# Objekterkennungsmodelle (YOLO) trainieren

### Erster Blick <a href="#first-look" id="first-look"></a>

{% hint style="info" %}
Sie benötigen einen Computer mit [Nvidia GPU](/german/einfuhrung/system-requirements.md), sollten [CUDA, CUDNN](/german/erste-schritte/installation-and-licensing.md#follow-the-steps-below-to-use-ai-modules) installieren und das [Module Downloader Window](https://github.com/AugelabTech/AugeLab-Studio-Gitbook-Docs/blob/main/german/key-features/integrate-gpu-with-module-downloader.md) verwenden.
{% endhint %}

<figure><img src="/files/ZKNCth1fbDWwKhKjXUsp" alt=""><figcaption></figcaption></figure>

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

### \*\*Erste Schritte\*\* <a href="#getting-started" id="getting-started"></a>

1. Starten Sie AugeLab Studio auf Ihrem Computer.
2. Klicken Sie auf `AI Tools` ➡️ [**Object Detection Training Widow**](https://github.com/AugelabTech/AugeLab-Studio-Gitbook-Docs/blob/main/german/function-blocks-ai-applications/object-detection-train.md)
3. Bevor Sie mit dem Training beginnen, müssen Sie den **Datensatzordner** und die **Klassendatei** laden, die die Klassen der Objekte enthält, die Sie erkennen möchten.

{% hint style="info" %}
Sie können auch vortrainierte YOLO-Gewichte mit Klassennamen integrieren.
{% endhint %}

### \*\*Menüleiste - Trainingskonfiguration\*\* <a href="#menu-bar-train-configuration" id="menu-bar-train-configuration"></a>

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

<figure><img src="/files/9IU00Br19IM7g2h9L6vh" alt=""><figcaption></figcaption></figure>

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

<figure><img src="/files/sLdeuXjDYUMApKhl1nX3" alt=""><figcaption></figcaption></figure>

3. 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.

<figure><img src="/files/OtpuPBv8zxtSvk6f2uOx" alt=""><figcaption></figcaption></figure>

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

<figure><img src="/files/S3MNye80xJONHSD9Ky3M" alt=""><figcaption></figcaption></figure>

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

<figure><img src="/files/zKD8sEPkcEC6lrqefHlh" alt=""><figcaption></figcaption></figure>

### Fenster für erweiterte Einstellungen <a href="#advanced-settings-window" id="advanced-settings-window"></a>

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.

<figure><img src="/files/8TyUBvlirx4vZyxABDIW" alt=""><figcaption></figcaption></figure>

{% hint style="info" %}
Die Aktion "Train Procedure" im Menü "Hilfe" bietet detaillierte Anweisungen zum effektiven Trainieren der Modelle.
{% endhint %}

### \*\*Starten des Trainingsprozesses\*\* <a href="#starting-training-process" id="starting-training-process"></a>

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

<figure><img src="/files/Jsox7ElljExKYIQqQ2QM" alt="" width="563"><figcaption><p>Training Protokoll</p></figcaption></figure>

2. Trainingsdiagramm (Verlust und mAP)

<figure><img src="/files/Ku7tzdkb18Ut3fw1Fyyq" alt=""><figcaption></figcaption></figure>

{% hint style="warning" %}
Wenn Sie das Fenster zur Objekterkennung schließen, während der Trainingsprozess läuft, wird der Prozess beendet.
{% endhint %}

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!


---

# Agent Instructions: 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/train-custom-ai-models-with-training-window.md?ask=<question>
```

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.