Eigene Objekterkennungsmodelle (YOLO) trainieren

Das Object Detection Training Window trainiert YOLO-basierte Objekterkennungsmodelle mithilfe Ihres annotierten Datensatzes.

Das Training läuft am besten mit einer kompatiblen Nvidia GPU (siehe ../../before-you-start/system-requirements.md) und wenn das AugeLab Studio AI/GPU-Paket aktiviert ist.

Wenn das Training Window deaktiviert ist oder Laufzeit-/Abhängigkeitsfehler anzeigt, öffnen Sie das Module Downloader Window (../../user-interface/external-features/module-downloader.md) und installieren Sie die erforderlichen AI-Tools.

Erste Schritte

1. Starten Sie AugeLab Studio.

2. Öffnen Sie AI Tools → Object Detection Training Window

3. Bereiten Sie vor:

   • einen Dataset-Ordner und eine Class Names File, erstellt mit dem AugeLab Studio Annotation Tool

   • oder einen Dataset-Ordner mit Bildern und YOLO-Labeldateien (.txt) im gleichen Ordner

   • eine Class Names Datei im .names-Format (jeweils ein Klassenname pro Zeile)

Das Training Window scannt Ihren Datensatz und zeigt die Dataset Analytics (Gesamtanzahl Bilder, annotiert/ nicht annotiert, und die Klassenliste) an, damit Sie Fehler frühzeitig entdecken.

1) Konfiguration

Das aktuelle Training Window verwendet ein einfaches Configuration-Panel statt eines rein menügesteuerten Workflows.

Select Dataset Folder

Wählen Sie den Ordner aus, der Ihre Trainingsbilder enthält.

Hinweise:

• Es werden nur Dateien in diesem Ordner verwendet (bewahren Sie Ihre Trainingsbilder in einem Ordner auf)

• Unterstützte Bildformate: .jpg, .jpeg, .png, .bmp, .tiff, .tif

Select Class Names File (.names)

Wählen Sie Ihre Klassenliste (Class Names File) aus.

Wenn die .names-Datei leer ist, behandelt das Training Window dies als Fehler. Stellen Sie sicher, dass sie jeweils einen Klassennamen pro Zeile enthält.

Model Type

Wählen Sie eine Modellvariante im Feld Model Type.

Allgemein:

• Varianten mit „Robust Ones“ sind langsamer, können aber höhere Genauigkeit erreichen — YOLOv4-Scaled ist ein guter Standard.

• „Fast“-Varianten trainieren schneller und sind für leistungsschwächere PCs geeigneter.

• „Micro / Nano“ sind für sehr kleine / Edge-Geräte-Modelle gedacht.

Optional: Custom Weights

Sie können mit eigenen bzw. vortrainierten Gewichten starten (Darknet .weights / Backbone .conv.*).

Gute Anwendungsfälle:

• Fortsetzen eines vorherigen Trainingslaufs

• Schnellere Konvergenz bei ähnlichen Datensätzen

Wenn Sie den Model Type ändern, ist es am sichersten, die Gewichte zu löschen und solche neu auszuwählen, die zum gewählten Modell passen.

2) Erweiterte Einstellungen (Advanced Settings)

Die Advanced Settings erlauben das Feintuning des Trainingsverhaltens (Speichernutzung, Geschwindigkeit und Genauigkeit).

Wichtigste Einstellungen:

• Dataset Split Ratio (Train/Val): Anteil der Daten für die Validierung (beeinflusst mAP‑Reporting)

• Network Input Size (Width/Height): Größere Eingaben helfen bei kleinen Objekten, benötigen aber mehr VRAM und verlangsamen das Training

• Batch Size / Subdivisions: Hauptregler für GPU-Speicher-Probleme

  • Bei „Out of Memory“-Fehlern: Subdivisions erhöhen oder Batch Size verringern

• Recalculate Anchors: Kann die Ergebnisse für eigene Datensätze verbessern (empfohlen für neue Datensätze)

• Calculate Optimal Network Size: Optionaler Assistent zur automatischen Auswahl

• GPUs to Use: Für Multi‑GPU‑Systeme (z. B. 0 oder 0,1)

• mAP During Training: Zeigt Genauigkeitsfortschritt an, kann das Training etwas verlangsamen

• Clear Previous Training: Neu starten vs. fortsetzen

• Live Augmentation Options: Wendet während des Trainings on‑the‑fly Variationen an (erstellt keine zusätzlichen Dateien)

3) Training starten / stoppen

Sobald Dataset + Klassen gültig sind, wird die Hauptschaltfläche aktiv.

1. Klicken Sie auf Start Training

2. Überwachen Sie:

   • den Log-Bereich (Konsolenausgabe)

   • das Training Chart-Fenster (Loss / mAP)

3. Klicken Sie auf Stop Training, um den Prozess zu beenden

Training Logging

Wenn Sie das Training Window schließen, während das Training läuft, wird der Trainingsprozess beendet.

Nach dem Training

Wenn das Training beendet ist (oder Sie es stoppen), prüfen Sie das im Log/Status angegebene Ausgabe‑Verzeichnis.

Nächste Schritte:

• Laden Sie Ihr trainiertes Modell in Ihren Workflow (Inference)

• Validieren Sie Ergebnisse an einem Holdout‑Set oder mit echtem Kameramaterial