Das Problem festlegen

Warum die Aufgabenbeschreibung an erster Stelle steht#

Jeder Schritt eines Computer-Vision-Projekts übernimmt sein Ziel aus Schritt 0. Eine unklare Fragestellung führt zu einem unklaren Datensatz, uneinigen annotierenden Personen und einer Kennzahl, die das Falsche misst – und noch so viel Training in Schritt 2 kann das nicht beheben.

Die drei Zeilen#

Eine Aufgabenbeschreibung besteht aus drei Sätzen, jeweils einer pro Zeile. Jede Zeile beantwortet eine Frage, die eine andere Person im Projekt stellen wird:

Die Ausgabezeile erfordert besondere Sorgfalt, denn ihr Datentyp bestimmt die Aufgabe:

Ein Label für das ganze Bild bedeutet Klassifizierung; Boxen bedeuten Objekterkennung; Umrisse bedeuten Segmentierung; Gelenke bedeuten Pose; gedrehte Boxen bedeuten OBB; eine Klasse oder ein Abstand pro Pixel bedeutet semantische Segmentierung beziehungsweise Tiefenschätzung. In der nächsten Lektion gehen wir alle sieben Aufgaben durch.

Beispiel: Modell und Regel getrennt halten#

„Wir möchten erkennen, wann Gabelstapler auf der Lagerfläche etwas Gefährliches tun.“

Dieser Satz beschreibt ein Projekt, keine Aufgabe. Er vermischt zwei Tätigkeiten: Gabelstapler und Personen zu finden, was die Bildpixel betrifft, und festzulegen, was als gefährlich gilt, was eine Richtlinienfrage ist. Trenne beides:

Nur der Detektor ist das Modell. Die Raute ist gewöhnlicher Code. Du kannst diese Trennung gleich ausprobieren: bus.jpg enthält keinen Gabelstapler, aber ein Bus und vier Personen reichen für denselben Test. Eine erste Regel lautet: „Alarm auslösen, wenn sich die Box einer Person zu mehr als 30 % mit der Box eines Fahrzeugs überschneidet“:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg", verbose=False)[0]

# The model's job ends here: a class, a box, and a confidence per object.
people = [b.xyxy[0].tolist() for b in result.boxes if result.names[int(b.cls)] == "person"]
vehicles = [b.xyxy[0].tolist() for b in result.boxes if result.names[int(b.cls)] == "bus"]

def share_inside(a, b):
    """Fraction of box a's area that lies inside box b."""
    w = max(0, min(a[2], b[2]) - max(a[0], b[0]))
    h = max(0, min(a[3], b[3]) - max(a[1], b[1]))
    return w * h / ((a[2] - a[0]) * (a[3] - a[1]))

# The decision rule is plain code: change the policy without retraining.
ALERT_SHARE = 0.30
for person in people:
    share = max(share_inside(person, v) for v in vehicles)
    print(f"person at x={person[0]:3.0f}: {share:4.0%} inside the bus box -> {'ALERT' if share > ALERT_SHARE else 'ok'}")

person at x= 49:  70% inside the bus box -> ALERT
person at x=223:  76% inside the bus box -> ALERT
person at x=670:  70% inside the bus box -> ALERT
person at x=  0:  62% inside the bus box -> ALERT

Vier Alarme, alle falsch: Die Personen sind vor einem geparkten Bus auf dem Gehweg. Der Detektor erkennt jede Box korrekt; die Regel ist falsch, denn eine Überlappung in einem 2D-Bild bedeutet nicht, dass zwei Dinge in der realen Welt nahe beieinander sind. Da die Regel Code ist, lässt sie sich durch Code korrigieren. Vergleiche, wo die Füße jeder Person den Boden berühren, mit der Radlinie des Busses:

from ultralytics import YOLO

model = YOLO("yolo26n.pt")
result = model("https://ultralytics.com/images/bus.jpg", verbose=False)[0]
people = [b.xyxy[0].tolist() for b in result.boxes if result.names[int(b.cls)] == "person"]
vehicles = [b.xyxy[0].tolist() for b in result.boxes if result.names[int(b.cls)] == "bus"]

def same_ground_line(person, vehicle, tolerance=40):
    """True when the person's feet are level with the vehicle's wheels and inside its width."""
    feet_x, feet_y = (person[0] + person[2]) / 2, person[3]
    return vehicle[0] < feet_x < vehicle[2] and abs(feet_y - vehicle[3]) < tolerance

for person in people:
    alert = any(same_ground_line(person, v) for v in vehicles)
    print(f"person at x={person[0]:3.0f}: feet y={person[3]:.0f}, bus wheels y={vehicles[0][3]:.0f} -> {'ALERT' if alert else 'ok'}")

person at x= 49: feet y=902, bus wheels y=751 -> ok
person at x=223: feet y=861, bus wheels y=751 -> ok
person at x=670: feet y=880, bus wheels y=751 -> ok
person at x=  0: feet y=871, bus wheels y=751 -> ok

Die Füße jeder Person liegen 110–150 Pixel unter der Radlinie, sie stehen also näher an der Kamera als der Bus. Kein erneutes Training, keine neuen Beschriftungen: Das Sicherheitsteam verbessert die Regel, während der Detektor unverändert bleibt. In einer Produktionsversion würde man die Füße mithilfe einer kalibrierten Kamera auf Bodenkoordinaten abbilden und die 2-Sekunden-Beständigkeit durch Objektverfolgung ergänzen – weiterhin als Code auf denselben Boxen.

Stolperfallen#

Von der Aufgabenbeschreibung zu Erfolgskriterien#

Die Aufgabenbeschreibung sagt, was das Modell tut, aber nicht, wie gut gut genug ist oder was ein übersehener Fall im Vergleich zu einem Fehlalarm kostet. Der Abschnitt Mit dem Geschäftsziel beginnen in Leistungsstarke YOLO-Datensätze erstellen macht aus der Aufgabenbeschreibung messbare Ziele. Jede weitere Lektion in diesem Kurs bezieht sich auf deine drei Zeilen.