktiviert: Standardmäßig bestimmt das Modell die ROI automatisch anhand Ihrer Daten.
• Wenn aktiviert: Sie können Breite und Höhe manuell festlegen, falls 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 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 basierend auf den Eigenschaften Ihres Datensatzes optimieren soll.

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

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

Architektur

• Definition: Wählt die Größe und Komplexität des neuronalen Netzes aus.
• Small: Trainiert schneller und ist für die meisten Datensätze oft ausreichend. Ideal für schnelle Experimente 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 eingeschränkte Hardware.
ConvNeXt-Nano	Etwas größer als Pico; bessere Genauigkeit bei minimalem Mehraufwand.	Gute Balance für kleine bis mittelgroße Datensätze.
ConvNeXt-Tiny	Bietet verbesserte Genauigkeit bei weiterhin hoher Effizienz.	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

Wenden Sie sich an den Support, um mehr über die externe GPU zu erfahren.