Leistungsstarke YOLO-Datensätze erstellen
Ein praxisorientierter Leitfaden für die Arbeit vor dem Training: ein Geschäftsziel in einen Abnahmetest umwandeln, repräsentative Daten spezifizieren und erfassen, konsistent beschriften, die Qualität mit Skripten prüfen, den Datensatz ohne Datenleckage aufteilen, die Augmentierung abstimmen und das erste Ultralytics-YOLO26-Fine-Tuning von einer Bereitschaftsprüfung abhängig machen.
Von Ultralytics Academy
Wandle ein Geschäftsziel in einen dokumentierten, ausgewogenen und leckagefreien Datensatz um, der für das Fine-Tuning von Ultralytics YOLO26 bereit ist. Du erfährst genau, was zu beheben ist, wenn der Datensatz noch nicht bereit ist.
Wandle ein Geschäftsziel in eine Computer-Vision-Aufgabe, festgelegte Klassen und einen Abnahmetest um, den du als Code ausführen kannst.
Erstelle eine Datensatzspezifikation mit Szenarioquoten, ausgelegt auf die Zielwerte von Ultralytics: mindestens 1.500 Bilder und mindestens 10.000 beschriftete Instanzen je Klasse, 0–10 % Hintergrundbilder.
Erfasse Daten unter realen Einsatzbedingungen, halte Aufnahmemetadaten in den Dateinamen fest und entnimm Videos Stichproben, ohne den Datensatz zu überfluten.
Beschrifte konsistent – mit einem schriftlichen Leitfaden, einer ausgewerteten Kalibrierungsrunde und den zehn häufigsten Beschriftungsfehlern im Blick.
Prüfe Beschriftungen, Klassenverteilung, Duplikate und wahrscheinlich fehlende Beschriftungen mit kurzen Python-Skripten.
Teile den Datensatz nach Gruppen auf (Clip, Kamera, Tag, Standort), damit die Validierungswerte die Produktion widerspiegeln, und sperre den Testsatz.
Wähle Augmentierungseinstellungen, die zum Einsatz passen, und überprüfe sie in Trainings-Batches.
Mache den Trainingsstart von einer Bereitschaftsprüfung mit acht Punkten abhängig und leite aus einem ersten Fine-Tuning den nächsten Schritt zur Verbesserung des Datensatzes ab.
Eine einseitige Zielsetzung und ein Abnahmetestskript, das PASS oder FAIL ausgibt.
Eine Datensatzspezifikation mit Szenarioquoten, Sonderfällen und einem Anteil an Hintergrundbildern.
Ein Übungsdatensatz mit Aufnahmemetadaten in jedem Dateinamen sowie einem Bericht zur Abdeckung deiner Quoten.
Ein Beschriftungsleitfaden, der anhand einer Kalibrierungsrunde mit gemessenem Übereinstimmungswert überarbeitet wurde.
Eine Qualitätsprüfung und eine Prüfung verdächtiger Beschriftungen mit kurzen Prüfnotizen.
Nach Gruppen geordnete Dateilisten für Training / Validierung / Test, wobei kein Clip, keine Kamera und kein Tag in mehreren Teilmengen vorkommt.
Eine bewertete Bereitschaftsprüfung, ein erstes nach Klassen geordnetes Fine-Tuning und eine wiederverwendbare Kick-off-Checkliste.
Vorkenntnisse im maschinellen Lernen sind nicht erforderlich: Jeder Begriff wird erklärt, bevor er verwendet wird.
Python 3.10+ mit
pip install ultralytics, um die Skripte auszuführen; für alle Beispiele reicht eine CPU.Empfohlen: Grundlagen der Computer Vision für die wichtigsten Fachbegriffe.
Kursinhalt
5 Module · 10 LektionenModul 1
Beginne mit dem Geschäftsziel
Wandle ein Geschäftsziel in eine Computer-Vision-Aufgabe, festgelegte Klassen und einen Abnahmetest um, den du als Code ausführen kannst – bevor auch nur ein einziges Bild erfasst wird.
Datensatzspezifikation definieren
Plane Szenarien, Mengen, Variationen, Sonderfälle und Hintergrundbilder vor der Datenerfassung und richte den Umfang des Plans an den Mengenzielen von Ultralytics aus.
Modul 3
Bewährte Verfahren für die Annotation
Verfasse einen Leitfaden zur Beschriftung, wähle ein Werkzeug, vermeide die zehn Fehler, die unbemerkt die Genauigkeit beeinträchtigen, und miss die Übereinstimmung der Annotierenden mit einem Skript, bevor du den Umfang erhöhst.
Qualitätskontrolle von Datensätzen
Prüfe Labels, Klassenverteilung, Duplikate und Abdeckung der Aufteilungen mit einem Skript, lass ein Modell auf wahrscheinlich fehlende Labels hinweisen und behebe die gefundenen Probleme vor dem Training.
Modul 4
Den Datensatz korrekt aufteilen
Miss, wie stark zufällige Aufteilungen zu Datenlecks führen, teile mit einem Skript ganze Gruppen wie Clips, Kameras oder Tage auf, prüfe die Klassenabdeckung und sperre den Testsatz.
Augmentierung mit Bedacht einsetzen
Teste jede Augmentierung mit der Einsatzkamera, erstelle ein begründetes Profil, trainiere damit und prüfe das Ergebnis in den Trainingschargen.
Modul 5
Erkennen, wann der Datensatz bereit ist
Mache den ersten Trainingslauf von acht bestandenen oder nicht bestandenen Prüfungen abhängig, automatisiere die drei Prüfungen, die sich per Skript verifizieren lassen, und finde heraus, welche Korrektur bei jedem Fehlschlag nötig ist.
Erste Feinabstimmung und Iterationsschleife
Stimme vortrainierte YOLO26-Gewichte mit den Standardeinstellungen fein ab, ordne die Klassen nach AP und zähle dabei übersehene sowie verwechselte Objekte. Leite aus der schwächsten Klasse die nächste Korrektur am Datensatz ab.
Checkliste für Unternehmenskunden
Eine einseitige, kundenorientierte Checkliste für den Projekt-Kick-off, die alle Entscheidungen zum Datensatz vor der Datenerfassung festhält und jedes erneute Training an Bedingungen knüpft.