Wie funktioniert eigentlich Machine Learning? Das zeigen wir in 7 Schritten anhand eines Beispiels: der Erkennung von Straßenschildern.
Definieren Sie die Datenpunkte und erstellen Sie Ihren Datensatz.
„Wie groß sind die Schilder? Welche Farbe haben sie? Sind Zahlen oder Beschriftungen enthalten?“
Bereiten Sie Ihren Datensatz für das Training, die Validierung und das Testing vor.
„Weisen die Bilder eine gute Qualität auf? Sind sie in einer einzelnen Datei / einem einzelnen Datensatz zusammengefasst?“
Wählen Sie ein Modell aus, das für Ihren Anwendungszweck geeignet ist.
Planen Sie genug Zeit ein, um Ihr Modell zu testen und zu optimieren. Nur so erreichen Sie eine präzise Erkennung.
„Identifiziert mein Modell alle Bilder korrekt? Wo kann ich ansetzen, um die Genauigkeit des Modells zu verbessern?“
Beurteilen Sie anhand der aufbereiteten Daten die tatsächliche Leistungsfähigkeit des Modells.
„Erkennt mein Modell zuverlässig Straßenschilder in der realen Welt?"
Verbessern Sie die Erkennungs-genauig keit durch die Anpassung von „Hyperparametern“.
„Kann ich mein Modell weiter verbessern oder sollte ich den Datenbestand verbessern?“
Implementieren Sie Ihr System für die automatisierte Objektklassifizierung. Kontrollieren Sie die Genauigkeit und passen Sie es bei Bedarf an.