Datenannotation
Arten der Datenannotation
Jede Annotationsart bringt andere Kosten und andere Möglichkeiten mit. Die falsche Wahl verteuert den Datensatz ohne Nutzen für das Modell — oder begrenzt das Modell, bevor es existiert.
Beschreiben Sie, was das Modell lernen soll. Wir nennen die passende Annotationsart.
Die Annotationsarten
Vom günstigsten Label bis zur teuersten Kontur, und was jede Art ermöglicht.
-
Klassifikation
Ein Label je Bild oder Ausschnitt. Beantwortet „was ist das“, nicht „wo ist es“. Das günstigste Format und ausreichend, wenn die Position keine Rolle spielt.
-
Bounding Boxes
Ein Rechteck um jedes Objekt. Liefert eine ungefähre Position zu geringen Kosten und ist das Format, das Detektoren wie YOLO und Faster R-CNN erwarten.
-
Polygone
Eine an das Objekt angepasste Kontur. Sinnvoll, wenn ein Rechteck zu viel Hintergrund einschließt — unregelmäßige Teile, Schüttgut, diagonal liegende Objekte.
-
Semantische Segmentierung
Jedes Pixel erhält eine Klasse, ohne Instanzen zu trennen. Geeignet für Flächen und Regionen: Flecken, Korrosion, Abdeckung.
-
Instanzsegmentierung
Jedes Objekt bekommt eine eigene Maske. Nötig, wenn sich Objekte derselben Klasse berühren und getrennt gezählt oder gemessen werden müssen.
-
Keypoints
Referenzpunkte auf dem Objekt. Genutzt für Ausrichtung, Pose, Gelenkstellung und zum Messen von Abständen zwischen Teilen.
-
Video-Tracking
Dasselbe Objekt behält seine Identität über Einzelbilder hinweg. Das ermöglicht doppelfreies Zählen und die Analyse von Bewegungsbahnen.
-
OCR und Texterkennung
Auslesen von Code, Charge, Haltbarkeitsdatum oder Etikett aus dem Bild, mit Prüfung des Gelesenen.
-
Beziehungen zwischen Objekten
Erfassen der Verknüpfung zwischen Elementen: welches Etikett zu welcher Verpackung gehört, welches Teil an welcher Vorrichtungsposition sitzt.
Wie man auswählt
Vier Kriterien, damit Sie keine Präzision bezahlen, die das Modell nie nutzt.
-
Von der Entscheidung des Modells aus denken
Muss das System nur freigeben oder sperren, genügt Klassifikation. Muss es zeigen wo, kommt Lokalisierung dazu. Muss es messen, kommen Masken dazu.
-
Kosten steigen mit der Kontur
Eine Maske kann ein Vielfaches einer Box kosten. Dieser Aufschlag lohnt nur, wenn die Kontur das Ergebnis verändert.
-
Formate dürfen sich mischen
Ein Datensatz kann größtenteils Boxen und in einer Teilmenge Masken enthalten, wenn nur einzelne Fälle Detail verlangen.
-
Früh entscheiden spart Neuannotation
Ein späterer Formatwechsel bedeutet meist, die Arbeit zu wiederholen. Diese Diskussion lohnt sich vor der ersten Charge.
Exportformate
Die Lieferung passt sich Ihrer Pipeline an, nicht umgekehrt.
-
COCO
JSON mit Bildern, Kategorien und Annotationen. Deckt Boxen, Polygone und Keypoints ab.
-
YOLO
Eine Textdatei je Bild, mit normalisierten Koordinaten. Direkt nutzbar für die YOLO-Familie.
-
Pascal VOC
XML je Bild, weiterhin in älteren Pipelines und Werkzeugen im Einsatz.
-
Masken und eigenes Schema
PNG je Klasse, oder das Schema, das Ihr Team bereits intern verwendet.
Häufige Fragen zu Annotationsarten
Was ML-Teams fragen, wenn das Datensatzformat festgelegt wird.
Welche Annotationsart ist am verbreitetsten?
Bounding Boxes, weil sie Kosten und Nutzen ausbalancieren. Das Verbreitetste ist aber nicht immer das Passende — die Wahl hängt davon ab, was das Modell entscheiden muss.
Bieten Sie Videoannotation an?
Ja, einschließlich Identitäts-Tracking über Einzelbilder hinweg, was doppelfreies Zählen und die Analyse von Bewegungsbahnen ermöglicht.
Können wir Arten im selben Projekt mischen?
Ja. Es ist üblich, den Großteil mit Boxen zu annotieren und Masken der Teilmenge vorzubehalten, die eine präzise Kontur braucht.
Nutzen Sie unser Werkzeug oder Ihres?
Wir arbeiten mit dem Werkzeug, das das Projekt verlangt. Haben Sie bereits Plattform und Lizenzen, arbeiten wir darin; sonst nutzen wir unsere und liefern in Ihrem Format.
Sprechen Sie mit unserem Team
Lassen Sie uns Ihre Herausforderung verstehen
Lieber das Diagnosegespräch buchen? Nutzen Sie den Terminlink. Oder füllen Sie das Formular aus — unser Technikteam antwortet.