📥Datensatz-Erfassung

Der schnellste Weg, ein leistungsfähiges KI-Modell zu erstellen, besteht darin, Daten gezielt zu erfassen. Diese Seite erklärt, wie Sie mit den nativen Werkzeugen von AugeLab Studio hochwertige Bilder und Videos sammeln.

Sie können diesen Abschnitt überspringen, wenn Sie bereits einen Ordner mit Bildern/Videos zur Annotation bereit haben.

Planung Ihres Datensatzes

Es ist wichtig, den Datensatz vor der Aufnahme zu planen. Ein gut strukturierter Datensatz führt zu besserer Modellleistung.

📊 Wie viele Daten benötigen Sie?

Die benötigte Anzahl an Bildern hängt davon ab, wie sehr sich die Umgebung verändert. Verwenden Sie diese Tabelle als Ausgangspunkt für Ihr Sammelziel.

Projekttyp
Umgebung
Empfohlene Bilder pro Klasse*

Einfach

Kontrollierte Beleuchtung, feste Kamera, 1–2 Klassen.

50 - 150

Industriell

Fabrikumgebung, Schichtwechsel, Förderband.

200 - 500

Komplex

Variable Beleuchtung, viele Klassen, bewegte Kamera.

1.000+

Komplex Außen

Außenbereich mit Wetterwechsel.

2.000+

Seltene Ereignisse

Erkennung gelegentlicher Defekte oder Lecks.

50 Ziel / 100 Leer

*Bilder pro Klasse bezieht sich auf die Anzahl annotierter Instanzen jeder Objektkategorie, nicht nur auf die Gesamtanzahl der Bilder.

Für beste Ergebnisse streben Sie innerhalb Ihres Datensatzes nach Vielfalt in Blickwinkeln, Abständen und Beleuchtung.

Die Anzahl der Klassen sollte im Datensatz konsistent sein. Falls nicht, kann später durch Augmentation ausgeglichen werden.

🏗️ Grenzen definieren

Notieren Sie diese Punkte, bevor Sie das erste Foto machen, damit Ihr Datensatz repräsentativ und konsistent ist.

  1. Class List: Welche spezifischen Objekte sollen erkannt werden?

  2. Camera Specs: Welcher Montagewinkel, Abstand und Field of View (FoV) wird verwendet? Einzel- oder Mehrfachkameras?

  3. Variationen: Gibt es Änderungen in der Beleuchtung (Reflexe/Schatten) oder Hintergrundunruhe?

  4. Negatives: Wie sieht eine „leere“ Szene aus?

  5. Scope: Welche Objekte soll das Modell absichtlich ignorieren?

Kameraeinstellungen

Egal ob USB-Kamera, IP-Kamera oder Industriekamera: Stellen Sie vor der Aufnahme sicher, dass folgende Einstellungen optimiert sind:

  • Resolution: Zielbereich 480p bis 720p (640x480 ist ein gängiger Standard). Höhere Auflösungen können später herunterskaliert werden.

  • Frame Rate: 15–30 FPS sind für die meisten Objekterkennungsaufgaben ausreichend.

  • Focus: Auf manuellen Fokus stellen, um Verschiebungen während der Aufnahme zu vermeiden.

  • Exposure: Manuelle Belichtungseinstellungen verwenden, um konstante Lichtverhältnisse zu gewährleisten.

  • Save Settings: Speichern Sie Ihr Kamera-Preset, viele Kameras erlauben das Speichern von Voreinstellungen, damit die Konfiguration über Sessions hinweg gleich bleibt.

Datenerfassung

Sie können Bilder und Videos für Ihren Objekterkennungs-Datensatz direkt in AugeLab Studio mit integrierten Tools aufnehmen. Das sorgt für Kompatibilität und vereinfacht den Annotationsprozess.

Eine Alternative ist das Herunterladen öffentlicher Datensätze oder die Nutzung externer Kameras/Software, was jedoch zusätzliche Formatierungsschritte erfordern kann.

Aufnahme innerhalb von AugeLab Studio

Im Studio-Umfeld können Sie Trigger (Buttons, PLC-Signale oder Timer) nutzen, um die Erfassung zu automatisieren.

1. Starten Sie mit dem Beispielprojekt

AugeLab enthält eine vorkonfigurierte Vorlage für diese Aufgabe.

  • Path: File → Example Projects (oder "Example Scenarios")

  • Project: "Data Collection for AI Training"

📸 Einzelbilder: Der Image Write Block

Verwenden Sie diesen Block für hochwertige, statische Frames. Gut geeignet für „gleiche Szene, viele Positionen“.

Input/Setting
Erklärung

Folder Path

Ordner, in dem die Bilder gespeichert werden.

Save (Trigger)

Auf True setzen, um einen Frame zu speichern. Kombinieren Sie diesen Trigger mit einem Button oder Timer.

Compress Image

Checked = .jpg (kleiner)

🎥 Bewegung: Der Record Video Block

Ideal für Förderbänder oder schnell bewegte Inspektionen, bei denen Sie später Frames extrahieren wollen.

Input/Setting
Erklärung

Video Quality

Compressed = .mp4

Trigger Mode: Spacebar

Drücken der Leertaste zum Start/Stop.

Trigger Mode: Once

Record=True schaltet die Aufnahme ein/aus.

Planen Sie kurze, fokussierte Clips (10–60s) statt einer einzigen großen Datei. Das erleichtert die Frame-Extraktion.

📉 Erfassen von Hintergrund- (Negative) Bildern

Ein robustes Modell muss wissen, was nicht erkannt werden soll. Erfassen Sie daher gezielt „leere“ Szenen.

  • Was erfassen: Leere Förderbänder, leere Arbeitsplätze oder häufige Nicht-Ziel-Objekte (Einrichtungen, Werkzeuge).

  • Empty: Es existiert eine Annotationsdatei, aber ohne Bounding-Boxen.

  • Excluded: Es existiert keine Annotationsdatei für das Bild.

Öffentliche Datensätze

Wenn Sie Ihren eigenen Datensatz ergänzen möchten, ziehen Sie diese öffentlichen Datensätze in Betracht:

  • COCO Dataset — Großes Dataset für Objekterkennung, Segmentierung und Captioning.

  • Pascal VOC — Standarddatensatz für Objekterkennung und Segmentierung.

  • Open Images Dataset — ~9 Millionen Bilder mit Bild-Level-Labels und Bounding Boxes.

  • ImageNet — Große Bilddatenbank für Forschungszwecke im Bereich visuelle Objekterkennung.

  • Kaggle Datasets — Verschiedene Datensätze für Machine Learning, inklusive Objekterkennung.

📂 Ordnerstruktur & Vorbereitung

AugeLab Studio lädt Datensätze per Ordner. Stellen Sie sicher, dass Ihre Struktur so aussieht:

🏁 Erfassungs-Checkliste

Check
Anforderung

Qualität

Vermeiden Sie starke Bewegungsunschärfe oder Überbelichtung, bei der Kanten verschwinden.

Abdeckung

Erfassen Sie Objekte zentriert, in den Ecken und an den Bildrändern.

Skalierung

Stimmen Sie den realen Kamerabstand auf die Objektgröße ab.

Unruhe

Nehmen Sie die unordentlichen Hintergründe mit auf, die die Kamera tatsächlich sieht.

Auflösung

Die meisten KI-Modelle arbeiten am besten zwischen 480p und 720p (durchschnittlich 640x480).

VorherigeDaten für Objekterkennung annotierenNächsteGrundlagen des Annotationsfensters

Zuletzt aktualisiert

War das hilfreich?