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.
Erfolg zu wiederholen ist schwieriger als das erste Modell zu entwickeln. Bei den meisten gescheiterten Computer-Vision-Projekten wurde beim Kick-off eine entscheidende Frage nicht gestellt: Wo wird das Modell eingesetzt, was gilt als Erfolg oder war der Testsatz wirklich unberührt? Diese Checkliste fasst den Kurs auf einer Seite zusammen, die ein Kunde ohne Übersetzung durch einen Entwickler ausfüllen kann. So werden diese Fragen gestellt, solange sie noch kostengünstig zu beantworten sind.
Praxisnah
Die Kick-off-Checkliste#
Kopiere diese Checkliste in das Projekt-Repository oder Wiki. Jeder Abschnitt gehört zu einer Lektion dieses Kurses und ist so formuliert, dass ihn auch Personen ohne technischen Hintergrund beantworten können:
# Vision Project Kickoff Checklist
Project: ... Owner: ... Date: ...
## 1. What should the model do?
Business goal (one sentence, with a deadline): ...
Task: [ ] detect [ ] segment [ ] semantic [ ] classify [ ] pose [ ] OBB [ ] depth
Classes, each with a definition and a look-alike it excludes: ...
## 2. Where will the model run?
[ ] Cloud GPU [ ] Cloud CPU [ ] Edge device [ ] Mobile [ ] Browser
Latency target: ... ms Cameras / resolution: ...
## 3. What visual variation exists?
Times of day: ... Weather: ... Sites: ...
Cameras: ... Operators / shifts: ... Variants: ...
## 4. Which edge cases matter?
...
## 5. Do we have background images?
[ ] Yes, ...% of images (target 0-10%) [ ] No, collect first
## 6. Are labels consistent?
[ ] Labeling guide written [ ] Agreement measured: ...%
[ ] QC audit and suspect review run, notes attached
## 7. Did we check for leakage?
Split unit: [ ] clip [ ] camera [ ] day [ ] site [ ] customer
[ ] No group appears in more than one split
[ ] Every class appears in every split
## 8. Is the test set truly unseen?
[ ] Locked; used once for the final go/no-go
## 9. What defines success?
Acceptance test (metric, threshold, holdout): ...
Volume: [ ] >=1,500 images and >=10,000 instances per class
[ ] or documented exception with expected impact: ...
Ready to fine-tune YOLO26? [ ] Yes [ ] No, fix item ... firstWann die einzelnen Abschnitte Voraussetzungen für das Projekt sind#
| Phase | Zu beantwortende Abschnitte | Was dadurch verhindert wird |
|---|---|---|
| Kick-off | 1, 2, 9 | Das falsche Modell für die falsche Hardware zu entwickeln |
| Vor der Datenerfassung | 3, 4, 5 | Daten zu erfassen, die die Einsatzbedingungen nicht abbilden |
| Vor dem Labeln | 6 | Dafür zu bezahlen, dass dasselbe dreimal unterschiedlich gelabelt wird |
| Vor dem Training | 7, 8, Umfang | Einer durch Datenleckage verfälschten oder zu optimistischen Metrik zu vertrauen |
| Vor jedem erneuten Training | Alle | Dass neue Daten unbemerkt eine zuvor bestandene Prüfung scheitern lassen |
Das Kick-off-Meeting durchführen#
Gehe die Seite mit der Person durch, die für das Geschäftsergebnis verantwortlich ist, nicht nur mit den Entwicklern. Drei Gewohnheiten helfen dabei:
- Nimm dir Zeit für Abschnitt 9. Beim Abnahmetest werden tatsächliche Meinungsverschiedenheiten sichtbar. Eine Stunde, in der ihr euch darauf einigt, erspart euch wochenlange Diskussionen darüber, ob ein Modell gut genug ist.
- Akzeptiere „weiß ich nicht“ als Antwort. Notiere daneben eine verantwortliche Person und einen Termin. Die offenen Punkte bilden den Projektplan für die nächsten zwei Wochen.
- Sprich früh über Abschnitt 2. Das Zielgerät begrenzt die Modell- und Bildgröße. Dadurch wird wiederum festgelegt, wie klein das kleinste Objekt sein darf, das der Datensatz abdecken muss.
Der Nutzen liegt in den Antworten der Beteiligten auf die Abschnitte 1, 3, 4 und 9. Füllen Ingenieure diese nach Vermutung aus, hält die Checkliste Annahmen statt Vereinbarungen fest. Setze ein Treffen an und lass die Antwort offen, wenn sie noch niemand kennt.
Bewahre die ausgefüllte Checkliste zusammen mit dem Datensatz, den QC-Notizen und den Dateien zur Aufteilung auf. Wenn Monate später jemand fragt, warum sich das Modell auf eine bestimmte Weise verhält, steht die Antwort meist auf dieser Seite.
Was du jetzt kannst#
Du kannst ein Geschäftsziel in einen Abnahmetest umwandeln, eine Datensatzspezifikation mit Mindestmengen erstellen, repräsentative Daten erfassen und Metadaten in jeden Dateinamen aufnehmen, einheitlich labeln und die Übereinstimmung messen, die Qualität mit Skripten prüfen, die Daten ohne Leckage nach Gruppen aufteilen, eine zum Einsatz passende Augmentierung auswählen, das Training an eine Bereitschaftsprüfung knüpfen und aus einem Basislauf die nächste Verbesserung am Datensatz ableiten.

Wie es weitergeht#
- Trainiere dein erstes YOLO-Modell: Wandle die Labels in Einen benutzerdefinierten Datensatz vorbereiten um und trainiere, validiere und exportiere das Modell anschließend.
- Entwickle mit der Ultralytics Platform: Nutze denselben Lebenszyklus (Annotation, Kuratierung, Cloud-Training, Bereitstellung, Überwachung) an einem Ort und beginne mit Kuratieren, Duplikate entfernen und aufteilen.
- Ultralytics YOLO in der Produktion: Exportiere und stelle das Modell bereit und überwache es nach der Einführung auf Drift.
- Der Leitfaden zur Feinabstimmung: Einfrieren von Schichten, zweistufiges Training und Wahl des Optimierers, sobald die Standardeinstellungen nicht mehr ausreichen.
Lösung anzeigen
Ein ausgefülltes Kick-off für das Lagerprojekt aus Lektion 1:
Project: dock-safety-v1 Owner: site operations lead Date: 2026-05-02
1. Goal: cut dock-door near misses 30% in six months. Task: [x] detect
Classes: forklift (excludes hand pallet jacks), person (excludes reflections),
pallet (excludes crates without a pallet base)
2. [x] Edge device Latency: <= 100 ms Cameras: 4 x 1080p, 12 fps
3. Day and night shifts; rain at bays B-C; sites: dock A only for v1
4. People behind stacked pallets; forklifts half out of frame at bay edges
5. [ ] No: collect 150 empty-dock frames (owner: shift lead, by 2026-05-16)
6. [ ] Guide written [ ] Agreement measured -> owner: annotation lead, by 2026-05-23
7. Split unit: [x] camera + day
8. [x] Locked: cam-4, 2026-06-01 to 2026-06-07, never used for tuning
9. Recall(person) >= 0.95 at precision >= 0.85 on the locked cam-4 week
Volume: [ ] exception: pallet target 2,000 instances for v1; expect lower
pallet recall in crowded bays
Ready to fine-tune YOLO26? [ ] No, fix items 5 and 6 firstAus zwei Antworten mit „weiß ich nicht“ wurden terminierte Aufgaben. Das Zielgerät legte die Latenzgrenze fest, und die festgelegte Testwoche macht den Abnahmetest konkret.