Grundlagen des Annotation Window
Annotiere Daten für Objekterkennung
Hinweis Sie benötigen einen Computer mit einer kompatiblen Nvidia GPU, aktivierter AugeLab Studio AI/GPU-Unterstützung und dem erforderlichen Bundle, das über das Module Downloader Window installiert wurde.
!../../../.assets/key-features/annotate-data-for-object-detection/annotation-window-first-look.jpg
Das AugeLab Studio Image Annotation Window ermöglicht es, Bilder zu annotieren, indem Sie Begrenzungsrahmen (Bounding Boxes) um Objekte zeichnen und diese Klassen zuordnen.
Einstieg
Öffnen Sie das Image Annotation Window über das obere Menü: AI Tools ➡️ Image Annotation.
Für die Bildannotation benötigen Sie zwei Dinge:
eine
.class-Dateiein Dataset
Class File
Zum Beschriften Ihrer Daten benötigen Sie eine classes.names Datei — eine normale Textdatei mit der Endung .names. Eine typische Klassen-Datei sieht so aus:
Human
Dog
Cat
CupFalls Sie noch keine solche Datei haben, können Sie eigene Klassen über den Bereich Classes erstellen:
!../../../.assets/key-features/annotate-data-for-object-detection/annotation-window-classes-section.jpg
Klassen-Datei erstellen:
Geben Sie einen Klassennamen ein.
Klicken Sie auf
+, um die Klasse hinzuzufügen.Klicken Sie auf
Save Classes(dritte Schaltfläche). Danach können Sie einen Ordner auswählen.
Mit - entfernen Sie unerwünschte Klassen.
Bildordner laden
Warnung Stellen Sie sicher, dass der Pfad zu Ihrem Dataset keine nicht-englischen Zeichen enthält.
Klicken Sie oben auf Open Folder und wählen Sie den Ordner mit Ihren Bildern aus:
!../../../.assets/key-features/annotate-data-for-object-detection/annotation-load-folder.png
Nach dem Klick auf Open Folder erscheint ein Dialog, in dem Sie den Zielordner und die Klassen-Datei auswählen:
!../../../.assets/key-features/annotate-data-for-object-detection/annotation-window-folder-dialog.jpg
Nach dem Laden wird eine Liste der verfügbaren Bilder angezeigt. Klicken Sie auf ein Bild, um es für die Annotation auszuwählen.
!../../../.assets/key-features/annotate-data-for-object-detection/annotation-folder-loaded.jpg
Bilder annotieren
Das Annotieren ist sehr einfach: Klicken Sie auf die obere linke Ecke des Objekts, ziehen Sie die Maus und lassen Sie los, wenn der Rahmen passt.
!../../../.assets/key-features/annotate-data-for-object-detection/drone-annotation.webp
Bounding Boxes sollten das Objekt eng umschließen, ohne zu viel Hintergrund einzubeziehen. So lernt das Modell, sich auf relevante Merkmale zu konzentrieren.
Schlechte vs. gute Annotation
Bad Annotation
!../../../.assets/gitbook/image (74).png
Good Annotation
!../../../.assets/gitbook/image (73).png
Dataset-Panel verwenden
!../../../.assets/key-features/annotate-data-for-object-detection/dataset-panel.png
Das Dataset-Panel bietet mehrere Funktionen:
Filter-Funktion, um Bilder nach Status zu filtern:
All— Alle Bilder, mit und ohne Annotation.Annotated— Bilder mit Annotationen.Empty— Bilder ohne Annotationen, die trotzdem im Training enthalten sind. Nicht annotierte Objekte können das Training negativ beeinflussen.Excluded— Bilder ohne Annotationsdatei; sie haben keinen Einfluss auf das Training.
Search— Suche nach Bildnamen.
Videos annotieren
Sie können auch Videodateien annotieren, indem Sie oben in der Ansicht auf den Modus Video wechseln:
!../../../.assets/key-features/annotate-data-for-object-detection/annotation-modes.png
Beim Wechsel in den Video-Modus werden Sie nach einem Pfad gefragt. Wählen Sie eine Videodatei aus — Sie können dann ähnlich wie bei einem Ordner annotieren.
Werkzeuge
Im Annotation Tool stehen verschiedene Werkzeuge zur Verfügung, die Ihnen bei der Vorbereitung des Datasets helfen.
Class Frequency Analysis
Klicken Sie auf Class Frequency Analysis, um zu sehen, wie viele Instanzen jeder Klasse in Ihrem Dataset vorhanden sind. Das hilft zu prüfen, ob das Dataset ausgeglichen ist.
Augment Dataset
AugeLab Studio wendet automatisch Dataset-Augmentationen an. Augmentation ist der Prozess, künstlich ähnliche Daten zu erzeugen.
Dieses Thema wird ausführlich auf der Seite Augmenting Your Dataset behandelt.
🛠️ Fehlersuche für AI Vision
Wenn Ihre AI-Modelle sich nicht wie erwartet verhalten, helfen diese Schnell-Tipps beim Tuning.
🚫 "Es annotiert nichts" (Null Treffer)
Wenn das AI-Modell zu "schüchtern" ist, liegt es meist an Schwellenwerten oder der Beschreibung.
Confidence senken: Verringern Sie den Confidence Threshold leicht.
Text-Empfindlichkeit: Bei Grounding DINO den Text Threshold senken, sodass Wortabgleich weniger strikt ist.
Spezifischer werden: Statt "part" lieber "silver metal bolt" oder "red plastic cap" verwenden — Beschreibungen sollten visuell sein.
Klassenliste prüfen: Stellen Sie sicher, dass Ihre Klassenliste wirklich geladen und nicht leer ist.
📦 "Zu viele falsche Kästchen" (Fehlalarme)
Bei vielen False Positives erhöhen Sie die Strenge des Modells:
Confidence erhöhen: Höherer Confidence Threshold filtert unsichere Treffer.
Text-Strenge erhöhen: Höherer Text Threshold sorgt für engere Übereinstimmung mit dem Prompt.
Ambiguität vermeiden: Vermeiden Sie breite Prompts wie "object" oder "item". Beschreiben Sie Farben, Textur oder spezifische Merkmale, damit Schatten nicht als Teile gelabelt werden.
❓ "YOLO erkennt meine Klasse nicht"
Standard-YOLO-Modelle sind auf bestimmte Datensätze vortrainiert.
COCO-Standard: Basis-YOLO-Modelle erkennen nur die 80 COCO-Kategorien. Labels müssen exakt übereinstimmen (z. B.
person,cell phone,chair,bottle).Spezielle Anforderungen: Für speziellere Objekte (z. B. "scratched circuit board") wechseln Sie zu einem Text-Prompt-Modell (z. B. Grounding DINO) oder trainieren ein Custom YOLO Modell.
🐌 "Verarbeitung ist langsam oder ruckelt"
Vision-Modelle benötigen viel Rechenleistung.
Erster Lauf: Beim ersten Start kann es langsam sein, weil Modelle heruntergeladen und initialisiert werden.
Modellgröße: Grounding DINO Base und OWLv2 Large sind genau, aber "schwer". Für Geschwindigkeit versuchen Sie Tiny/Small-Varianten.
Hardware: Stellen Sie sicher, dass AugeLab Ihre GPU verwendet. Große AI-Modelle auf der CPU laufen deutlich langsamer.
💡 Noch unsicher?
Probieren Sie den AI Assistant in AugeLab Studio. Beschreiben Sie Ihre Kameraperspektive und wie die Kästchen aktuell aussehen — er kann oft präzise Dezimalwerte für Ihre Schwellenwerte vorschlagen.
Möchten Sie, dass ich ein "Threshold Cheat Sheet" erstelle, das genau erklärt, was Confidence vs. Text Threshold bewirken? (siehe: ./augment-dataset.md)
Warnung Die Augmentation sollte erst nach Abschluss der Annotation durchgeführt werden.
Warnung Die Augmentation kann die Datensatzgröße auf der Festplatte bis zu 10-fach erhöhen.
Preprocess Image
Das Tool Preprocess Image erlaubt Anpassungen von Kontrast, Helligkeit und Gamma der in der Annotation-Ansicht gezeigten Bilder. Nützlich bei sehr dunklen oder überbelichteten Bildern.
!../../../.assets/key-features/annotate-data-for-object-detection/preprocess-image.png
Change Class Id
Mit Change Class Id können Sie alle annotierten Instanzen einer Klasse in eine andere Klasse umwandeln — praktisch beim Zusammenführen verschiedener Datasets.
!../../../.assets/key-features/annotate-data-for-object-detection/change-class-id.png
Shortcuts und Hilfe
Für Shortcuts und Hilfe klicken Sie oben auf die Schaltfläche Help.
D: Nächstes Bild oder Frame anzeigen.A: Vorheriges Bild oder Frame anzeigen.Shift + D: 10 Bilder/Frames vorwärts.Shift + A: 10 Bilder/Frames zurück.W: Klassenauswahl dekrementieren.S: Klassenauswahl inkrementieren.Shift + W: Klassenauswahl um 3 dekrementieren.Shift + S: Klassenauswahl um 3 inkrementieren.X: Letzte Bounding Box entfernen.Shift + C: Alle Annotationen löschen.O: Leere Annotationsdatei hinzufügen oder Annotationen löschen.P: Annotationen entfernen und Datei leeren.M: Bild verschieben oder ausschließen (nur Folder Mode).Shift + Delete: Bild und Annotation vom Computer löschen (nur Folder Mode).
Training mit einem benutzerdefinierten AI-Objekterkennungsmodell
Zum Trainieren eines benutzerdefinierten Objekterkennungsmodells siehe: Object Detection Train.
Zuletzt aktualisiert