Datensatzspezifikation definieren

Wo die Spezifikation einzuordnen ist#

Die Spezifikation bildet die Brücke zwischen dem Ziel und der Kamera. Sie steuert die Datenerfassung und ist die Seite, zu der du zurückkehrst, wenn das erste Modell sein Ziel verfehlt:

Der Prozess führt zurück zur Spezifikation, nicht zu den Trainingseinstellungen: Wird ein Ziel verfehlt, liegt das meist an einem Szenario, das die Spezifikation nicht abgedeckt hat. Der Leitfaden zu den Schritten eines Computer-Vision-Projekts beschreibt denselben Lebenszyklus.

Szenarien als Zeilen aufführen#

Ein Szenario ist eine Kombination von Aufnahmebedingungen, die das Modell bewältigen muss. Zeilen mit Mengenangaben machen Lücken sichtbar, bevor jemand eine Kamera in die Hand nimmt:

Ein Szenario, das du nicht aufschreiben kannst, sieht das Modell nicht im Training – und genau dieses Szenario wird im Produktionseinsatz zum Problem.

Den Umfang der Spezifikation an den Mengenzielen ausrichten#

Die Tipps von Ultralytics für optimale Trainingsergebnisse enthalten bewährte Richtwerte für den Produktionseinsatz:

Das sind die Richtwerte für ein Modell im Produktionseinsatz. Ein paar hundert gekennzeichnete Objekte pro Klasse reichen für erste Experimente; mit diesem ersten Modell findest du am schnellsten heraus, für welche Szenarien mehr Daten benötigt werden. Ermittle durch Zählen, wie weit ein Datensatz von den Richtwerten entfernt ist. Dieses Skript läuft mit COCO128, einem Ausschnitt aus COCO mit 128 Bildern, der automatisch heruntergeladen wird:

from collections import Counter
from pathlib import Path

from ultralytics.data.utils import IMG_FORMATS, check_det_dataset, img2label_paths

IMAGES_PER_CLASS, INSTANCES_PER_CLASS = 1500, 10_000  # Ultralytics production targets

data = check_det_dataset("coco128.yaml")  # downloads COCO128 (~7 MB) on first run; swap in your data YAML
images = [p for p in Path(data["train"]).rglob("*.*") if p.suffix[1:].lower() in IMG_FORMATS]
image_count, instance_count, background = Counter(), Counter(), 0
for label in map(Path, img2label_paths([str(p) for p in images])):
    classes = [int(r.split()[0]) for r in label.read_text().splitlines() if r.strip()] if label.exists() else []
    instance_count.update(classes)
    image_count.update(set(classes))
    background += not classes

print(f"{len(images)} images, {background} background ({background / len(images):.0%}, target 0-10%)")
print(f"{'class':>12} {'images':>7} {'instances':>10} {'of target':>10}")
ranked = instance_count.most_common()
for cls, n in ranked[:3] + ranked[-3:]:  # best and worst covered classes
    coverage = min(image_count[cls] / IMAGES_PER_CLASS, n / INSTANCES_PER_CLASS)
    print(f"{data['names'][cls]:>12} {image_count[cls]:>7} {n:>10} {coverage:>10.1%}")

never_labeled = [name for i, name in data["names"].items() if i not in instance_count]
print(f"{len(never_labeled)} classes in names with zero labels: {never_labeled[:4]} ...")

128 images, 2 background (2%, target 0-10%)
       class  images  instances  of target
      person      61        254       2.5%
         car      12         46       0.5%
         cup      10         36       0.4%
        bear       1          1       0.0%
      banana       1          1       0.0%
        skis       1          1       0.0%
9 classes in names with zero labels: ['fire hydrant', 'parking meter', 'sheep', 'cow'] ...

So liest du die Ergebnisse:

• Abdeckung ist der kleinere Wert aus dem Bildanteil und dem Instanzanteil, denn eine Klasse benötigt beides. Selbst person, die am besten abgedeckte Klasse, erreicht nur 2,5 % des Richtwerts für den Produktionseinsatz.
• Klassen mit nur einer Instanz (bear, banana, skis) lassen sich weder lernen noch messen. Erfasse sie in deinem Datensatz oder entferne sie aus Version 1.
• Klassen ohne Kennzeichnungen sind in der YAML-Datei aufgeführt, aber nie eingezeichnet. Das Modell verwendet trotzdem Kapazität darauf, sie vorherzusagen. Entferne sie aus names oder erfasse sie vor dem Training.

Variationsdimensionen abdecken#

Schon ein einzelnes Bild zeigt Menschen in naher und ferner Entfernung, Fahrräder, einen Hund und Autos. Eine gute Spezifikation muss diese Bandbreite bewusst einplanen. Halte für jede Dimension fest, ob die Spezifikation sie abdeckt oder warum sie nicht zutrifft. Leere Zeilen stehen für Szenarien, die du erst im Produktionseinsatz entdecken wirst:

Variabilität ist wichtiger als Umfang: 1.500 Bilder, die sich auf diese Zeilen verteilen, sind wertvoller als 5.000 Bilder von einer Kamera zur Mittagszeit.

Hintergrundbilder und Sonderfälle einplanen#

Hintergrundbilder sind Einzelbilder ohne gekennzeichnete Objekte, zum Beispiel ein leerer Ladebereich. Sie bringen dem Modell bei, dass dort nichts ist, und verringern Fehlalarme.

Sonderfälle sind starke Verdeckungen, am Bildrand abgeschnittene Objekte, ungewöhnliche Ausrichtungen, gestapelte Objekte und leicht verwechselbare Dinge wie ein Gabelstaplermast neben einer Stahlsäule. Weise jedem Sonderfall eine eigene Kontingentzeile zu.