🔍Nach der Annotation

Du hast die Annotation deines Datensatzes abgeschlossen! 🎉

Annotation Finished
YAY!

Ein hochwertiger Datensatz ist konsistent. Folge diesem Dokument, um schnell eine Prüfung deiner Annotationen vorzunehmen, bevor du mit dem Training fortfährst.

Schnelle Prüfung über Dataset‑Filter

Im Image Annotation Window nutze das Filter-Dropdown, um bestimmte Beschriftungszustände zu isolieren.

Filter
Logik
Worauf Sie achten sollten

All

Gesamter Datensatz

Allgemeiner Überblick über die Projektgröße.

Annotated

≥1 Bounding Box

Stelle sicher, dass die Boxen eng sitzen und die Klassen korrekt sind.

Empty

Hintergrund/Negativ

Kritisch: Prüfe, ob diese wirklich keine Objekte enthalten.

Excluded

Keine Annotationsdatei

Sicherstellen, dass keine verwertbaren Daten versehentlich verborgen wurden.

Info: Häufiger Fehler: "Empty"-Bilder, die tatsächlich Objekte enthalten, verwirren das Modell. Wenn ein Objekt vorhanden ist, muss es gelabelt sein oder das Bild muss als "Excluded" markiert werden.

Schnellüberprüfung: Tastenkürzel

Diese Shortcuts ermöglichen ein schnelles Prüfen, ohne die Arbeitsfläche zu verlassen.

Navigation & Klassenwahl

  • D / A: Nächstes / vorheriges Bild.

  • Shift + D / Shift + A: Vor-/Zurückspringen um 10 Bilder.

  • S / W: Nächste / vorherige Klasse.

  • Shift + S / Shift + W: Klassen um 3 springen.

  • H (gedrückt halten): Annotationen vorübergehend ausblenden, um das Rohbild zu sehen.

Labeling & Dateiverwaltung

  • O: Mark as Background (erstellt/leer räumt eine leere Annotationsdatei).

  • P: Exclude Image (entfernt die Annotationsdatei).

  • X: Letzte Bounding Box entfernen.

  • Shift + C: Alle Boxen im aktuellen Bild löschen.

  • M: Bild + Annotation in einen /moved Unterordner verschieben (Folder Mode).

  • Shift + Delete: Bild + Annotation endgültig löschen.

Erweiterte Analyse‑Tools

A) Class Frequency Analysis

Öffne Tools → Class Frequency Analysis, um die Verteilungsstruktur deiner Daten zu visualisieren.

  • Seltene Klassen: Wenn eine Klasse deutlich weniger Beispiele hat, könnte das Modell sie ignorieren.

  • Dominante Klassen: Wenn eine Klasse den Großteil der Daten ausmacht, könnte das Modell diese überrepräsentieren.

Maßnahmen bei Ungleichgewicht: Sammle mehr Daten für seltene Klassen oder entferne redundante Beispiele dominanter Klassen. Alternativ kannst du Datenaugmentierung verwenden, um die Vielfalt seltener Klassen künstlich zu erhöhen.

B) Mustererkennung

Achte bei der Überprüfung auf folgende Probleme der "Annotation Quality":

  • Lose Boxen: Zu viel Hintergrund innerhalb der Box.

  • Inkonsistenter Stil: Mischung aus engen und lockeren Boxen für dieselbe Klasse.

  • Fehlende Negative: Zu wenige "Empty"-Bilder, damit das Modell lernt, was kein Objekt ist.

Audit‑Routine

  1. Filter auf Annotated: Prüfe ca. 20–50 Bilder über den gesamten Datensatz verteilt (nicht nur die erste Seite).

  2. Filter auf Empty: Prüfe ca. 10–20 Bilder, ob sie wirklich leer sind.

  3. Stichprobe Excluded: Sicherstellen, dass keine hochwertigen Daten inaktiv liegen.

  4. Edge‑Case‑Durchgang: Suche nach den kleinsten Objekten, stärkster Spiegelung und stärkster Bewegungsunschärfe.

Validierungs‑Set

Wähle 30–100 Bilder oder Videoclips aus, die reale Herausforderungen repräsentieren (schlechte Beleuchtung, Unordnung, etc.).

Diese sollten perfekt gelabelt bleiben. Verwende dieses Set als finalen "Reality Check", bevor du ein Modell in Produktion bringst.

Warnung: Erstelle immer eine Sicherungskopie deines Datensatz-Ordners, bevor du Batch‑Operationen oder Massenlöschungen ausführst.

VorherigeDatensatz erweiternNächsteObjekterkennungsmodelle (YOLO) trainieren

Zuletzt aktualisiert

War das hilfreich?