KI-GESTÜTZTE DOKUMENTATION
Was möchten Sie wissen?
Erstellung des ersten Rezepts
Dieser Deep Dive erklärt, was ein Rezept ist, erläutert die Unterschiede zwischen Classification und Segmentation und bietet eine Schritt-für-Schritt-Anleitung zur Erstellung eines Rezepts. Er enthält außerdem eine detaillierte Durchführung der Konfiguration des Imaging Setups, der Aufnahme des Template Images und der Einrichtung des Aligners, der ROI-Optimierung, der Datenerfassung und des AI-Trainings sowie der Konfiguration der Bildaugmentierung.
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 Classification und Segmentation – und wann welche Methode 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 Validierung von Rezepten
Was ist ein Rezept?
- Ein konfigurierter Satz von Anweisungen, der der Kamera mitteilt, wie ein bestimmtes Teil oder Produkt inspiziert werden soll.
- Definiert Kameraeinstellungen einschließlich Belichtung, Fokus und Beleuchtungsparameter für eine konsistente Bildaufnahme.
- Beinhaltet Verarbeitungslogik wie ROI-Definitionen, Aligner sowie Classification- oder Segmentation-Klassen.
- Speichert Input/Output-Konfigurationen zur Integration mit Automatisierungssystemen für Pass/Fail- oder erweiterte Signale.
- Kann gespeichert und wiederverwendet werden, um konsistente Inspektionen über Schichten, Linien oder Standorte hinweg zu gewährleisten.
Classification vs. Segmentation
Definitionen
- Classification: Identifizierung des Objekttyps in der ROI
- Segmentation: Lokalisierung und Analyse von Regionen im Bild/in der ROI
Beispiele
| Image Classification | Image Segmentation | Image Classification | Image Segmentation |
|---|---|---|---|
| Was ist ein Schaf? | Welche Pixel gehören zu welchem Objekt? | Ist diese Pizza akzeptabel oder fehlerhaft? | Wo befindet sich jede Peperoni? |
![]() | ![]() | ![]() | ![]() |
Wichtiger Vergleich
| Classification | Segmentation | |
|---|---|---|
| Geschwindigkeit | Die Geschwindigkeit hängt vom Image Setup und der Komplexität ab. Im Allgemeinen effizient und schnell bei einfachen Setups | Kann bei Optimierung genauso schnell oder sogar schneller sein als Classification, insbesondere mit optimierten Modellen |
| Genauigkeit | Gut für allgemeine Pass/Fail-Prüfungen oder Teiletyp-Identifizierung | Höhere Genauigkeit bei der präzisen Lokalisierung von Defekten |
| Komplexität | Einfach einzurichten und zu warten; weniger Parameter | Komplex – Benötigt mehr Daten, Labeling und Tuning |
| Datenbedarf | Gering – Benötigt weniger beschriftete Bilder | Moderat – Erfordert viele Bilder mit detaillierten, pixelgenauen Annotationen |
| Anwendungsfälle | Teilepräsenz, Orientierung, grundlegende Qualitätsprüfungen, Teil eingesetzt/nicht eingesetzt usw. | Oberflächendefekte, Inspektion feiner Merkmale, Erkennung mehrerer Defekte, Zählung, Messung usw. |
Rezept erstellen und exportieren
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 auf einmal zu exportieren.

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

Hinweis: Jedes Rezept unterstützt jeweils nur einen Inspektionstyp – entweder Segmentierung oder Klassifizierung. Wählen Sie vor Beginn der Einrichtung den richtigen Typ aus.
Imaging Setup
Focus
- Was es ist: Stellt die Schärfe des aufgenommenen Bildes ein.
- Verwendung: Schieben Sie den Regler, bis Kanten und Details im Bild scharf und deutlich erscheinen.
Verwenden Sie beim Fokussieren ein Zielobjekt mit klaren Kanten (wie ein Lineal oder eine Kalibrierkarte).
Image Rotation
- Was es ist: Dreht das Bild (0° oder 180°).
- Wann zu verwenden: Wenn die Kamera in einem bestimmten Winkel montiert ist, Sie das Bild aber in der Benutzeroberfläche anders ausgerichtet anzeigen möchten.
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.
- Auswirkung:
- Höhere Belichtung → hellere Bilder, aber Risiko von Bewegungsunschärfe.
- Niedrigere Belichtung → weniger Licht, aber schärfere Bilder bei schnell bewegten Anwendungen.
| Unterbelichtet | Korrekt belichtet | Überbelichtet |
|---|---|---|
Die Belichtung ist logarithmisch, und eine höhere Belichtung bedeutet mehr Latenz (da mehr Zeit für die Bildaufnahme erforderlich ist).
Gain
- Was es ist: Erhellt das Bild künstlich auf digitalem Weg (wie ISO bei einer Kamera).
- Auswirkung:
- Höherer Gain → helleres Bild, aber fügt Rauschen hinzu (körniges Aussehen).
- Niedrigerer Gain → saubereres Bild, erfordert jedoch gute Beleuchtung.
| Hoher Gain | Niedriger Gain |
|---|---|
![]() | ![]() |
| Heller und verrauschter | Dunkler und weniger Rauschen |
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 zu verwenden:
- Ideal für Umgebungen mit variablen oder wechselnden Lichtverhältnissen.
- Für stabile Setups liefert ein manueller Weißabgleich konsistentere und reproduzierbarere Ergebnisse.
So passen Sie den Weißabgleich manuell an:
- Schalten Sie den Auto White Balance-Schalter EIN.
- Legen Sie ein weißes Blatt Papier unter die Kamera oder vor das Objektiv.
- Schalten Sie den Schalter AUS, 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 abzumildern.
Lens Correction
- Was es ist: Korrigiert Verzerrungen von Weitwinkelobjektiven.
- Wann aktivieren: Wenn die Bildränder gekrümmt oder verzerrt wirken, schalten Sie diese Option EIN, um die Genauigkeit bei Ausrichtungsaufgaben zu verbessern.
LED Strobe Mode
- Was es ist: Steuert, wann die integrierte LED-Beleuchtung der Kamera ausgelöst wird.
- Optionen:
- Off: LED ist dauerhaft eingeschaltet.
- On: LED blitzt nur während der Aufnahme auf, wodurch Reflexionen reduziert werden.
LED Light Pattern
- Was es ist: Legt fest, wie die LEDs leuchten (z. B. alle an, alle aus, links und rechts, oben und unten usw.).
- Anwendungsfall: Passen Sie die Einstellung an Ihren Beleuchtungsaufbau an, um eine optimale Ausleuchtung des Bauteils zu erreichen.
Verwenden Sie gerichtete Muster, um Blendung oder Reflexionen zu reduzieren, indem Sie die LEDs ausschalten, die direkt auf reflektierende Oberflächen scheinen, während abgewinkelte Lichtquellen für eine 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 Blendung 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 feine Oberflächenmerkmale hervor, indem sie eine gleichmäßige, konsistente Ausleuchtung des Bauteils ermöglicht.
- Wann einsetzen: Ideal für komplexe Bauteile, stark reflektierende Oberflächen oder Teile mit unregelmäßigen Texturen, bei denen Standardaufnahmen 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 das Vorhandensein eines Bauteils erkennt.
PLC Trigger
- Was es ist: Trigger-Signale werden über industrielle Steuerungen (PLCs) gesendet, um eine synchronisierte Arbeitsweise mit anderen Maschinen zu ermöglichen.
- Am besten geeignet für: Vollautomatisierte Systeme, die eine präzise Zeitsteuerung erfordern.
Aligner Trigger
- Was es ist: Löst automatisch aus, wenn das System die Ausrichtung eines Bauteils im Sichtfeld erkennt.
- Am besten geeignet für: Anwendungen, bei denen Bauteile vor der Aufnahme konsistent positioniert werden 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 bewegter 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: Zeichnen Sie eine rechteckige ROI.
- Circle: Zeichnen Sie eine kreisförmige ROI.
- Ignore Template Region: Schließen Sie 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 genaue 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, das trotzdem noch erkannt wird.
- Wann anpassen: Erhöhen, wenn sich Teile während der Produktion drehen; verringern bei sehr konsistenter Ausrichtung.
Sensitivity
- Was es ist: Steuert, wie fein das System nach einer Übereinstimmung zwischen Live-Bild und Vorlage sucht.
- Auswirkung:
- 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 Konfidenzwert fest, der erforderlich ist, damit das System eine Erkennung akzeptiert.
- Auswirkung:
- Höherer Schwellenwert → weniger Fehlalarme, aber möglicherweise werden grenzwertige Übereinstimmungen übersehen.
- Niedrigerer Schwellenwert → mehr Erkennungen, aber mit erhöhtem Risiko von Fehlalarmen.
Beginnen Sie mit mittleren Werten und passen Sie diese 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 bewegten Objekten, um zu gewährleisten, 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 wird.
Wenn sich die Linie rot färbt, versuchen Sie, die Größe der ROI 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 des Vorhandenseins, der Größe oder der Qualität von Löchern in einem Bauteil.
- Hauptfunktionen:
- Add Inspection Type: Erstellen neuer Kategorien für unterschiedliche Inspektionsanforderungen.
- # of ROIs: Zeigt an, wie viele ROIs dem jeweiligen Inspektionstyp aktuell zugeordnet sind.
Transformation

- Was es ist: Passt 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: 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): Manuelles Erstellen einer neuen ROI.
- Ignore Regions: Ausschluss bestimmter Bereiche von der Verarbeitung.
- Edit: Speichern, löschen oder abbrechen.
- Lock Icon: Zeigt gesperrte ROIs an, 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 zum Feinabstimmen von ROI-Positionen und -Größen während der Einrichtung.
Test Button
- Was es ist: Führt Backtesting basierend auf älteren Bildern durch, um Änderungen zu überprüfen.
- Anwendungsfall: Vergleich der aktuellen Ergebnisse mit früheren Einstellungen hinsichtlich Genauigkeit und Konsistenz.
Datenerfassung und AI-Training
Definieren Sie verschiedene Inspektionsklassen und beschriften Sie jede ROI entsprechend ihrem zugewiesenen Inspektionstyp (siehe das folgende Beispiel).

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

Bedeutung guter Daten

-
Garbage In, Garbage Out: AI-Modelle können nur so gut sein wie die Daten, mit denen Sie sie füttern. Daten von schlechter Qualität oder inkonsistente Daten führen zu ungenauen Ergebnissen.
-
Vielfalt ist wichtig: Erfassen Sie Daten, die alle realen Variationen repräsentieren: verschiedene Schichten, Lichtverhältnisse, Teilepositionen und Oberflächenbedingungen.
-
Qualität vor Quantität: Ein kleinerer, sauberer und gut beschrifteter Datensatz liefert oft bessere Ergebnisse als ein großer, aber verrauschter oder inkonsistenter Datensatz.
Grundlagen der Annotation:
- Classification: Markieren ganzer Bilder oder ROIs als eine bestimmte Klasse (z. B. „Good", „Damaged").
- Segmentation: Übermalen, Umranden oder Hervorheben bestimmter Bereiche mit pixelgenauer Präzision (z. B. Position eines Kratzers 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 Proben führen zu Underfitting und schlechter Leistung in der Praxis.
- Unausgewogene Klassen: Überrepräsentation einer Klasse (z. B. viele „gute" Teile, aber wenige defekte) verzerrt das Modell.
- Schlechte Beschriftung: Falsche, inkonsistente oder überhastete Beschriftung führt zu erheblichen Genauigkeitseinbußen.
- Umgebungsänderungen ignorieren: Wenn der Datensatz bei Änderungen der Beleuchtung, Teileorientierung oder Oberflächenbedingungen nicht aktualisiert wird, kommt es zu einem Abfall der Genauigkeit (Drift).
- Keine Datenvalidierung: Das Überspringen von Qualitätsprüfungen vor dem Training führt häufig zu verschwendeter Zeit und Nacharbeit.
Datenaugmentierung
Bildaugmentierungen verändern 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 gute Ergebnisse liefert.
Farbaugmentierungen

Brightness (Helligkeit)
- Was es ist: Passt an, wie hell oder dunkel das Bild erscheint.
- Anwendungsfall: Zur Kompensation geringer Beleuchtungsänderungen während der Produktion.
Verwenden Sie ±0,1 für stabile Setups; erhöhen Sie den Wert, wenn die Beleuchtung stärker variiert.
Contrast (Kontrast)
- Was es ist: Ändert 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 (Farbton)
- Was es ist: Verschiebt die Farbtöne leicht.
- Anwendungsfall: Geeignet 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: Dreht das Bild zufällig innerhalb des eingestellten Bereichs (z. B. ±20°).
- Anwendungsfall: Für Teile, die in leicht gedrehten Positionen ankommen können.
Vermeiden Sie übermäßige Rotation bei Teilen, die üblicherweise in fester Ausrichtung vorliegen.
Flip (Spiegelung)
- Was es ist: Spiegelt das Bild horizontal, vertikal oder beides.
- Anwendungsfall: Hilfreich für symmetrische Teile oder wenn sich die Ausrichtung beim Handling ändern kann.
Beleuchtungs- und Farbsimulation
Planckian
- Was es ist: Simuliert Variationen der Farbtemperatur (z. B. warme oder kalte Beleuchtung).
- Anwendungsfall: Behandelt verschiedene Schichten oder Arbeitszellen mit unterschiedlichen Lichtquellen.
Gaussian Noise (Gaußsches Rauschen)
- Was es ist: Fügt dem Bild subtiles Rauschen hinzu.
- Anwendungsfall: Verbessert die Robustheit, wenn Ihre Produktionsumgebung kleine visuelle Störungen 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.
Probability (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 gegebenes Trainingsbild angewendet wird.
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 (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 zu hohe Werte können zu Instabilität oder schlechter Genauigkeit führen.
- Schieberegler-Bereich: Von 10^-4 (sehr langsam) bis 10^-1 (sehr schnell).
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.
- 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).
Verwenden Sie eine feste Größe (z. B. 256×256), wenn Ihr Datensatz Bilder unterschiedlicher Größe enthält und Sie eine einheitliche Eingabe wünschen, um Stabilität, Reproduzierbarkeit zu verbessern oder eine bekannte Modellarchitektur abzubilden.
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 (Epochen)
- Definition: Eine Epoche = ein vollständiger Durchlauf durch den gesamten Trainingsdatensatz.
- Wert (100): Das Modell wird 100 vollständige Durchläufe trainieren.
Eine Erhöhung dieses Wertes verbessert die Genauigkeit in der Regel bis zu einem bestimmten 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 Zeichen für 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 schnelles Experimentieren 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.
Beginnen Sie mit Small – es ist oft ausreichend und ermöglicht schnellere Iterationen, bevor Sie hochskalieren.
Externe GPU
Wenden Sie sich an den Support, um mehr über die externe GPU zu erfahren.
Trainingsparameter (Klassifikation)
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.
- Schieberegler-Bereich: Von 10^-4 (sehr langsam) bis 10^-1 (sehr schnell).
Üblicherweise ist ein Wert zwischen 0,001–0,01 ein guter Ausgangspunkt für Segmentierungsaufgaben.
Validierungsanteil
- 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 %.
Übliche Werte sind 10–20 %.
Wenn 0 % eingestellt ist, werden alle Daten für das Training verwendet, was die Trainingsgenauigkeit verbessern kann, aber das Erkennen 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 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).
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 für 100 vollständige Durchläufe trainiert.
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 abnimmt, während der Training-Loss weiter sinkt, ist dies ein Zeichen dafür, dass das Modell überangepasst wird (Overfitting) und Sie das Training früher beenden sollten.
Architektur
- Definition: Wählt 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.
Beginnen Sie mit Small – es ist oft ausreichend und hilft Ihnen, schneller zu iterieren, bevor Sie hochskalieren.
| Architektur und Kamera | Beschreibung | Empfohlene Verwendung |
|---|---|---|
| ConvNeXt-Pico | Ultraleichtes Modell, optimiert für Geschwindigkeit und geringen Speicherverbrauch. | Hervorragend für schnelle Experimente oder begrenzte Hardware. |
| ConvNeXt-Nano | Etwas größer als Pico; bessere Genauigkeit bei minimalem zusätzlichem Aufwand. | Gute Balance für kleine bis mittlere Datensätze. |
| ConvNeXt-Tiny | Bietet verbesserte Genauigkeit und ist dennoch effizient. | Geeignet für mittelgroße Datensätze und längere Trainingsdurchläufe. |
| ConvNeXt-Small | Leistungsfähigste Variante in dieser Liste. Höhere Kapazität und Genauigkeit. | Für große Datensätze oder wenn maximale Leistung erforderlich ist. |
External GPU
Kontaktieren Sie den Support, um mehr über External GPU zu erfahren.





