> For the complete documentation index, see [llms.txt](https://docs.augelab.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.augelab.com/german/hauptfunktionen/annotate-data-for-object-detection/augment-dataset.md).
# Datensatz augmentieren
Dataset-Augmentierung erstellt neue Trainingsbilder, indem kontrollierte Transformationen auf Ihre bestehenden gelabelten Bilder angewendet werden, während die Bounding Boxes perfekt ausgerichtet bleiben.
Richtig eingesetzt hilft Augmentation Ihrem Modell, besser zu generalisieren (auf neuen Bildern gut zu funktionieren). Falsch eingesetzt kann sie das Training verschlechtern, indem das Modell unrealistische Muster lernt.
***
## ⚖️ Was Augmentation ist (und was nicht)
| **Augmentation IST...** | **Augmentation IST NICHT...** |
| -------------------------------------------------------------------- | ------------------------------------------------------------- |
| Eine Möglichkeit, Beleuchtung, Rotation oder Rauschen zu simulieren. | Ein Ersatz für fehlende Kamerawinkel oder fehlende Produkte. |
| Ein Werkzeug, um Robustheit bei kleinen Datensätzen zu verbessern. | Eine Lösung für fehlerhafte oder „schlampige“ Anfangslabels. |
| Eine Methode, um Overfitting zu reduzieren. | Eine Garantie für bessere Ergebnisse (zu viel davon schadet). |
***
## Strategische Anwendung
Wann Augmentation hilfreich ist
* **Kleine Datensätze:** Sie haben nur wenige Bilder pro Klasse.
* **Umgebungsvariationen:** Sie erwarten Änderungen in Beleuchtung (Tag/Nacht), Blendung oder Bewegungsunschärfe.
* **Overfitting:** Die Trainingsgenauigkeit ist hoch, die reale Leistung jedoch niedrig.
* **Seltene Klassen:** Manche Objekte treten in Ihren realen Daten selten auf.
Wann Augmentation unnötig (oder riskant) ist
* **Vielfältige reale Daten:** Sie haben bereits tausende unterschiedliche, reale Bilder.
* **Feine Merkmale:** Ihre Inspektion hängt von kleinen Kratzern oder Texturen ab, die durch Unschärfe/Rauschen zerstört werden könnten.
* **Stabile Umgebungen:** Beleuchtung, Kamera und Produktpositionen ändern sich niemals. Beispiel: Ein fest positioniertes Objekt braucht keine Rotations-Augmentation.
{% hint style="warning" %}
**Festplattenwarnung:** Augmentation erzeugt neue physische Dateien. Wenn Sie viele Optionen aktivieren, kann die Größe Ihres Dataset-Ordners stark ansteigen. **Führen Sie Augmentation nur durch, nachdem Sie die manuellen Labels abgeschlossen und eine Sicherung vorgenommen haben.**
{% endhint %}
***
## 🛠️ Wie das Augmentation-Fenster funktioniert
Im Image Annotation Window navigieren Sie zu **Tools** → **Augment Dataset**.
### Oberfläche im Überblick
| Abschnitt | Funktion |
| -------------------- | ----------------------------------------------------------------------------------------------------------- |
| **Quick Presets** | Ein-Klick-Konfigurationen, um sinnvolle Startwerte anzuwenden.  |
| **Quick Toggles** | Schnell ganze Gruppen aktivieren/deaktivieren (z. B. Color, Noise).  |
| **Detailed Options** | Feinabstimmung der Intensität für Brightness, Contrast, Blur, Noise und Perspective-Anpassungen. |
***
## Ein sicherer, praktischer Workflow
1. **Saubere Basis:** Schließen Sie zuerst die manuellen Labels ab (oder zumindest einen sauberen Unterbestand).
2. **Backup:** Duplizieren Sie Ihren Dataset-Ordner.
3. **Klein anfangen:** Verwenden Sie ein Preset oder minimale manuelle Einstellungen.
4. **Visuelle Prüfung:** Öffnen Sie den erzeugten Ordner und prüfen Sie:
* Sind die Bounding Boxes weiterhin zentriert auf den Objekten?
* Sehen die augmentierten Bilder noch realistisch aus?
5. **Trainieren & Vergleichen:** Vergleichen Sie die Ergebnisse eines Modells, das mit und ohne Augmentation trainiert wurde.
***
## ❓ Fehlerbehebung
📉 "Mein Modell wurde nach der Augmentation schlechter"
Das bedeutet oft, dass die Augmentation nicht zur Realität passt.
* **Versuchen Sie:** Reduzieren Sie die Intensität der Augmentation.
* **Versuchen Sie:** Deaktivieren Sie Transformationen, die unrealistische Bilder erzeugen (z. B. keine 180°-Rotation verwenden, wenn Teile immer aufrecht sind).
🖼️ "Die Boxes sind auf augmentierten Bildern falsch"
* **Versuchen Sie:** Reduzieren Sie geometrische Transformationen (Rotation/Perspektive).
* **Versuchen Sie:** Überprüfen Sie, dass Ihre Labels vor der Augmentation eng und korrekt waren.
📂 "Es wurden zu viele Dateien generiert"
* **Versuchen Sie:** Deaktivieren Sie die meisten Transformationen und behalten Sie nur die wirklich benötigten bei.
* **Versuchen Sie:** Wenden Sie Augmentation nur auf eine kleinere Bildmenge an.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://docs.augelab.com/german/hauptfunktionen/annotate-data-for-object-detection/augment-dataset.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.