> 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/dataset-collection.md). # Datensatzerfassung 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. {% hint style="info" %} Sie können diesen Abschnitt überspringen, wenn Sie bereits einen Ordner mit Bildern/Videos zur Annotation bereit haben. {% endhint %} *** ## 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. {% hint style="info" %} Für beste Ergebnisse streben Sie innerhalb Ihres Datensatzes nach **Vielfalt** in Blickwinkeln, Abständen und Beleuchtung. {% endhint %} {% hint style="warning" %} Die Anzahl der Klassen sollte im Datensatz konsistent sein. Falls nicht, kann später durch **Augmentation** ausgeglichen werden. {% endhint %} *** ### 🏗️ 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](https://cocodataset.org/#home) — Großes Dataset für Objekterkennung, Segmentierung und Captioning. * [Pascal VOC](http://host.robots.ox.ac.uk/pascal/VOC/) — Standarddatensatz für Objekterkennung und Segmentierung. * [Open Images Dataset](https://storage.googleapis.com/openimages/web/index.html) — \~9 Millionen Bilder mit Bild-Level-Labels und Bounding Boxes. * [ImageNet](http://www.image-net.org/) — Große Bilddatenbank für Forschungszwecke im Bereich visuelle Objekterkennung. * [Kaggle Datasets](https://www.kaggle.com/datasets) — Verschiedene Datensätze für Machine Learning, inklusive Objekterkennung. ## 📂 Ordnerstruktur & Vorbereitung AugeLab Studio lädt Datensätze per Ordner. Stellen Sie sicher, dass Ihre Struktur so aussieht: ``` my_dataset/ ├── 000001.jpg ├── 000002.jpg ├── background_01.png └── classes.names <-- (Optional, wird während der Annotation erstellt) ``` *** ## 🏁 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). | --- # 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/dataset-collection.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.