🖥️
AugeLab Studio Manual
Deutch
Deutch
  • 👋Willkommen im AugeLab Studio Benutzerhandbuch
  • 📘Einführung
    • AugeLab Studio
    • Hauptmerkmale
    • Anwendungsfälle
    • Systemanforderungen
  • 🚀Erste Schritte
    • Anmeldung
    • Installation
    • Erster Blick
    • Einfacher Rundgang
    • Ihr allererstes Projekt
      • Grundlagen
      • Erkennung
      • Zusammenfassung
    • Weitere lokale Beispiele
    • Weitere Lektüre
  • 🖥️AugeLab Studio Oberfläche
    • Detaillierter Blick
    • Szenario-Bereich
    • Menü und Werkzeugleiste
    • Projekte verwalten
    • KI installieren und vieles mehr
      • KI mit Modul-Downloader nutzen
  • 🧱Funktionsblöcke
    • Blockstrukturen
    • Schnittstellen
    • Blockspalte
    • Verbindungen
    • Alle Funktionsblöcke
      • AI Blocks
        • Face Detection
        • Mask Detection
        • Object Detection - Custom
        • Object Detection
        • Pose Estimation
        • Safety Equipment Detection
        • Social Distance Detector
        • Super Resolution
        • Text Detection
        • OCR
      • CNN Blocks
        • Average Pooling 2D
        • Batch Normalization
        • Choose Folder 2D
        • Compile Model
        • Conv. Sep. Layer 2D
        • Conv. Trans. Layer 2D
        • Convolutional Layer 2D
        • Dropout Layer
        • Flatten Layer 2D
        • Fully Connected
        • Global Average Pooling 2D
        • Global Max Pooling 2D
        • Input Layer 2D
        • Loss CCE
        • Max Pooling 2D
        • Metrics Accuracy
        • Model EfficientNet
        • Model MobileNet
        • Model ResNet
        • Model VGG
        • Optimizer Adadelta
        • Optimizer Adagrad
        • Optimizer Adam
        • Optimizer Adamax
        • Optimizer FTRL
        • Optimizer Nadam
        • Optimizer RMSProp
        • Optimizer SGD
        • ReLU Layer
        • Softmax Layer
        • Training Parameters
      • Data/Logic
        • Flow Control
          • Batch Concatenation
          • Batch Processing
          • Debatch
          • Get Batch Size
          • HMI Background
          • Subsystem Enabled
          • Subsystem In
          • Subsystem Loop
          • Subsystem Out
          • Subsystem
        • logic
          • All True
          • And
          • Demux
          • Equals
          • Greater
          • Logic Operations
          • Mux
          • Not
          • Or
          • Set - Reset
          • Smaller
        • Mathmetical Operations
          • Add
          • Counter
          • Divide
          • Math Operations
          • Maximum
          • Minimum
          • Multiply
          • Not Equals
          • Round
          • Square Root
          • Subtract
          • Trigonometry
        • Data Operations
          • Data Memory
          • Data to JSON
          • Data Type Converter
          • Datetime Compare
          • Dictionary Operations
          • Exclude Nones
          • Find Substring
          • Get Element
          • Is None
          • List Operations
          • Parse Data Dictionary
          • Replace None
          • String Merge
          • String Operations
        • Referencing
          • Data Read Global
          • Data Read Local
          • Data Write Global
          • Data Write Local
          • Debug Input
          • Tag From
          • Tag To
        • Signal Operators
          • Delay Step
          • Edge Falling
          • Edge Rising
          • Multi Port Switch
          • OFF Delay
          • ON Delay
      • Image/Transformations
        • Analysis
          • Color Density Percentage
          • Get Dimension
          • Histogram On Curve
          • Histogram On Line
          • Image Color Match
          • Image Memory
          • Image Resolution and Channel Value
          • Maximum Images
          • Mean Value of Image
          • Measure Position Distance
          • Minimum Images
          • Non-zero of Image
          • Std. of Image
          • Structural Similarity
        • Transformation Filters
          • Auto Alignment
          • Auto Contrast
          • Color Quantizer and Clustering
          • Color Space
          • Contrast-Brightness-Gamma
          • Contrast Optimization
          • Deconvolution
          • Denoising
          • Distance Transformation
          • FloodFill
          • Grab Cut Algorithm
        • Color Filters
          • 2D Filter
          • Apply Mask
          • Bilateral Filter
          • Blur
          • Edge Filter
          • HSV Filter
          • Image Adaptive Threshold
          • Image Threshold
          • Invert Image
          • Morphological Transformations
          • Normalize Image
          • RGB Mask
          • RGB Set
          • Sobel Filter
        • Operations
          • Add Images Weighted
          • Add Images
          • Collage Images
          • Divide Images
          • Flip Image
          • Image AutoRotator
          • Image Concatenate
          • Image Resize
          • Image Resizer
          • Merge Channels
          • Multiply Images
          • Polar Transform
          • Rotate Image Angle
          • Slice Image
          • Split Image
          • Subtract Images
      • Detections/Shapes
        • Detectors
          • Barcode Reader
          • Blob Detector
          • Blur Detector
          • Circle Detector
          • Corner Detector
          • Custom CNN Model
          • Data Matrix Reader
          • Detect Reference
          • Feature Detector
          • Find Object - Multiple Image
          • Find Object
          • Find Reference
          • Harris Corner Filter
          • Line Detector
          • Match Shapes
          • Measure Object Distance
          • Shape Detector
        • Draw
          • Draw Detections
          • Draw Line
          • Draw Point
          • Draw Rectangle
          • Draw Result On Image
          • Write Date On Image
          • Write Text On Image
        • Roi Processing
          • Check Area (Polygon)
          • Check Area
          • Get Pixel Mouse
          • Get Pixel
          • Get ROI
          • Image ROI Center
          • Image ROI Polygon
          • Image ROI Select Multi
          • Image ROI Select
          • Image ROI
          • Perspective Transform
          • Rectangles in Rectangle
        • Shape Analysis
          • Approximate Contour
          • Choose Line
          • Contour to Image
          • Fill Contour
          • Find Contour
          • Hull Convex
          • Minimum Circle
          • Minimum Ellipse
          • Minimum Rectangle
          • Minimum Rotated Rectangle
          • Most Similar Shape
          • Point Polygon Test
      • Input/Output
        • Communication
          • Modbus Connect
          • Modbus Read
          • Modbus Write
          • MQTT Publish
          • MQTT Subscribe
          • OPC UA Client
          • OPC UA Read
          • OPC UA Write
          • REST API - Get
          • REST API - Post
          • Send Mail
          • Siemens S7 Connect
          • Siemens S7 Read
          • Siemens S7 Write
        • Data Inputs
          • Date-Time List
          • Date-Time
          • Headless Check
          • Keyboard/Barcode Reader
          • Logic Input
          • Number Input
          • Number Range
          • PWM (Pulse Width Modulation)
          • Rising Edge
          • String Input
          • Text
        • Image Inputs
          • Camera IP (ONVIF)
          • Camera IP
          • Camera USB External
          • Camera USB Vidgear
          • Camera USB
          • Load Image From Path
          • Load Image
          • Make Image
          • Pixel
          • Video
        • Outputs/Exports
          • CSV Export
          • Cycle Timer
          • File/Folder Operations
          • GPU Statistics
          • Image Logger
          • Image Write
          • Led Output
          • Multi Image Write
          • Output
          • Scope
          • Show Image
          • Stop
  • 📡Geräte und Kommunikation
    • Kamera-Nutzung
    • Kommunikationsprotokolle
    • Weitere Lektüre
  • 🧩Beispielprojekte
    • Demo-Projekte
    • Umfangmessung
    • Objektezählung
    • Fliesenbreitenmessung
    • Menschenkennung
    • Objekterkennung
  • 🔑Hauptmerkmale
    • Benutzerdefinierte HMI-Anwendungen bereitstellen
    • Daten für die Objekterkennung annotieren
    • Benutzerdefinierte KI-Modelle trainieren
      • Die richtige Datenbank auswählen
      • Wann man das Training stoppen sollte
    • Plugins erstellen
      • Komponenten
      • Codereferenz
    • Teilen Sie Ihre Lösungen mit der Community
    • Python-Pakete installieren
  • 📑FAQ
    • Kontaktieren Sie uns
    • FAQ
    • Ein vollständiges Projekt einrichten
  • Zusätzliche Ressourcen
    • Schulungsplan
    • Schulung Materialien
    • AugeLab-Experten
  • Anhang
    • Wörterbuch
    • Referenzen
Powered by GitBook
On this page
  • Erster Blick
  • **Erste Schritte**
  • **Menüleiste - Trainingskonfiguration**
  • Fenster für erweiterte Einstellungen
  • **Starten des Trainingsprozesses**

Was this helpful?

  1. Hauptmerkmale

Benutzerdefinierte KI-Modelle trainieren

PreviousDaten für die Objekterkennung annotierenNextDie richtige Datenbank auswählen

Last updated 7 months ago

Was this helpful?

Erster Blick

Sie benötigen einen Computer mit , sollten installieren und das verwenden.

Das AugeLab Studio Detection Training-Fenster bietet eine benutzerfreundliche Oberfläche zum Trainieren von Objekterkennungsmodellen mit dem YOLO (You Only Look Once)-Framework.

**Erste Schritte**

  1. Starten Sie AugeLab Studio auf Ihrem Computer.

  2. Bevor Sie mit dem Training beginnen, müssen Sie den Datensatzordner und die Klassendatei laden, die die Klassen der Objekte enthält, die Sie erkennen möchten.

Sie können auch vortrainierte YOLO-Gewichte mit Klassennamen integrieren.

**Menüleiste - Trainingskonfiguration**

  1. Datensatz laden: Klicken Sie auf diese Aktion, um den Datensatzordner auszuwählen, der die Bilder für das Training enthält.

  1. Klassendatei laden: Verwenden Sie diese Aktion, um die Klassendatei (.names-Format) zu laden, die die Liste der Klassen für das Training enthält.

  1. Typ des Erkennungsmodells: Wählen Sie zwischen den Modellen "Schnelle Erkennung" und "Robuste Erkennung". Das Modell "Schnelle Erkennung" eignet sich für PCs mit niedrigen Spezifikationen und bietet eine geringere Genauigkeit. Das Modell "Robuste Erkennung" bietet eine höhere Genauigkeit, erfordert jedoch PCs mit hohen Spezifikationen.

  1. Benutzerdefinierte Trainingsprüfung laden: Wenn Sie eine vortrainierte Gewichtedatei (.weights oder .pw-Format) haben, können Sie diese als Ausgangspunkt für das Training laden.

  1. Erweiterte Einstellungen öffnen: Weitere (erweiterte) Konfigurationen können im Fenster für erweiterte Einstellungen festgelegt werden.

Fenster für erweiterte Einstellungen

In diesem Fenster können die Trainingsparameter für die erweiterte Verwendung angepasst werden.

  1. Datensatzaufteilung: Bestimmt den Anteil der Daten, der für das Training und die Validierung zugewiesen wird, um die Leistung des Modells zu bewerten.

  2. Netzwerkgröße: Gibt die Netzwerkgröße an, die den Kompromiss zwischen Geschwindigkeit und Genauigkeit bei Aufgaben der Objekterkennung beeinflusst.

  3. Unterteilungsgröße: Definiert die Größe der Mini-Batches während des Trainings, was die Speichernutzung und die Recheneffizienz beeinflusst.

Die Aktion "Train Procedure" im Menü "Hilfe" bietet detaillierte Anweisungen zum effektiven Trainieren der Modelle.

**Starten des Trainingsprozesses**

  1. Training starten: Nachdem Sie den Datensatz und die Klassendatei geladen haben, klicken Sie auf START TRAIN, um den Trainingsprozess zu starten.

  2. Trainingsprotokoll: Der Protokollbereich zeigt den Fortschritt und den Status des Trainingsprozesses an.

  3. Training stoppen: Sie können den Trainingsprozess stoppen, indem Sie auf die Schaltfläche STOP TRAIN klicken.

Sie können den Trainingsprozess von zwei Bildschirmen aus verfolgen:

  1. Trainingsprotokollfenster

  1. Trainingsdiagramm (Verlust und mAP)

Wenn Sie das Fenster zur Objekterkennung schließen, während der Trainingsprozess läuft, wird der Prozess beendet.

Sie können jetzt das Fenster zur Objekterkennung in AugeLab Studio verwenden, um Objekterkennungsmodelle auf benutzerdefinierten Datensätzen zu trainieren. Experimentieren Sie mit verschiedenen Modelltypen, Batchgrößen und benutzerdefinierten Prüfungen, um optimale Ergebnisse zu erzielen! Viel Spaß beim Trainieren Ihrer Objekterkennungsmodelle mit AugeLab Studio!

Klicken Sie auf AI Tools ➡️

🔑
Object Detection Training Widow
Nvidia GPU
Module Downloader Window
Training Protokoll
CUDA, CUDNN