# Wann das Training stoppen {% hint style="info" %} AugeLab Studio berechnet automatisch die optimale Trainingszeit für Ihre Modelle. Das Training stoppt automatisch, wenn es endet. {% endhint %} Das Training eines Objekterkennungsmodells erfordert eine sorgfältige Überlegung, wann der Trainingsprozess gestoppt werden sollte. Das rechtzeitige Stoppen des Trainings kann die Leistung, die Generalisierungsfähigkeiten und die Effizienz des Modells erheblich beeinflussen. Dieser Leitfaden soll Forschern, Entwicklern und Praktikern wertvolle Einblicke geben, um den optimalen Stoppunkt während des Modelltrainings zu bestimmen. Wenn dies Ihr erstes Training ist, können Sie die [Starter Checkliste](#starter-checklist) befolgen. ## Monitor Training Progress Überwachen Sie während des Trainings kontinuierlich den Fortschritt des Modells. Behalten Sie wichtige Leistungsmetriken im Auge, wie zum Beispiel: * Verlust * mAP * IOU * Iterationen Die Werte für Verlust und mAP werden in einem Diagramm angezeigt, wie unten:
{% hint style="warning" %} Alle Metriken können stark variieren durch: * Datenvielfalt * Datengröße * Annotierungsgenauigkeit * Modellgröße Die unten angegebenen Zahlen dienen nur dazu, Anfängern einen ersten Anhaltspunkt zu geben. {% endhint %} ### Verlust Der Verlust wird mit blauen Punkten im Trainingsdiagramm angezeigt und repräsentiert, wie weit die Modellgenauigkeit von den bereitgestellten Trainingsdaten entfernt ist. Der Trainingsverlust kann überwacht werden, um die Modellgenauigkeit und Übertraining im Auge zu behalten. Verschiedene Bereiche des Trainingsverlustwerts können folgendes anzeigen: {% hint style="info" %} Der Verlust selbst gibt nicht genügend Informationen darüber, wie genau die Daten sind. Konsultieren Sie [mAP](#map) für einen Parameter, der genauer widerspiegelt. {% endhint %} #### \*\*2.0 ≥\*\* Verlust Ein generisches Modell, das einen Anhaltspunkt dafür gibt, wie generisch und genau die Datenbank ist. Für nicht spezifische Datenbanken sollte dies ein einigermaßen genaues Modell ergeben, das bereit ist, den Trainingsprozess zu bewerten. {% hint style="warning" %} Wie im obigen Diagramm gezeigt, können Verlustwerte um 2.0 möglicherweise keine genauen Modelle erzeugen. {% endhint %} #### \*\*1.0 ≥\*\* Verlust Eine spezialisierte Datenbank kann verwendet werden, um Verlustwerte unter 1.0 zu erreichen und ist ein guter Indikator für eine spezialisierte Datenbank. #### \*\*0.5 ≥\*\* Verlust Ein feinabgestimmtes Modell, das bereit ist, getestet und bereitgestellt zu werden. Nach Erreichen dieses Wertes kann die Verbesserung des Verlustwertes deutlich länger dauern als in den ersten Phasen des Trainings. ### mAP Die mAP (mean average precision) Metrik kombiniert sowohl Präzision als auch Recall, um eine umfassende Bewertung der Genauigkeit des Modells bei der Erkennung von Objekten in einem Bild zu bieten. Sie wird berechnet, indem Vorhersagekästen mit Überlappungen der wahrheitsgemäßen Annotationen verglichen werden. {% hint style="warning" %} mAP als Prozentsatz spiegelt nicht wider, ob eine Erkennung **korrekt oder nicht** ist. Sie spiegelt die durchschnittliche Überlappung der Begrenzungsrahmen zwischen dem Trainingsdatensatz und der Vorhersage wider. {% endhint %} Während des Trainings wird das Erreichen von Werten um %90 im Allgemeinen als gutes Modell angesehen. Werte über %90 werden häufig als [Überanpassung](#over-fitting)[.](#over-fitting) betrachtet. ### IOU IOU (Intersection over Union) misst die Überlappung zwischen vorhergesagten und echten Begrenzungsrahmen für einzelne Objekterkennungen. mAP bewertet die Gesamtleistung des Objekterkennungsmodells über alle Objektkategorien hinweg, wobei sowohl Präzision als auch Recall berücksichtigt werden. {% hint style="info" %} Je höher der IOU-Wert, desto besser ist die Vorhersage. {% endhint %} Sie können jeden IOU in den Protokollen des Trainingsfensters verfolgen:
## Feinabstimmung ### Trainingszeit Definieren Sie ein maximales Trainingszeitbudget basierend auf den verfügbaren Rechenressourcen und den Projektanforderungen. Wenn das Modell innerhalb der vorgegebenen Zeit keine zufriedenstellende Leistung erbringt, sollten Sie in Betracht ziehen, das Training zu stoppen und andere Ansätze zu erkunden, wie zum Beispiel: * Manuelle Analyse der Annotierungsgenauigkeit * Überprüfung der Klassenvielfalt * Auswahl anderer Modell- und Batchgrößen * Erhöhung der Datenbankgröße ### Überanpassung Vermeiden Sie Überanpassung, indem Sie die Trainings- und Validierungsverluste überwachen. Dies geschieht normalerweise, wenn der Trainingsverlust den Großteil seiner Abwärtsbewegung verliert und sich zu stabilisieren beginnt. In spezialisierten Datenbanken oder Fällen ist Überanpassung jedoch nicht immer eine schlechte Sache. Vorausgesetzt, Sie haben genügend Daten, kann ein übertrainiertes Modell von Vorteil sein.
### Balance zwischen Zeit und Leistung Balancieren Sie die Trainingszeit mit der gewünschten Modellleistung. In einigen Fällen kann eine zusätzliche Trainingsiteration die Leistung verbessern, allerdings können die Erträge im Laufe der Zeit abnehmen. Wiegen Sie die Vorteile gegenüber den Rechenkosten und der Dringlichkeit des Projekts ab. In der Regel kann die Trainingsdauer, abhängig von der Anzahl der Klassen und der Größe der Datenbank, zwischen einem Tag und einer Woche variieren. ## Starter Checkliste Datenbank: * [ ] Enthält [1000 Bilder pro Klasse](https://github.com/AugelabTech/AugeLab-Studio-Gitbook-Docs/blob/main/german/key-features/train-custom-ai-models-with-training-window/choosing-the-right-database.md#consider-database-size) * [ ] [Gute Annotierungen](https://github.com/AugelabTech/AugeLab-Studio-Gitbook-Docs/blob/main/german/key-features/train-custom-ai-models-with-training-window/choosing-the-right-database.md#bounding-box-quality), die nur Objekte umfassen * [ ] (Optional) [Augmentation](https://github.com/AugelabTech/AugeLab-Studio-Gitbook-Docs/blob/main/german/key-features/train-custom-ai-models-with-training-window/choosing-the-right-database.md#augmentation) wird verwendet Modell: * [ ] Einen [Modellgröße](/german/hauptfunktionen/train-custom-ai-models-with-training-window.md#detection-model-type-and-batch-size) wählen, die für FPS (Frames pro Sekunde) ausreichend ist * [ ] Richtiges Modell für die richtigen [Systemanforderungen](/german/einfuhrung/system-requirements.md) und CUDA-Kompatibilität, GPU-Speicher. * [ ] Batch-Größe entsprechend dem GPU-Speicher Training (stoppen, wenn): * [ ] [mAP](#map) über %\~90, %\~95 bei sehr spezialisierter Datenbank. * [ ] [Verlust](#loss) unter 1.0 oder die Verringerung ist über einen Tag sehr minimal. * [ ] mAP fällt aufgrund von Überanpassung. --- # 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/when-to-stop-training.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.