> 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/wichtige-funktionen/annotate-data-for-object-detection/auto-annoation.md).
# Auto Annotation
Magic Annotation hilft Ihnen, Bounding Boxes automatisch mithilfe von AI-Modellen zu erzeugen, sodass Sie Datensätze viel schneller labeln können.
Es ist für einen praktischen Workflow ausgelegt:
1. Modell und Prompts einmal konfigurieren
2. Ein Bild auto-labeln, um die Qualität zu überprüfen
3. Den gesamten Datensatz stapelweise auto-labeln
4. Ergebnisse überprüfen und falsch gelabeltes korrigieren
***
## Voraussetzungen
{% hint style="info" %}
Magic Annotation läuft am schnellsten mit einer NVIDIA-GPU.
* Sie benötigen einen Rechner mit einer [NVIDIA GPU](/german/einfuhrung/system-requirements.md)
* Wenn eine NVIDIA-GPU verfügbar ist, laden Sie torch GPU über den Module Downloader herunter, damit die Auto-Annotation schneller läuft.
* Laden Sie die erforderlichen AI-Module im Module Downloader-Fenster herunter.
{% endhint %}
***
## Erster Überblick
(Öffnen Sie Magic annotation mit der ✨-Schaltfläche (oder drücken Sie T).)
Sie können Magic annotation auf zwei Arten öffnen:
* Drücken Sie die Taste `T`, um das aktuelle Bild automatisch zu annotieren (verwendet Ihre gespeicherten Einstellungen)
* Klicken Sie auf die ✨-Schaltfläche im **Classes**-Panel, um den **Magic annotation** Einstellungsdialog zu öffnen
{% hint style="info" %}
Beim ersten Aufruf von Magic annotation wird AugeLab Studio Sie bitten, Ihre Einstellungen zu konfigurieren. Diese Einstellungen werden gespeichert und können jederzeit durch Klicken der ✨-Schaltfläche geändert werden.
{% endhint %}
***
## Vor dem Start (empfohlen)
Magic annotation benötigt einen Datensatz und eine Klassenliste.
1. Laden Sie Ihren Dataset-Ordner im Image Annotation Window
2. Laden (oder erstellen) Sie Ihre `classes.names` Datei
Wenn Sie das Annotation Window noch nicht verwendet haben, folgen Sie zuerst dem Haupt-Labelling-Guide.
***
## Öffnen des Magic annotation Dialogs
1. Öffnen Sie **AI Tools** → **Image Annotation**
2. Laden Sie Ihren Datensatz und die Klassen-Datei
3. Klicken Sie im **Classes**-Panel auf die ✨-Schaltfläche
Damit öffnet sich der **Magic annotation Settings** Dialog.
***
## Schritt 1 — Modell wählen
Wählen Sie in **Model Selection** eines der unterstützten Detektoren.
### Text-prompt Modelle (empfohlen für benutzerdefinierte Klassen)
Diese Modelle erkennen Objekte anhand Ihrer Klassenbeschreibungen (Text-Prompts):
* **Grounding DINO Tiny**: guter Standard, schneller
* **Grounding DINO Base**: genauer, größer (GPU stark empfohlen)
* **OWLv2 Base Ensemble**: gutes General-Modell
* **OWLv2 Large Ensemble**: genauer, größer (GPU stark empfohlen)
Verwenden Sie diese, wenn Ihre Klassen keine standardisierten COCO-Klassen sind oder wenn Sie das Objekt in natürlicher Sprache beschreiben möchten.
### YOLO-Modelle (schnell, aber Klassenabgleich ist wichtig)
YOLO-Modelle erscheinen, wenn die YOLO/OpenCV DNN-Funktion verfügbar ist:
* **YOLOv4 (COCO)**
* **YOLOv4 Tiny (COCO)**
Diese verwenden keine Textbeschreibungen. Sie arbeiten mit COCO-Klassennamen.
{% hint style="warning" %}
Bei YOLO (COCO)-Modellen müssen die COCO-Klassennamen exakt mit Ihren Datensatz-Klassennamen übereinstimmen. Beispiel: Wenn Ihre Klasse `person` heißt, muss sie genau `person` sein (nicht `human`).
{% endhint %}
### Custom YOLOv4 Modell
Wenn Sie ein eigenes YOLOv4-Modell haben, wählen Sie **Custom YOLOv4 Model** und geben Sie an:
* Weights-Datei (`.weights`)
* Config-Datei (`.cfg`)
* Names-Datei (`.names`)
***
## Schritt 2 — Schwellenwerte setzen
### Confidence Threshold
Steuert, wie sicher eine Erkennung sein muss, um als Label übernommen zu werden.
* Höhere Werte → weniger Boxes, meist sauberer
* Niedrigere Werte → mehr Boxes, dafür mehr False Positives
Ein guter Startwert ist **30%**.
### Grounding DINO: Box Threshold und Text Threshold
Diese Einstellungen erscheinen nur für Grounding DINO-Modelle:
* **Box Threshold**: Wie streng die Box-Confidence sein soll
* **Text Threshold**: Wie streng die Text-zu-Objekt-Zuordnung sein soll
Empfehlungen:
* Bei zu vielen falschen Boxen → zuerst **Text Threshold** erhöhen
* Wenn Boxen ungenau oder zu weit sind → **Box Threshold** erhöhen
* Wenn keine Detections auftauchen → Schwellenwerte schrittweise senken
***
## Schritt 3 — Bessere Klassenbeschreibungen schreiben (Text-Prompt Modelle)
Wenn Sie ein Text-Prompt-Modell ausgewählt haben, sehen Sie eine **Class Descriptions** Tabelle.
(Die Class Descriptions Tabelle wird als Prompt verwendet.)
Warum das wichtig ist: Die Beschreibung ist der Prompt, den das Modell verwendet, um Ihre Objekte zu finden.
Gute Beschreibungen sind:
* Visuell und spezifisch (Farbe, Form, Material)
* Auf Ihre realen Bilder abgestimmt (Hintergrund, Beleuchtung, Orientierung)
Beispiele:
* Statt `bolt` → `silver bolt on a black conveyor belt`
* Statt `cup` → `white paper cup, top view`
* Statt `label` → `rectangular sticker label on a cardboard box`
Sie können auch verwenden:
* **Use Class Names**, um Prompts auf die Klassennamen zurückzusetzen
* **Clear All**, um von vorne zu beginnen
{% hint style="info" %}
Tipp: Wenn zwei Klassen ähnlich aussehen, heben Sie in der Beschreibung hervor, was sie unterscheidet. Beispiel: `scratch on metal surface` vs `oil stain on metal surface`.
{% endhint %}
***
## Schritt 4 — Annotierungsmodus wählen (wichtig)
Magic annotation unterstützt drei Modi für bereits annotierte Bilder:
* **Override**: ersetzt vorhandene Annotation-Dateien
* **Add**: hängt neue Detections an bestehende Annotationen an
* **Skip**: verarbeitet keine Bilder, die bereits Annotationen haben
Empfehlungen:
* Wählen Sie **Override**, wenn Sie neu anfangen oder alles neu labeln
* Wählen Sie **Add**, wenn Sie vorhandene Labels ergänzen möchten
* Wählen Sie **Skip**, wenn Sie einen teilweise gelabelten Datensatz verfeinern und nichts überschreiben wollen
***
## Magic annotation ausführen
### Annotate Current (ein Bild)
Nutzen Sie zuerst **Annotate Current**.
Das ist der sicherste Weg, um zu prüfen, ob:
* Ihre Prompts gut sind
* die Schwellenwerte sinnvoll sind
* die Boxen korrekt aussehen
Wenn die Ergebnisse nicht gut sind, passen Sie Prompts/Schwellenwerte an und probieren Sie es erneut.
### Batch Annotate All (ganzer Datensatz)
Wenn das aktuelle Bild gut aussieht, klicken Sie auf **Batch Annotate All**.
Ein Fortschrittsdialog zeigt:
* aktuellen Status (Modell wird geladen / Verarbeitung)
* Fortschrittsbalken
* geschätzte verbleibende Zeit (ETA)
Sie können jederzeit abbrechen.
(Batch Magic annotation Fortschritt mit ETA.)
***
## Ergebnisse prüfen und korrigieren
Magic annotation soll das Labeln beschleunigen, nicht die Überprüfung ersetzen.
Nach der Auto-Annotation:
1. Überfliegen Sie die Bilder, um offensichtliche Fehler zu finden
2. Korrigieren Sie falsche Boxen (falsche Klasse, falsche Größe)
3. Entfernen Sie False Positives
4. Fügen Sie fehlende Objekte manuell hinzu, wo nötig
Wenn Sie wiederkehrende Fehler sehen, stoppen Sie, passen Prompts/Schwellenwerte an und führen Sie es erneut aus.
***
Wenn Ihre AI-Modelle nicht wie erwartet funktionieren, nutzen Sie diese Schnelllösungen, um die Performance zu optimieren.
🚫 "Es annotiert nichts" (Null Detections)
Wenn die AI zu „schüchtern“ ist, ist meist ein Schwellenwert- oder Beschreibungsproblem die Ursache.
* **Confidence verringern:** Senken Sie den **Confidence Threshold** leicht (z. B. etwas unter 30%).
* **Text-Sensitivität:** Bei Grounding DINO senken Sie den **Text Threshold**, damit Wortabgleich weniger streng ist.
* **Seien Sie spezifisch:** Statt „part“ versuchen Sie „silver metal bolt“ oder „red plastic cap“. Beschreibungen sollten visuell sein.
* **Listen prüfen:** Stellen Sie sicher, dass Ihre Klassenliste im Node-Setup geladen und nicht leer ist.
📦 "Zuviele falsche Boxen" (Ghost Detections)
Wenn der Bildschirm mit False Positives überfüllt ist, müssen Sie die Strenge erhöhen.
* **Confidence erhöhen:** Erhöhen Sie den **Confidence Threshold**, um unsichere Treffer zu filtern.
* **Text-Strenge erhöhen:** Erhöhen Sie den **Text Threshold**, um strengere Übereinstimmung zwischen Bild und Prompt zu erzwingen.
* **Ambiguität entfernen:** Vermeiden Sie breite Prompts wie „object“ oder „item“. Wenn die AI Schatten als „parts“ labelt, beschreiben Sie die einzigartigen Farben oder Texturen des Teils.
❓ "YOLO model erkennt meine Klasse nicht"
Standard-YOLO-Modelle sind auf spezifische Datensätze vortrainiert.
* **COCO-Standard:** Basis-YOLO-Modelle erkennen nur die 80 COCO-Kategorien. Ihre Labels müssen exakt übereinstimmen (z. B. `person`, `cell phone`, `chair`, `bottle`).
* **Spezielle Anforderungen:** Wenn Sie etwas Spezifisches erkennen müssen (z. B. „scratched circuit board“), wechseln Sie zu einem **Text-Prompt**-Modell (z. B. Grounding DINO) oder trainieren Sie ein **Custom YOLO**-Modell.
🐌 "Verarbeitung ist langsam oder ruckelt"
Vision-Modelle sind rechenintensiv.
* **Erstlauf-Verzögerung:** Beim ersten Start kann es langsam sein, während Modelle heruntergeladen und im Speicher initialisiert werden.
* **Modellgröße:** Grounding DINO Base und OWLv2 Large sind sehr genau, aber „schwer“. Probieren Sie eine „Tiny“ oder „Small“ Variante für mehr Geschwindigkeit.
* **Hardware:** Stellen Sie sicher, dass AugeLab Ihre **GPU** verwendet. Große AI-Modelle auf der CPU laufen deutlich langsamer.
***
### 💡 Noch Probleme?
Probieren Sie den **AI Assistant** in AugeLab Studio. Beschreiben Sie Ihre Kameraperspektive und wie die Boxen aktuell aussehen; er kann oft den exakten Dezimalwert für Ihre Schwellenwerte vorschlagen.
Möchten Sie, dass ich eine **"Threshold Cheat Sheet"** Tabelle erstelle, die genau erklärt, was Confidence- vs. Text-Threshold bewirken?
***
## Hinweise
* Magic annotation Einstellungen werden gespeichert und wiederverwendet, wenn Sie `T` drücken.
* Wenn Ihr Plan/Lizenz Beschränkungen für Offline-Magic Annotation hat, verhindert das Tool Stapelverarbeitung, sobald das Limit erreicht ist.