Anleitung
Schritt für Schritt nach dem Muster „auf welcher Seite → wo klicken → was eintragen → was du siehst“. Folge der Anleitung, und du kommst von null bis zur Bereitstellung. Der ganze Ablauf läuft offline auf deinem Rechner, Bilder und Daten verlassen deinen Computer nicht (nur wenn du selbst die KI-Unterstützung „Xuntong AI“ nutzt, werden Bilder an die Xuntong AI-Plattform gesendet).
01 Installation und erster Start
1.1 Herunterladen und installieren
- Öffne die Website https://wulabel.xiaowuiot.com und klicke oben rechts auf Download, oder lade die Datei von der Release-Seite auf GitHub herunter.
-
Windows: Lade
Wulabel_x.y.z_x64-setup.exeherunter, doppelklicke darauf und folge der Installation. Danach startest du Wulabel über das Startmenü oder den Desktop. -
Mac: Lade
Wulabel_x.y.z_universal.dmgherunter, öffne die Datei per Doppelklick und zieh Wulabel in den Ordner „Programme“. -
Linux (ab v0.4.0): Lade
Wulabel_x.y.z_amd64.debherunter und führe im Terminalsudo apt install ./Wulabel_x.y.z_amd64.debaus. Danach öffnest du Wulabel im Anwendungsmenü. Alternativ lädst du die.AppImageherunter, führstchmod +x Wulabel_x.y.z_amd64.AppImageaus und startest sie per Doppelklick, ganz ohne Installation. Auf ARM-Rechnern (Phytium, Kunpeng) lädst duWulabel_x.y.z_arm64.deboderWulabel_x.y.z_aarch64.AppImageherunter (ab v0.4.2). Die Bedienung ist gleich.
-
Systemanforderungen: Windows 10 / 11 (64 Bit); macOS 11 oder neuer (Apple Silicon und Intel); Linux x86_64 (Ubuntu 22.04 oder neuer, Debian 12, UOS, Kylin auf x86-Rechnern usw.); Linux ARM64 (ab v0.4.2: Kylin, UOS usw. auf Phytium- und Kunpeng-Rechnern; nimm die Datei mit
arm64oderaarch64im Namen). - Noch nicht unterstützt: Loongson und HarmonyOS. Auf HarmonyOS-Geräten kannst du über den Browser an der Team-Annotation teilnehmen.
- Meldet Windows beim ersten Start, dass WebView2 fehlt, installiere es einfach wie angezeigt (die meisten Systeme mit Win10 / 11 haben es schon).
-
Der Mac meldet beim ersten Öffnen, dass der Entwickler nicht verifiziert werden kann (die Software hat keine Apple-Entwicklersignatur): Klicke in „Programme“ mit Rechtsklick auf Wulabel → Öffnen → noch einmal „Öffnen“. Ab macOS 15 doppelklickst du zuerst einmal und klickst dann ganz unten in „Systemeinstellungen → Datenschutz & Sicherheit“ auf „Dennoch öffnen“. Heißt es, die App sei „beschädigt“, führe im Terminal
xattr -cr /Applications/Wulabel.appaus und öffne sie erneut. Das ist nur beim ersten Mal nötig.
1.2 Die Hauptansicht
Nach dem Start siehst du zuerst die Seite Projekte. Sobald ein Projekt geöffnet ist, steht links die Navigationsleiste, von oben nach unten:
| Seite | Wofür |
|---|---|
| Projekte | Projekte anlegen, öffnen, wechseln |
| Daten | Bilder / Videos / Datensätze importieren, Bilder verwalten, Datensatz exportieren |
| Annotieren | Boxen zeichnen, Polygone zeichnen, Klassen wählen, Keypoints setzen, KI-Unterstützung und Vorannotation |
| Datencheck | Probleme finden: fehlende und falsche Annotationen, doppelte Bilder usw. |
| Trainieren | Modell wählen, Parameter einstellen, Training starten, Trainingsläufe ansehen |
| Evaluieren | Metriken, Konfusionsmatrix, Fehlerbeispiele, empfohlener Schwellenwert, Fehlalarmtest, Bericht exportieren |
| Bereitstellen | Live-Test, Modell exportieren, Inferenz-Servicepaket erstellen, Felddaten-Rückfluss importieren |
| Zusammenarbeit | Echtzeit-Zusammenarbeit im Team: Freigabe starten (LAN / online), Mitglieder, Aufgaben zuweisen, Fortschritt |
| Einstellungen | Trainingsumgebung installieren, Downloadquelle, Xuntong AI |
Oben rechts findest du die Schaltflächen Feedback und Projekt schließen.
02 Einstellungen: Trainingsumgebung, Downloadquelle, Xuntong AI
Wenn du nur annotierst, importierst und exportierst und nicht trainierst, kannst du dieses Kapitel vorerst überspringen.
2.1 Trainingsumgebung mit einem Klick installieren
- Klicke links auf Einstellungen.
-
Sieh dir den Bereich „Trainingsumgebung“ an:
- Die Zeile Grafikkarte zeigt die erkannte Grafikkarte, den Grafikspeicher, den Treiber und die unterstützte CUDA-Version. Ohne NVIDIA-Grafikkarte erscheint der Hinweis, dass nur mit der CPU trainiert werden kann (deutlich langsamer).
-
Im Dropdown PyTorch-Version ist die empfohlene Version schon ausgewählt (mit dem Zusatz „empfohlen“). Meist musst du nichts ändern:
- CUDA 12.8: neuere Grafikkarten wie die RTX 50-Serie;
- CUDA 13.0: erfordert einen aktuellen Treiber;
- CUDA 11.8: ältere Grafikkarten und Treiber;
- CPU-Version: keine NVIDIA-Grafikkarte.
- (Optional) Installationsort: Standard ist der lokale Anwendungsdatenordner auf Laufwerk C. Ist dort wenig Platz, wähle ein Laufwerk mit mehr Speicher und klicke auf Speichern.
- Klicke auf Installieren. Die GPU-Version ist ca. 3 GB groß. uv, Python 3.11 und PyTorch werden automatisch heruntergeladen, unter dem Fortschrittsbalken steht die Restzeit. Das ist nur einmal nötig.
- Danach wechselt der Status auf Bereit, darunter steht „Grafikkarte verfügbar (cuda)“.
Die Trainingsumgebung ist eigenständig und beeinflusst kein anderes Python auf deinem System.
2.2 Downloadquelle
- Klicke im Bereich „Downloadquelle“ auf Geschwindigkeit testen und empfehlen. Die Software lädt von der offiziellen Quelle und von den China-Mirrors jeweils einige MB herunter und wählt automatisch die schnellere.
- Mit „China-Mirrors“ werden auch Hilfsmodelle wie SAM und Text-Prompt von einem Mirror in China (hf-mirror.com) geladen.
2.3 Xuntong AI (optional)
Das brauchst du nur, wenn du mit Modellen der Xuntong AI-Plattform automatisch annotieren, Modelle hochladen, Alarmbilder abrufen oder online über das „Offizielle Xuntong-Relay“ zusammenarbeiten willst:
- Klicke im Bereich „Xuntong AI“ auf Beim Xuntong AI-Konto anmelden.
- Der Browser öffnet die Webseite von Xuntong AI. Melde dich dort an, falls nötig (wie sonst auch bei Xuntong). Prüfe, ob der Bestätigungscode auf der Webseite mit dem in Wulabel übereinstimmt, und klicke auf Zulassen.
- Zurück in Wulabel siehst du nach wenigen Sekunden Angemeldet als mit dem Kontonamen, dazu Tarif und das restliche Kontingent sowie die verfügbaren Erkennungsarten (nach Projektklassen erkennen, auf der Plattform freigeschaltete spezialisierte Modelle, allgemeine LLM-Erkennung). Du musst keinen Key kopieren.
- Öffnet sich der Browser nicht von selbst, klicke auf Erneut öffnen oder kopiere die Adresse aus dem Dialog und öffne sie selbst.
- Abmelden: Der Key auf diesem Computer wird gelöscht, und der bei der Anmeldung automatisch erstellte Key wird auf der Plattform widerrufen.
Hast du schon einen API-Key oder nutzt du eine eigene Installation von Xuntong, klicke auf Erweitert: API-Key manuell eingeben, Plattformadresse einer eigenen Installation, trag die Daten ein und klicke auf Speichern und Verbindung testen. Der Verbindungsstatus bleibt in diesem Bereich sichtbar.
2.4 Vorhandene Python-Umgebung verwenden (erweitert)
Hast du schon eine Python-Umgebung mit PyTorch, musst du nichts neu herunterladen:
- Klappe „Vorhandene Python-Umgebung verwenden (erweitert)“ auf.
-
Klicke auf python.exe auswählen und wähle die
python.exeder Umgebung (z. B.D:\envs\torch\Scripts\python.exe). - Klicke auf Speichern. Die Umgebung braucht torch, torchvision, numpy und pillow; für den ONNX-Export zusätzlich onnx.
- Zurück zur Umgebung der Software: Pfad leeren und speichern.
2.5 Nach Updates suchen
Beim Start prüft die Software einmal, ob es eine neue Version gibt. Wenn ja, erscheint unten rechts ein Hinweis. Klicke auf Jetzt aktualisieren: Die Software lädt die neue Version im Hintergrund, prüft sie, installiert sie automatisch und startet danach von selbst neu. Du musst zwischendurch nichts anklicken (unter Windows siehst du nur einen Installationsbalken; unter Linux mit .deb-Installation klappt das automatische Update ab v0.4.2 ebenfalls, eventuell musst du einmal das Systempasswort eingeben). Projekte und Daten bleiben erhalten (ab v0.4.1). Du kannst auch auf „Herunterladen“ klicken, um die Download-Seite zu öffnen. Willst du für eine Version keinen Hinweis mehr sehen, klicke auf „Für diese Version nicht mehr erinnern“. Ganz unten in den Einstellungen kannst du unter „Info und Updates“ auch manuell auf Nach Updates suchen klicken.
Bei der Prüfung werden nur Softwareversion, Betriebssystemtyp und eine zufällige anonyme ID gesendet, um grob zu zählen, wie viele Personen die Software nutzen. Bilder, Projekte und persönliche Daten werden nicht übertragen. Willst du keine Online-Prüfung, schalte unter „Info und Updates“ Beim Start automatisch nach Updates suchen aus.
2.6 Sprache, Darstellung und der Xuntong-AI-Schalter
Oben auf der Seite Einstellungen kannst du Folgendes ändern:
- 语言 / Language (ab v0.5.0): Die Oberfläche gibt es in 简体中文, 繁體中文, English, 日本語, 한국어, Español, Português, Русский, Deutsch, Français, Tiếng Việt, Bahasa Indonesia. Standardmäßig ist Wie System gewählt (Chinesisch auf einem chinesischen System, Englisch für nicht enthaltene Sprachen); nach dem Ändern wird die Oberfläche neu geladen. Trainingsprotokolle, Fehlermeldungen, Berichte und die Anleitung des Inferenz-Dienstpakets verwenden ebenfalls diese Sprache.
- Darstellung (ab v0.5.1): Wie System, Hell oder Dunkel. Standardmäßig folgt sie dem hellen oder dunklen Modus des Systems. Bildbereiche wie die Annotationsfläche und die Bildvorschau bleiben immer dunkel, damit Bilder gut zu erkennen sind.
- Xuntong-AI-Schalter (ab v0.5.2): der Schalter oben rechts auf der Karte „Xuntong AI“. In vereinfachtem Chinesisch ist er standardmäßig an, in allen anderen Sprachen aus. Ist er aus, sind Xuntong AI und die Erkennungsregeln auf der Seite Annotieren, das Abrufen von Alarmbildern auf der Seite Daten, der Upload zu Xuntong auf der Seite Bereitstellen und das offizielle Xuntong-Relay auf der Seite Zusammenarbeit ausgeblendet; schalte ihn bei Bedarf ein.
03 Projekte anlegen und öffnen
Ein Projekt ist ein Ordner: Bilder (als Kopie), Annotationen, Modelle und Trainingsläufe liegen alle darin. Kopierst du den ganzen Ordner auf einen anderen Computer, kannst du ihn dort direkt öffnen.
Beim ersten Mal zeigt die Seite „Projekte“ oben eine Einführung. Sie führt dich in sechs Schritten durch alles: Trainingsumgebung installieren, Projekt anlegen, Bilder importieren, eine kleine Menge annotieren, trainieren, vorannotieren und bereitstellen. Erledigte Schritte werden automatisch abgehakt. Mit dem × oben rechts blendest du sie aus, über „Einführung anzeigen“ holst du sie zurück.
Die Karten unter „Zuletzt verwendete Projekte“ zeigen Titelbild, Bildanzahl, wie viele Bilder annotiert sind (Fortschrittsbalken) und wie oft trainiert wurde. So siehst du auf einen Blick, wie weit jedes Projekt ist.
3.1 Neues Projekt anlegen
- Klicke auf der Seite Projekte auf Neues Projekt.
- Projektname: z. B. „Schutzhelm-Erkennung auf Baustellen“.
- Speicherort: Standard ist „Dokumente/Wulabel“. Du kannst auch auf Durchsuchen klicken und einen anderen Ordner wählen. Das Projekt wird darin angelegt.
-
Aufgabentyp (kann nach dem Erstellen nicht mehr geändert werden):
Aufgabe Annotationsart Geeignet für Objekterkennung Rechteckige Box Position von Schutzhelmen, Fahrzeugen, Rauch und Feuer finden Instanzsegmentierung Polygon-Kontur Genaue Formen: Pfützen, Müllhaufen, Defektbereiche Bildklassifizierung Eine Klasse pro Bild Bild „normal / auffällig“, Szenen einordnen Keypoints Objektbox + Punkte nach Vorlage Körperhaltung (Sturz, Klettern), wichtige Teile von Objekten - Klassen (optional): Trag die Klassen, die du annotieren willst, schon vorab ein, getrennt durch Komma oder Zeilenumbruch, z. B. „Schutzhelm, Person, Warnweste“. Lässt du das Feld leer, kannst du sie später jederzeit auf der Seite „Annotieren“ hinzufügen.
- Klicke auf Erstellen. Es erscheint „Projekt „…“ erstellt“, und das Projekt öffnet sich automatisch.
3.2 Projekt öffnen
- In der Liste Zuletzt verwendete Projekte genügt ein Klick. Die Liste zeigt, wann du jedes Projekt zuletzt geöffnet hast.
- Steht ein Projekt nicht in der Liste, klicke auf Projekt öffnen… und wähle den Projektordner.
- Wurde ein Projektordner verschoben, zeigt die Liste „Ordner nicht gefunden“: Klicke auf Ordner suchen… und wähle den neuen Ort, dann kannst du weiterarbeiten. Wurde der Ordner gelöscht, klicke auf „Aus der Liste entfernen“ (es werden keine Dateien gelöscht).
04 Daten importieren
Klicke links auf Daten.
4.1 Bilder oder Ordner importieren
-
Wähle oben auf der Seite die Importart:
- In das Projekt kopieren: Die Bilder werden in den Projektordner kopiert, und du kannst das ganze Projekt mitnehmen (empfohlen);
- Nur Originalpfade referenzieren: Es wird nur der ursprüngliche Speicherort vermerkt. Das spart Platz, aber die Originale dürfen nicht verschoben werden.
-
Importieren:
- Klicke auf Ordner importieren und wähle einen Ordner (Bilder in Unterordnern werden automatisch gefunden);
- oder klicke auf Weitere Importoptionen → Bilddateien importieren und wähle einzelne Bilder;
- oder zieh Bilder und Ordner direkt ins Fenster und lass los, sobald „Loslassen, um Bilder oder Videos zu importieren“ erscheint. Ziehst du eine Videodatei hinein, öffnet sich direkt der Dialog „Frames aus Video extrahieren“ (siehe 4.2).
- Beim Import siehst du den Fortschritt „N / M Bilder verarbeitet (Fingerabdrücke berechnen, Miniaturen erzeugen)“. Hast du das Falsche gewählt, klicke auf Stoppen; bereits verarbeitete Bilder werden trotzdem übernommen. Am Ende steht, wie viele Bilder neu sind und wie viele Duplikate übersprungen wurden. Mit Annotieren starten im Hinweis geht es direkt zur Seite „Annotieren“.
Beim Import werden Bilder automatisch nach Inhalt dedupliziert (dasselbe Bild wird nicht zweimal importiert) und anhand der EXIF-Daten richtig gedreht.

4.2 Videos importieren (Frames extrahieren)
- Klicke auf Weitere Importoptionen → Videos importieren (Frames extrahieren) und wähle eine oder mehrere Videodateien.
-
Stell im Dialog „Frames aus Video extrahieren“ ein:
- Alle N Sekunden 1 Frame: Ändert sich das Bild langsam, wähl einen größeren Abstand, damit du nicht lauter fast gleiche Bilder bekommst;
- Max. pro Video N Frames (0 = unbegrenzt).
- Klicke auf Extraktion starten. Beim ersten Mal wird ffmpeg automatisch heruntergeladen (ca. 90 MB), danach nicht mehr. Hast du falsche Parameter eingestellt, klicke auf Stoppen; bereits extrahierte Frames werden trotzdem importiert.
- Die extrahierten Frames werden ins Projekt kopiert und automatisch nach Inhalt dedupliziert. Am Ende steht z. B. „M Frames aus N Videos extrahiert: K neu“.
4.3 Frames aus einem Videostream extrahieren (RTSP / Live / Wiedergabe)
- Klicke auf Weitere Importoptionen → Frames aus einem Videostream extrahieren (RTSP / Live / Wiedergabe).
-
Gib die Adresse ein: eine RTSP-Kamera (
rtsp://…) oder eine http(s)-Adresse für Live, Wiedergabe oder On-Demand (mp4, m3u8, flv).-
Hikvision:
rtsp://Benutzer:Passwort@IP:554/Streaming/Channels/101(Hauptstream) oder102(Substream) -
Dahua:
rtsp://Benutzer:Passwort@IP:554/cam/realmonitor?channel=1&subtype=0
-
Hikvision:
- Klicke auf Verbindung testen. Angezeigt werden die Auflösung und ob es ein „Live-Stream (endlos, Grenze festlegen)“ oder ein „Wiedergabestream · Dauer …“ ist.
-
Einstellungen:
- Alle N Sekunden 1 Frame;
- Höchstens N Frames, Aufnahme bis zu N Minuten (0 = unbegrenzt, nur bei Live). Ein Live-Stream endet nie, leg also mindestens eine dieser Grenzen fest;
- Nahezu identische Frames überspringen aktivieren: Bei unbewegtem Bild werden weniger Duplikate gespeichert.
- Klicke auf Aufnahme starten. Die Bilder werden laufend gespeichert und erscheinen nach und nach auf der Seite „Daten“.
- Während der Aufnahme kannst du auf Minimieren klicken und etwas anderes tun. Unten rechts steht dann „Aufnahme läuft · N Frames extrahiert“; mit Aufklappen kommst du zurück. Mit Aufnahme stoppen beendest du jederzeit, die bisherigen Bilder bleiben erhalten.
-
Die Bilder liegen im Projekt im Ordner
images/stream_<Adresse>_<Zeit>/. Am Ende kannst du sie mit Ordner öffnen ansehen.
Benutzername und Passwort werden nur während der Aufnahme verwendet. Die Software schreibt keine Adresse mit Passwort in den Ordnernamen im Projekt.
4.4 Annotierten Datensatz importieren
Hast du schon anderswo annotierte Daten, kannst du sie samt Annotationen importieren:
-
Klicke auf Weitere Importoptionen und wähle je nach Projekttyp:
- Erkennungs- / Segmentierungsprojekte: Annotierten Datensatz importieren (YOLO / COCO / VOC); unterstützt YOLO (auch seg), COCO (auch Segmentierung) und VOC;
- Keypoint-Projekte: Annotierten Datensatz importieren (YOLO-pose / COCO-Keypoints);
- Klassifizierungsprojekte: Klassifizierungsdatensatz importieren (ein Ordner pro Klasse). Jeder Unterordner des gewählten Ordners ist eine Klasse (darunter darf noch eine Ebene train / val liegen).
- Wähle den Stammordner des Datensatzes. Die Software erkennt das Format automatisch.
- Am Ende steht z. B. „YOLO-Datensatz importiert“ und welche Klassen neu hinzugekommen sind.
4.5 Sammelaktionen, rückgängig machen, löschen, leeren
Die Statistikkarten oben auf der Seite „Daten“ (Nicht annotiert, Annotiert, Übersprungen) lassen sich anklicken: Ein Klick zeigt nur diese Bilder, ein zweiter Klick wieder alle. Die Filter darunter funktionieren genauso.
Alles im Menü Verwalten:
-
Mehrfachauswahl: Öffnet den Auswahlmodus. Klicke Bilder an, um sie auszuwählen; hältst du Shift gedrückt und klickst ein anderes Bild an, wählst du den ganzen Bereich dazwischen. „Alle auf dieser Seite auswählen“ wählt diese Seite, „Alle N Bilder auswählen“ alle Bilder im aktuellen Filter. Danach kannst du:
- Als übersprungen markieren: Diese Bilder werden nicht trainiert;
- Auf nicht annotiert zurücksetzen: Bilder, die schon Annotationen haben, werden wieder zu „Annotiert“;
- Zum Annotieren: Schickt nur die ausgewählten Bilder zur Seite „Annotieren“, wo du sie einzeln annotierst;
- Aufteilen: Ins Trainings-, Validierungs- oder Testset verschieben (gilt nur für annotierte Bilder, siehe 10.1);
-
Löschen.
Wechselst du den Filter oder die Seite, wird die Auswahl aufgehoben, damit du nicht versehentlich Bilder löschst, die du gar nicht siehst. Zum Schluss klickst du auf Fertig.
- Letzten Import rückgängig machen (N Bilder): Falsch importiert? Ein Klick löscht die Bilder des letzten Imports (eine Aufnahme aus einem Videostream zählt als ein Import).
- Alle Bilder entfernen: Löscht alle Bilder des Projekts.
Beim Löschen werden die Annotationen der Bilder mitgelöscht und können nicht wiederhergestellt werden. Gelöscht werden die ins Projekt kopierten Bilder, die Originale auf deinem Computer bleiben unberührt.
4.6 Bildqualitätsprüfung
Unscharfe, zu dunkle oder überbelichtete Bilder sind mühsam zu annotieren und können das Modell beim Training in die Irre führen. Sortier sie vorher aus:
- Klicke auf Verwalten → Bildqualitätsprüfung (unscharf, zu dunkel, überbelichtet).
- Standardmäßig ist Nur nicht annotierte Bilder aktiviert. Willst du alle prüfen, deaktiviere es.
- Klicke auf Prüfung starten.
- Die Ergebnisse sind nach Problem sortiert: Unschärfe, Zu dunkel, Überbelichtet, Geringer Kontrast. Oben kannst du nach Tags filtern. Unter jedem Bild stehen die Werte für Schärfe, Helligkeit, Überbelichtung und Kontrast.
-
Bearbeiten:
- Einzeln durchsehen: Springt zur Seite „Annotieren“, du siehst dir jedes Bild an und entscheidest selbst;
- Als übersprungen markieren: Markiert die Bilder als „Übersprungen“, sie werden nicht trainiert (die Bilder bleiben, das lässt sich später zurücksetzen);
- Löschen: Löscht sie direkt.
4.7 Alarmbilder von Xuntong AI abrufen
Ist dein Modell auf der Xuntong AI-Plattform im Einsatz, sind die Alarm-Screenshots vor Ort (vor allem Fehlalarme und übersehene Objekte) genau die Daten, die sich am meisten lohnen:
- Richte zuerst unter Einstellungen Xuntong AI ein (siehe 2.3).
- Klicke auf der Seite Daten auf Weitere Importoptionen → Alarmbilder von Xuntong AI abrufen.
- Wähle den Zeitraum (letzte 1 / 3 / 7 Tage; die Plattform bewahrt Alarmbilder 7 Tage auf, ruf sie also regelmäßig ab), das Modell (alle oder ein bestimmtes) und Höchstens N Bilder. Alarmdatensätze entstehen nur bei Xuntong-Konten mit eingerichtetem Benachrichtigungskanal.
- Standardmäßig ist Von der Plattform erkannte Boxen als Vorannotation verwenden aktiviert: Die Zuordnung zu den Projektklassen erfolgt über den Klassennamen, fehlende Klassen werden neu angelegt.
-
Klicke auf Abruf starten. Die Bilder landen im Projektordner
images/xuntong_<Zeit>/, die erkannten Boxen sind gestrichelt (Quelle „Xuntong“). - Prüfe sie auf der Seite „Annotieren“: Lösche Boxen von Fehlalarmen (Bilder ohne Objekt einfach mit Enter abschließen, sie dienen als Negativbeispiele), ergänze übersehene Objekte und trainiere dann neu.
05 Annotieren
Klicke links auf Annotieren.
5.1 Die Seite „Annotieren“
- Oben: Pfeile zum Blättern, Name und Nummer des aktuellen Bildes (Bild X von Y; klickst du auf die Nummer, kannst du eine Zahl eingeben und direkt dorthin springen), Auflösung, Status-Tag (Nicht annotiert / Annotiert / Übersprungen; Bilder ohne Objekte zeigen „Keine Objekte“); die Filter Alle / Nicht annotiert / Annotiert / Übersprungen (bei Teamarbeit zusätzlich „Geprüft“ und „Zurückgewiesen“); ganz rechts Zoomfaktor und Speicherstatus (Gespeichert / Nicht gespeichert / Wird gespeichert… / Speichern fehlgeschlagen).
- Werkzeugleiste links: Auswählen, Box zeichnen (bzw. Polygon zeichnen), SAM Smart-Auswahl, Rückgängig, Wiederholen, vorheriges Bild kopieren, Keyframe-Interpolation, Vorwärts verfolgen, An Fenster anpassen. Fährst du mit der Maus darüber, siehst du eine Erklärung und das Tastenkürzel.
- Mitte: die Bildfläche. Mit dem Mausrad zoomst du, mit gedrückter Leertaste oder rechter Maustaste verschiebst du das Bild.
- Rechts: die Bereiche „KI-Unterstützung“, „Klasse“, „Objekte in diesem Bild“ (bei Klassifizierungsprojekten „Bildklasse“) und „Fertig“ (bei Teamarbeit heißt dieser Bereich „Prüfen“).
- Unter der Bildfläche: die Tastenkürzel, die im aktuellen Projekt gelten; mit ? öffnest du eine Übersicht aller Tastenkürzel.
- Ganz unten: ein Streifen mit Miniaturen der vorherigen und folgenden Bilder. Ein Klick springt direkt dorthin. Der kleine Punkt oben rechts auf einer Miniatur zeigt den Status: blau = annotiert, grau = übersprungen, kein Punkt = nicht annotiert.
Änderungen werden automatisch gespeichert. Du musst nicht von Hand speichern.
5.2 Klassen hinzufügen und verwalten
- Gib rechts unter „Klasse“ im Feld „Neuer Klassenname, Enter zum Hinzufügen“ einen Namen ein, z. B. „Schutzhelm“, und drücke Enter.
- Die ersten 9 Klassen wechselst du schnell mit den Zifferntasten 1–9. Die aktuelle Klasse ist hervorgehoben.
-
Über die Bearbeiten-Schaltfläche neben einer Klasse kannst du:
- Name und Farbe ändern;
-
einen englischen Prompt eintragen (für die automatische Annotation per „Text-Prompt“; mehrere Begriffe durch Kommas trennen, z. B.
helmet, hard hat); - Erkennungshinweise eintragen (für Xuntong AI „Nach Projektklassen erkennen“: was diese Klasse genau bedeutet und was zählt / nicht zählt, z. B. „Person ohne Schutzhelm auf dem Kopf; Helm ohne geschlossenen Kinnriemen zählt auch“);
- die Klasse löschen. Hat die Klasse schon Annotationen, kannst du unter „Zusammenführen mit…“ eine andere Klasse wählen: Die Annotationen bekommen dann diese Klasse und gehen nicht verloren (praktisch, wenn du eine falsche Klasse verwendet hast oder zwei Klassen zu einer zusammenlegen willst). Wählst du nichts, wird die Klasse direkt gelöscht, samt ihrer Annotationen.
5.3 Objekterkennung: Boxen zeichnen
- Wähle mit 1–9 eine Klasse.
- Drücke R (oder klicke links auf das Box-Werkzeug) und zieh mit gedrückter Maustaste eine Box um das Objekt.
- Anpassen: Mit V wechselst du zum Auswahlwerkzeug. Klicke eine Box an, um sie zu verschieben oder an Kanten und Ecken die Größe zu ändern.
- Löschen: Box auswählen und Del oder Rücktaste drücken; mit Esc hebst du die Auswahl auf.
- Klasse ändern: Box auswählen und eine Zifferntaste drücken, oder rechts unter „Objekte in diesem Bild“ ändern.
- Mit H blendest du die Klassennamen an den Boxen aus / ein. Das hilft, wenn die Boxen dicht beieinander liegen.

5.4 Instanzsegmentierung: Polygone zeichnen
- Wähle eine Klasse und drücke R.
- Klicke Punkt für Punkt entlang des Objektrands.
- Mit Doppelklick oder Enter schließt du das Polygon; mit Rücktaste entfernst du den letzten Punkt.
- Ist ein Polygon ausgewählt, kannst du die Eckpunkte verschieben.
- Schneller geht es mit S für die SAM Smart-Auswahl: ein Klick, und die Kontur entsteht automatisch (siehe Kapitel 6).
5.5 Bildklassifizierung: ein Tastendruck pro Bild
- Sieh dir das Bild an und wähle mit den Zifferntasten 1–9 die Klasse. Oben links im Bild steht die aktuelle Klasse.
- Schaltest du rechts Automatisch weiter ein, springst du nach dem Tastendruck direkt zum nächsten Bild: ein Tastendruck pro Bild.
- Mit Del entfernst du die Klasse dieses Bildes; mit Ctrl+D übernimmst du die Klasse des vorherigen Bildes.
5.6 Keypoints
-
Sieh dir zuerst rechts die Keypoint-Vorlage an. Standard ist „COCO Person 17 Punkte“ (Nase, linkes Auge, rechtes Auge … linker Knöchel, rechter Knöchel). Zum Ändern klickst du auf Bearbeiten:
- Vorlagenname;
- Punktnamen (einer pro Zeile; die Reihenfolge der Punkte ist die Klickreihenfolge beim Annotieren);
-
Verbindungen (ein Nummernpaar pro Zeile, z. B.
1-2, für das Skelett); - oder COCO Person 17 Punkte verwenden, um den Standard wiederherzustellen.
- Sobald Keypoint-Annotationen existieren, kannst du nur noch Namen und Verbindungen ändern, aber keine Punkte hinzufügen oder entfernen.
- Wähle eine Klasse und zeichne mit R die Objektbox.
-
Danach klickst du nacheinander jeden Keypoint an (unten im Bild steht, welcher Punkt dran ist, z. B. „Linke Schulter anklicken (6/17)“):
- normaler Klick: sichtbarer Punkt;
- Shift + Klick: verdeckter Punkt;
- N: nicht sichtbaren Punkt überspringen;
- Rücktaste: zurück zum vorherigen Punkt;
- Esc: dieses Objekt abschließen.
- Feinarbeit: Ist ein Objekt ausgewählt, kannst du die Keypoints direkt verschieben. Rechts steht der Status jedes Punkts. Ein Klick auf den Namen setzt diesen Punkt neu; ein Klick auf den Status wechselt zwischen „sichtbar / verdeckt“.
- Mit Keypoints neu setzen (bei ausgewähltem Objekt) beginnst du wieder beim ersten Punkt.
5.7 Vorheriges Bild kopieren, Rückgängig und Wiederholen
- Ctrl+D (oder die Kopieren-Schaltfläche links): Übernimmt alle Annotationen des vorherigen Bildes. Das spart viel Zeit bei ähnlichen Szenen und aufeinanderfolgenden Frames. Bei Klassifizierungsprojekten wird die Klasse des vorherigen Bildes übernommen.
- Ctrl+Z macht rückgängig, Ctrl+Y wiederholt.
5.8 Fertig und überspringen
Annotierst du allein, brauchst du keine Prüfung: Bilder mit Objekten zählen automatisch als „Annotiert“ und werden direkt trainiert. Im Bereich „Fertig“ rechts:
-
Fertig und weiter (Tastenkürzel Enter): springt zum nächsten nicht annotierten Bild weiter hinten.
- Hat das Bild wirklich keine Objekte, markiert Enter es als „Keine Objekte“. Es wird dann als Negativbeispiel trainiert (das Modell lernt, bei solchen Bildern keinen Fehlalarm auszulösen). Aus Versehen gedrückt? Klicke im Hinweis auf Status zurücksetzen.
- Per Batch vorannotierte Bilder (gestrichelte Boxen) zählen als annotiert, sobald du sie durchgesehen, korrigiert und Enter gedrückt hast.
- Überspringen (Tastenkürzel X): markiert das Bild als „Übersprungen“, es wird nicht trainiert. Gut für unscharfe oder irrelevante Bilder.
- Status zurücksetzen: setzt „Keine Objekte“ oder „Übersprungen“ wieder auf den vorherigen Status zurück.
- Shift+D: springt direkt zum nächsten nicht annotierten Bild.
Nach dem letzten Bild erscheint „Dieser Stapel ist fertig“ mit der Zahl der annotierten und der noch offenen Bilder. Du kannst auf Zum Training oder Mit nicht annotierten weitermachen klicken.
Mit dem Filter „Übersprungen“ oben findest du die übersprungenen Bilder wieder und kannst sie noch einmal prüfen.
Einen Prüfablauf gibt es nur bei Teamarbeit (wenn Mitglieder hinzugefügt sind oder die Echtzeit-Zusammenarbeit läuft). Dann heißt dieser Bereich „Prüfen“, und die Schaltflächen sind Annehmen und weiter und Zurückweisen, siehe Kapitel 9.
5.9 Videoframes: Keyframe-Interpolation und Vorwärts verfolgen
Gilt für Erkennungs- und Keypoint-Projekte. Aus Videos extrahierte Frames (im selben Ordner, nach Dateiname sortiert) musst du nicht einzeln zeichnen.
Keyframe-Interpolation (für Abschnitte, in denen sich Objekte gleichmäßig bewegen):
- Blättere zum ersten Frame des Abschnitts und annotiere alle Objekte (das ist ein „Keyframe“).
- Blättere zum letzten Frame des Abschnitts und annotiere dieselben Objekte.
- Klicke in diesem letzten Frame links auf die Schaltfläche Keyframe-Interpolation.
- Die Software ordnet die Objekte an beiden Enden nach Klasse und Position einander zu und füllt die Frames dazwischen automatisch. Es erscheint z. B. „M Objekte über N Zwischenframes interpoliert“; Objekte, die sich nicht zuordnen lassen, werden extra genannt.
Vorwärts verfolgen (wenn sich Objekte unregelmäßig bewegen):
- Annotiere die Objekte im aktuellen Frame.
- Klicke links auf Vorwärts verfolgen, trag im kleinen Fenster die Anzahl der Frames ein (Standard 30, höchstens 500) und klicke auf Verfolgen.
- Die Software verfolgt die Boxen dieses Frames Frame für Frame weiter. Sie stoppt, wenn ein Objekt verdeckt ist oder verloren geht. Sie stoppt auch an späteren, von Hand annotierten Frames und überschreibt keine manuellen Annotationen.
- Danach springst du automatisch zum letzten verfolgten Frame. Sitzt eine Box schief, zieh sie zurecht (eine verschobene Box gilt dann als manuelle Annotation, und dieser Frame wird zum neuen Keyframe). Klicke dann erneut auf Vorwärts verfolgen, um weiterzumachen.
Interpolierte und verfolgte Boxen zeigen rechts unter „Objekte in diesem Bild“ die Quelle „Interpoliert“ bzw. „Verfolgt“. Erneutes Interpolieren oder Verfolgen ersetzt sie; von Hand gezeichnete Boxen bleiben unverändert.
Spartipp: Annotiere zuerst eine kleine Menge von Hand (einige Dutzend bis ein- oder zweihundert Bilder), trainiere ein erstes Modell und lass es die restlichen Bilder vorannotieren (Kapitel 12). Dann musst du nur noch Fehler korrigieren.
06 KI-unterstützte Annotation
Auch ohne eigenes Modell kann dir die KI beim Annotieren helfen.
6.1 SAM Smart-Auswahl
- Wähle eine Klasse und drücke S (oder klicke links auf die SAM-Schaltfläche).
- Beim ersten Mal werden Komponenten installiert und das Modell heruntergeladen. Das kann einige Minuten dauern; im Bild steht „SAM wird vorbereitet…“. Mit NVIDIA-Grafikkarte wird SAM ViT-B verwendet, sonst das kompakte SlimSAM.
-
Klicke einmal auf das Objekt, und seine Kontur wird automatisch ausgewählt (Vorschau).
- Zu viel ausgewählt: Mit Shift + Klick schließt du überzählige Bereiche aus;
- zu wenig ausgewählt: Klicke auf die fehlenden Teile;
- falsch geklickt: Mit Rücktaste entfernst du den letzten Punkt;
- du kannst auch eine Box ziehen, die das Objekt umschließt.
- Bist du zufrieden, übernimmst du mit Enter die aktuelle Klasse; mit Esc verwirfst du.
- Ergebnis: Segmentierungsprojekte erhalten ein Polygon, Erkennungsprojekte eine eng anliegende Box, Keypoint-Projekte ein neues Objekt (die Punkte setzt du dann mit „Keypoints neu setzen“).
6.2 Text-Prompt
Sucht Objekte im Bild automatisch anhand des Klassennamens:
- Wähle rechts unter „KI-Unterstützung“ Text-Prompt.
-
Das Modell versteht nur Englisch. Englische Klassennamen (z. B.
helmet) werden direkt verwendet. Über hundert gängige chinesische Klassennamen (z. B. 安全帽 = Schutzhelm, 人员 = Person, 电动车 = E-Roller, 渣土车 = Muldenkipper, 锥桶 = Leitkegel) werden automatisch ins Englische übertragen und hinter dem Namen angezeigt, z. B. „安全帽 · helmet“; das klappt auch, wenn der chinesische Name ein solches Wort enthält, z. B. 红色安全帽 („roter Schutzhelm“). Für deutsche Klassennamen, oder wenn die Zuordnung nicht passt, trägst du beim Bearbeiten der Klasse einen englischen Prompt ein. - Stell die Konfidenz ein: Findet es zu viel, erhöhe sie; findet es nichts, senke sie.
- Klicke auf Dieses Bild annotieren (P) für das aktuelle Bild oder auf Batch-Vorannotation für viele Bilder auf einmal.
- Beim ersten Mal wird das Modell heruntergeladen, das dauert einige Minuten. In Segmentierungsprojekten erzeugt danach SAM die Konturen.
6.3 Xuntong AI
(Die ausführliche Anleitung zu Xuntong AI findest du in Kapitel 16.)
- Richte zuerst unter Einstellungen Xuntong AI ein (siehe 2.3).
-
Wähle unter „KI-Unterstützung“ Xuntong AI und unter „Erkennungsmodell auswählen“:
- Nach Projektklassen erkennen (empfohlen): sucht nur nach den Klassen des Projekts, übernimmt die Klassennamen unverändert, folgt den Erkennungshinweisen jeder Klasse und den allgemeinen Regeln und erfasst nichts, was du nicht brauchst;
- auf der Plattform freigeschaltete spezialisierte Modelle;
- Allgemeine LLM-Erkennung: sucht nach Kategorien von Sicherheitsrisiken (Brandschutz, Elektrik, Sauberkeit usw.).
- Klicke auf Dieses Bild annotieren (P) oder Batch-Vorannotation. Mit spezialisierten Modellen (z. B. Mülltrennung) geht die Batch-Vorannotation schnell: je 8 Bilder pro Batch, zwei Batches gleichzeitig. Das LLM und die Erkennung nach Projektklassen arbeiten Bild für Bild und sind langsamer.
- Xuntong AI berechnet 1 Aufruf pro Bild und verbraucht das Tarifkontingent deines Kontos. Vor einem Batch bekommst du einen Hinweis.
6.4 Erkennungsregeln: der KI sagen, wie sie erkennen soll
Ein Klassenname allein sagt der KI nicht unbedingt, was du genau meinst. Du kannst die Regeln klar aufschreiben oder direkt mit der KI chatten:
- Klicke neben der Überschrift „KI-Unterstützung“ auf Erkennungsregeln. Rechts öffnet sich der Bereich mit den Erkennungsregeln.
-
Mit KI chatten: Erkläre in einfachen Worten, wie erkannt werden soll, z. B. „Helm ohne geschlossenen Kinnriemen zählt als kein Helm“, „Warnwesten zählen nicht“, „nur den Gang in der unteren Bildhälfte beachten“. Du kannst auch fragen: „Warum wurde die Person links im Bild nicht erkannt?“
- Standardmäßig ist Aktuelles Bild anhängen aktiviert. Die KI testet die neuen Regeln dann an diesem Bild.
- Schlägt die KI in ihrer Antwort neue Regeln vor, siehst du „KI schlägt Regeländerung vor“ mit dem genauen Inhalt. Gespeichert wird erst, wenn du auf Diese Regeln übernehmen klickst.
- Liefert die Testerkennung Ergebnisse, klicke auf Die N Boxen aus der Testerkennung zu diesem Bild hinzufügen, um sie direkt als Vorannotation zu nutzen.
-
Mit
Ctrl+Entersendest du. Jeder Chat verbraucht Xuntong AI-Kontingent.
- Aktuelle Regeln: Hier bearbeitest du direkt die allgemeinen Regeln (gelten für alle Klassen) und die Erkennungshinweise pro Klasse. Klicke dann auf Regeln speichern.
- Ab dann folgt die Vorannotation mit Xuntong AI „Nach Projektklassen erkennen“ diesen Regeln.
- (Optional) Klicke ganz unten unter „Aktuelle Regeln“ auf Mit der Xuntong-Plattform synchronisieren: Klassen und Regeln werden auf der Xuntong-Plattform gespeichert. Standardmäßig sind sie nicht aktiv, die aktuelle Erkennung der Plattform bleibt unverändert. Nach dem Verknüpfen wird jedes Speichern oder Übernehmen von Regeln automatisch synchronisiert (Aktivierung und Szenen, die du in der Xuntong-Konsole festgelegt hast, bleiben unverändert).
- Soll auch die eigene Erkennung der Xuntong-Plattform (Schnappschuss-Assistent, Alarmweiterleitung) nur deine Klassen melden, aktiviere Diese Regeln auch für die Plattformerkennung verwenden. Achtung: Danach erkennt dein ganzes Xuntong-Konto nur noch nach den Klassen dieses Projekts. Die Szenen kannst du in der Xuntong-Konsole unter „Erkennungsregeln“ anpassen. Willst du nicht mehr synchronisieren, klicke auf Verknüpfung aufheben (die Regeln auf der Plattform werden nicht gelöscht). Pro Xuntong-Konto sind höchstens 20 Regelsätze möglich.
Grenzen: Die Erkennung nach Projektklassen unterstützt höchstens 30 Klassen, Klassennamen dürfen höchstens 30 Zeichen lang sein; die allgemeinen Regeln höchstens 1000 Zeichen, die Erkennungshinweise pro Klasse höchstens 500 Zeichen.
Bei der Zusammenarbeit können auch Mitglieder die Erkennungsregeln öffnen und mit der KI chatten (wenn der Host die KI-Unterstützung freigegeben hat, wird das Kontingent des Hosts verbraucht). Ob sie die Regeln ändern dürfen, hängt vom Schalter „Mitglieder können Klassen und Erkennungshinweise hinzufügen und bearbeiten“ ab.
6.5 KI-Ergebnisse prüfen
Von der KI erzeugte Boxen und Konturen sind gestrichelt. Geh sie einmal durch: Falsche löschen, schiefe zurechtziehen, fehlende ergänzen, dann Enter drücken (Fertig und weiter).
07 Datencheck
Klicke links auf Datencheck, um Probleme in den Daten mit einem Klick zu finden.
-
Wähle die Prüfart:
- Mit trainiertem Modell: „Prüfung mit Modell: Modellname · mAP50 …“; Regeln und Modell prüfen gemeinsam;
- ohne Modell: „Nur Regelprüfung (ohne Modell)“.
- Klicke auf Datencheck starten.
-
Die Ergebnisse sind nach Problem sortiert:
Problem Bedeutung Modell nötig Vermutlich fehlende Annotation Das Modell ist sich sicher, dass hier ein Objekt ist, aber es gibt keine Annotation Ja Vermutlich falsche Klasse Die Position der Box stimmt, aber die Klasse weicht von der Einschätzung des Modells ab Ja Ungenaue Box Die Klasse stimmt, aber die Box überlappt kaum mit der Vorhersage des Modells Ja Vermutlich überflüssige Box Es gibt eine Box, aber das Modell sieht an dieser Stelle nichts Ja Winzige Box Kurze Seite unter 8 Pixeln, das Modell kann daraus kaum etwas lernen Nein Doppelte Box Zwei Boxen derselben Klasse im selben Bild überlappen fast vollständig Nein Doppelte Bilder Nahezu gleiche Bilder lassen die Evaluierungsergebnisse zu gut aussehen Nein Keine Klasse Die Box hat keine Klasse und wird nicht trainiert Nein -
Für jedes Problem kannst du:
- Beheben: springt zur Seite „Annotieren“ und hebt die Box hervor;
- Als Annotation hinzufügen: bei vermutlich fehlenden Annotationen direkt eine Box nach der Einschätzung des Modells anlegen;
-
Kein Problem: ignorieren, der Datencheck meldet es künftig nicht mehr.
Gibt es viele Probleme einer Art, erledigst du sie mit Alle als Annotationen hinzufügen (vermutlich fehlende Annotationen) oder Alle ignorieren auf einmal. Ignorierte Probleme holst du über „N Einträge ignoriert · Wiederherstellen“ zurück.
- Bilder, die du auf der Seite „Annotieren“ geändert hast, sind beim Zurückkehren zum Datencheck als „Geändert“ markiert und standardmäßig eingeklappt. Du musst den Datencheck nicht neu starten.
- Doppelte Bilder werden in Gruppen angezeigt; auf jedem Bild stehen Status und Zahl der Annotationen. Das Bild mit grünem Rahmen bleibt erhalten, standardmäßig das mit den vollständigsten Annotationen (geprüft > annotiert > mehr Annotationen). Mit einem Klick auf ein anderes Bild wechselst du, ein Doppelklick öffnet es auf der Seite „Annotieren“. Mit Pro Gruppe nur eins behalten löschst du die übrigen; Bilder mit Annotationen werden dabei nicht versehentlich gelöscht.
- Weiter unten stehen die Klassenverteilung (Boxen · Bilder) und die Verteilung der Boxgrößen. Bei zu wenigen Daten in einer Klasse oder zu kleinen Boxen bekommst du Tipps. In Klassifizierungsprojekten wird nur auf vermutlich falsche Klassen und doppelte Bilder geprüft.
08 Datensatzversionen
Speichere den Stand der Daten zu einem bestimmten Zeitpunkt als Snapshot, um zu vergleichen und zurückzugehen.
- Klicke auf der Seite Daten auf Verwalten → Datensatzversionen (Snapshot, Vergleich, Wiederherstellung).
-
Gib einen Versionsnamen ein (z. B. v1, Nachtbilder ergänzt) und eine Notiz (optional), und klicke auf Aktuelle Daten als neue Version speichern.
- Eine Version enthält die aktuell annotierten und geprüften Bilder samt Annotationen sowie die Aufteilung in Training / Validierung / Test.
-
In jeder Zeile der Versionsliste kannst du:
- Mit aktuellen Daten vergleichen: neue Bilder, entfernte Bilder, Bilder mit geänderten Annotationen und die Änderung der Annotationsanzahl pro Klasse ansehen;
- Diese Version exportieren;
- Diese Version wiederherstellen: Vorher werden die aktuellen Daten automatisch als Version „Automatische Sicherung vor dem Wiederherstellen“ gespeichert, du kannst also jederzeit zurück;
- Umbenennen, Notiz bearbeiten, Diese Version löschen (löscht nur den Snapshot; aktuelle Daten und trainierte Modelle bleiben unberührt).
- Auf der Seite Trainieren kannst du unter „Trainingsdaten“ eine Version für das Training auswählen (siehe 10.1).
09 Teamarbeit
Viele Bilder, und allein schaffst du es nicht? Dann gibt es zwei Wege:
- Echtzeit-Zusammenarbeit: Mehrere Personen annotieren gleichzeitig dasselbe Projekt. Dein Computer ist der Host. Mitglieder öffnen die Adresse im Browser, melden sich an und legen los; Änderungen werden live synchronisiert. Das klappt im LAN und über das Internet.
- Offline-Pakete: Ohne Netzwerk, oder wenn Daten das Unternehmen nicht verlassen dürfen, teilst du die Bilder in Annotationspakete auf, gibst sie weiter und führst sie danach wieder zusammen (siehe 9.10).
9.1 Echtzeit-Zusammenarbeit starten
- Klicke links auf Zusammenarbeit.
-
Füge zuerst unter „Mitglieder“ Personen hinzu: Gib einen Namen ein (für die Anmeldung), wähle eine Rolle. Das Passwort wird standardmäßig zufällig erzeugt (du kannst es ändern). Klicke auf Hinzufügen. Kopiere die angezeigten Zugangsdaten und schick sie der Person (sie werden nur dieses eine Mal angezeigt; vergessen? Dann Passwort zurücksetzen).
- Annotator: sieht und bearbeitet nur die eigenen zugewiesenen Bilder;
- Prüfer: sieht alle Bilder, nimmt sie an oder weist sie zurück;
- du selbst bist Administrator.
-
Wähle unter „Freigabe“ den Freigabemodus:
- LAN: Die Mitglieder sind im selben Firmennetz bzw. WLAN wie du. Am schnellsten, und die Daten verlassen dein Unternehmen nicht.
-
Online · Eigenes Relay: Die Mitglieder sind im Internet (externe Dienstleister, Homeoffice). Du brauchst einen eigenen Cloud-Server mit dem Wulabel-Relay-Dienst (die Anleitung liegt im Repository im Ordner
relay/). Trag die Relay-Adresse und den Schlüssel ein. Die Daten laufen nur über deinen eigenen Server. - Online · Offizielles Xuntong-Relay: Für Mitglieder im Internet, wenn du keinen eigenen Server hast. Die Verbindung zum Relay-Server von Xuntong läuft über deinen Xuntong API-Key. Bilder und Annotationen werden über die Xuntong-Server weitergeleitet (nur weitergeleitet, nicht gespeichert). Für sensible Daten nimm einen der beiden ersten Modi.
- Gib Ihr Name ein (der Name des Hosts, den Mitglieder sehen). Den Port musst du meist nicht ändern (Standard 8765).
-
Optionen:
- Mitglieder können die KI-Unterstützung nutzen: SAM Smart-Auswahl, Vorannotation per Modell und Text-Prompts laufen auf deinem Computer; der Chat mit der KI über Erkennungsregeln verbraucht dein Xuntong-Kontingent.
- Mitglieder können Klassen und Erkennungshinweise hinzufügen und bearbeiten: Klassen löschen (dabei gehen alle ihre Annotationen verloren) kannst nur du.
- Wasserzeichen mit dem Namen des Mitglieds über dessen Ansicht legen: gegen weitergegebene Screenshots, geeignet für Outsourcing.
-
Klicke auf Zusammenarbeit starten. Die Seite zeigt die LAN-Adresse (z. B.
http://192.168.1.20:8765/); im Online-Modus zusätzlich die Internetadresse (z. B.https://relay.example.com/s/xxxxxxxxxxxx/). Schick die Adresse und die jeweiligen Zugangsdaten an die Mitglieder.- Beim ersten Start meldet sich eventuell die Windows-Firewall. Klicke auf Zulassen.
- Während die Zusammenarbeit läuft, kannst du die drei Optionen jederzeit ändern. Sie gelten sofort.
- Mit Zusammenarbeit beenden werden die Mitglieder sofort getrennt; bereits gespeicherte Annotationen bleiben erhalten. Auch beim Projektwechsel oder beim Schließen von Wulabel endet die Zusammenarbeit.
9.2 Aufgaben zuweisen
- Wähle unter „Aufgaben zuweisen“ die Annotatoren (oder klicke auf Alle Annotatoren auswählen).
-
Wähle den Bereich:
- Noch nicht zugewiesene, nicht annotierte Bilder (am häufigsten);
- Alle nicht annotierten Bilder (bereits zugewiesene werden neu verteilt);
- Nicht geprüfte Bilder (nicht annotiert + annotiert).
- Pro Person N Bilder: Leer lassen, und alle Bilder im Bereich werden gleichmäßig verteilt. Die Verteilung folgt der Bildreihenfolge, aufeinanderfolgende Videoframes gehen an dieselbe Person.
- Klicke auf Zuweisen. Bei den Mitgliedern erscheinen die neuen Aufgaben automatisch.
- In der Mitgliederliste siehst du für jede Person, wie viele Bilder zugewiesen, eingereicht und zurückgewiesen wurden. Mit Aufgaben zurücknehmen holst du noch nicht eingereichte Bilder zurück und kannst sie anderen zuweisen.
9.3 So annotieren Mitglieder (im Browser)
- Öffne die Adresse vom Host in Chrome oder Edge und melde dich mit Name und Passwort an. Am eigenen Computer kannst du Angemeldet bleiben aktivieren. Keine Installation nötig.
- Du landest direkt auf der Seite „Annotieren“ und siehst nur deine zugewiesenen Bilder. Die Bedienung ist wie in Wulabel: Boxen zeichnen, Tastenkürzel, KI-Unterstützung (falls der Host sie freigegeben hat). Oben rechts steht, wie viele Bilder du heute eingereicht hast.
-
Ist ein Bild fertig, klicke auf Einreichen und weiter (
Enter). Dann wartet es auf die Prüfung. - Zurückgewiesene Bilder findest du im Filter Zurückgewiesen. Über dem Bild steht der Grund. Korrigiere es und reich es erneut ein.
- Annotiert gerade jemand anderes ein Bild, siehst du „„Name“ annotiert gerade dieses Bild“. Du kannst es nur ansehen, die Änderungen erscheinen live. Sobald die Person weg ist, kannst du es automatisch bearbeiten.
- Bricht das Netzwerk ab, erscheint oben rechts „Live-Verbindung getrennt, neuer Verbindungsversuch…“. Danach geht es automatisch weiter; bereits Gespeichertes geht nicht verloren.
9.4 Prüfen
- Prüfer (oder du selbst) filtern auf der Seite „Annotieren“ nach Annotiert und sehen sich jedes Bild an.
-
Alles in Ordnung: Klicke auf Annehmen und weiter (
Enter). - Etwas stimmt nicht: Klicke auf Zurückweisen, wähle häufige Gründe (Fehlende Annotationen, Ungenaue Box, Falsche Klasse, Überflüssige Annotationen, Falsche Keypoints) oder beschreib genau, was zu ändern ist, und klicke auf Zurückweisen.
- Zurückgewiesene Bilder landen beim ursprünglichen Annotator unter „Zurückgewiesen“. Er korrigiert sie und reicht sie erneut ein.
9.5 Fortschritt, Arbeitsaufwand und Protokoll
- Online: Die Mitgliederliste zeigt, wer online ist und welches Bild er gerade ansieht. Ein Klick springt dorthin. Der grüne Punkt an „Zusammenarbeit“ in der linken Navigation zeigt, dass die Zusammenarbeit läuft.
- Fortschritt und Arbeitsaufwand: Für Heute / Letzte 7 Tage / Letzte 30 Tage / Alle siehst du pro Person die eingereichten Bilder, annotierten Objekte, wie oft angenommen und zurückgewiesen wurde, die Annahmequote, die Zahl der Prüfungen und die Arbeitszeit (summiert werden Abstände von höchstens 5 Minuten zwischen zwei Aktionen). Mit CSV exportieren öffnest du die Daten in Excel, praktisch für die Abrechnung nach Stückzahl.
- Aktivitätsprotokoll: Wer sich wann angemeldet, eingereicht, geprüft, zurückgewiesen, Klassen geändert oder Aufgaben zugewiesen hat. Ein Klick auf die Bildnummer springt zum Bild. Mit Alle automatischen Speicherungen einbeziehen siehst du noch mehr Details.
9.6 Welcher Freigabemodus passt?
| LAN | Online · Eigenes Relay | Online · Offizielles Xuntong-Relay | |
|---|---|---|---|
| Geeignet für | Gleiches Firmennetz, gleiches WLAN | Outsourcing, Homeoffice, mit eigenem Cloud-Server | Outsourcing, Homeoffice, ohne Server |
| Adresse für Mitglieder | http://<IP-deines-Computers>:8765/ | https://<dein-Relay>/s/<ID>/ | https://xuntongai.com/wulabel-relay/s/<ID>/ |
| Geschwindigkeit | Am schnellsten | Abhängig von der Serverbandbreite | Abhängig von der Bandbreite der Xuntong-Server |
| Daten laufen über | Nur das Firmennetz | Deinen eigenen Server (nur weitergeleitet, nicht gespeichert) | Die Xuntong-Server (nur weitergeleitet, nicht gespeichert) |
| Vorbereitung | Keine | Ein Cloud-Server mit Relay-Dienst nach relay/README.md | Ein Xuntong AI-Konto (in den Einstellungen anmelden) |
- In allen drei Modi liegen Bilder und Annotationen nur auf deinem Computer. Der Relay-Server leitet nur weiter.
- Im Online-Modus bleibt die Freigabe-ID gleich: Beim nächsten Start gilt dieselbe Adresse, Mitglieder müssen sie nur einmal speichern.
- Dein Computer und die Zusammenarbeit in Wulabel müssen durchgehend laufen, damit Mitglieder sich verbinden können. Schläft dein Computer, sehen die Mitglieder „Wulabel des Hosts ist gerade offline“. Schalte am besten in den Energieeinstellungen den automatischen Ruhezustand aus.
9.7 Wer darf was?
| Aktion | Administrator (du) | Prüfer | Annotator |
|---|---|---|---|
| Sichtbare Bilder | Alle | Alle | Nur die eigenen zugewiesenen |
| Boxen zeichnen, Annotationen ändern | ✓ | ✓ | ✓ (nur eigene Bilder) |
| Einreichen | ✓ | ✓ | ✓ |
| Annehmen, zurückweisen | ✓ | ✓ | |
| Klassen und Erkennungshinweise hinzufügen und bearbeiten | ✓ | Je nach Schalter „Mitglieder können Klassen … bearbeiten“ | Je nach Schalter |
| Klassen löschen | ✓ | ||
| SAM, Vorannotation per Modell, Text-Prompt | ✓ | Je nach Schalter „Mitglieder können die KI-Unterstützung nutzen“ (läuft auf deinem Computer) | Je nach Schalter |
| Vorannotation mit Xuntong AI | ✓ | ||
| Mit KI über Erkennungsregeln chatten | ✓ | Je nach Schalter „KI-Unterstützung“ (verbraucht dein Xuntong-Kontingent) | Je nach Schalter |
| Aufgaben zuweisen, Mitglieder verwalten, Statistik | ✓ | ||
| Import, Export, Training, Bereitstellung, Datencheck | ✓ |
Ein Bild kann immer nur eine Person gleichzeitig bearbeiten: Wer es zuerst öffnet, bekommt die „Sperre“. Alle anderen sehen es nur, aber live mit allen Änderungen. Blättert die Person weiter, schließt sie die Seite oder ist sie 90 Sekunden offline, wird die Sperre automatisch freigegeben.
9.8 Ein vollständiges Beispiel
Beispiel: „Ein externes Team annotiert 2000 Bilder zur Mülltrennung, das eigene Team prüft“:
- Vorbereitung: Leg in Wulabel ein Erkennungsprojekt an, importiere die 2000 Bilder und füg rechts die Klassen hinzu (Wertstoffe, Bioabfall, Sondermüll, Restmüll). Du kannst vorher mit einem spezialisierten Modell von Xuntong AI eine Batch-Vorannotation laufen lassen (siehe 16.4). Dann müssen die Annotatoren nur noch Fehler korrigieren, das geht viel schneller.
- Mitglieder hinzufügen: Füg auf der Seite „Zusammenarbeit“ 3 Annotatoren (Anna, Ben und Clara vom externen Team) und 1 Prüferin (Lena aus deinem Team) hinzu und schick jedem seine Zugangsdaten.
- Zusammenarbeit starten: Wähle „Online · Offizielles Xuntong-Relay“ (oder ein eigenes Relay), aktiviere das „Wasserzeichen“, starte und schick die Internetadresse an die 4 Personen.
- Zuweisen: Wähle alle Annotatoren, als Bereich „Noch nicht zugewiesene, nicht annotierte Bilder“, lass die Anzahl pro Person leer und klicke auf Zuweisen. Jede Person bekommt etwa 666 Bilder.
-
Annotieren: Die Annotatoren öffnen die Adresse im Browser, melden sich an und sehen nur ihre eigenen Bilder. Jedes fertige Bild reichen sie mit
Enterein. -
Prüfen: Lena filtert nach „Annotiert“ und prüft Bild für Bild. Ist alles gut, nimmt sie es mit
Enteran; sonst klickt sie auf „Zurückweisen“, wählt „Fehlende Annotationen“ und schreibt dazu „Unten rechts ist noch eine Flasche“. Zurückgewiesene Bilder landen beim ursprünglichen Annotator unter „Zurückgewiesen“, der sie korrigiert und erneut einreicht. - Fortschritt im Blick: Auf der Seite „Zusammenarbeit“ siehst du, wer online ist, wer schnell ist und wer oft zurückgewiesen wird. Fällt jemand zurück, holst du mit „Aufgaben zurücknehmen“ seine offenen Bilder zurück und gibst sie anderen.
- Abrechnung: Wähle unter „Fortschritt und Arbeitsaufwand“ den Zeitraum, klicke auf „CSV exportieren“ und rechne nach eingereichten Bildern und Annahmequote mit dem externen Team ab.
- Abschluss: Sind alle Bilder geprüft, beende die Zusammenarbeit und trainiere, evaluiere und stelle wie gewohnt in Wulabel bereit.
9.9 Häufige Fragen
-
Mitglieder können die LAN-Adresse nicht öffnen:
- Prüfe, ob die Person im selben Netzwerk ist wie du (gleiches Firmennetz oder WLAN; Gastnetze funktionieren meist nicht);
- beim ersten Start muss der Hinweis der Windows-Firewall mit „Zulassen“ bestätigt werden. Wurde „Abbrechen“ geklickt, aktiviere Wulabel unter „Windows-Sicherheit → Firewall → App durch die Firewall zulassen“;
- ist der Port belegt, nimm einen anderen, z. B. 8766.
- Mitglieder sehen „Wulabel des Hosts ist gerade offline“: In deinem Wulabel läuft keine Zusammenarbeit, dein Computer schläft oder ist offline. Starte die Zusammenarbeit neu und lass die Person die Seite neu laden.
-
Die Internetadresse zeigt dauerhaft „Verbindung zum Relay-Server wird hergestellt…“:
- Eigenes Relay: Prüfe, ob Adresse und Schlüssel mit denen bei der Einrichtung übereinstimmen;
- offizielles Relay: Prüfe, ob du beim Xuntong AI-Konto angemeldet bist.
- Ein Mitglied sieht „Dieses Bild ist Ihnen nicht zugewiesen“: Annotatoren können nur ihre zugewiesenen Bilder öffnen. Lass den Administrator das Bild zuweisen oder gib es jemand anderem.
- Zwei Personen wollen gleichzeitig dasselbe Bild bearbeiten: Das geht nicht, wer später öffnet, sieht es nur. Sobald die erste Person weiterblättert, kannst du es bearbeiten.
- Geht etwas verloren, wenn ein Mitglied offline geht? Bereits Gespeichertes nicht (jede Änderung wird automatisch auf deinem Computer gespeichert). Ist das Netzwerk zurück, verbindet sich die Seite automatisch neu.
- Kann man am Handy annotieren? Öffnen und ansehen geht, zum Boxenzeichnen ist ein Computer aber besser.
- Wie viele Personen gehen maximal? Es gibt keine feste Grenze, ein gutes Dutzend gleichzeitig ist kein Problem. Bei vielen Personen muss dein Computer durchgehend laufen und das Netzwerk stabil sein.
- Was passiert beim Beenden der Zusammenarbeit oder beim Schließen von Wulabel? Die Mitglieder werden sofort getrennt und sehen „Der Host hat die Zusammenarbeit beendet“. Gespeicherte Annotationen bleiben erhalten. Beim nächsten Start laden sie die Seite neu und machen weiter.
- Projekt gewechselt: Die Zusammenarbeit endet automatisch. Sie gilt immer für das aktuell geöffnete Projekt.
9.10 Offline-Pakete
Für den Fall ohne Netzwerk, oder wenn Daten das Unternehmen nicht verlassen dürfen. Jedes Paket ist ein eigenständiges Wulabel-Projekt. Du gibst es weiter, und nach dem Annotieren führst du es wieder zusammen.
In Pakete aufteilen:
- Klicke auf der Seite Daten auf Verwalten → Teamarbeit (in Pakete aufteilen, zurückführen) und wechsle zu In Pakete aufteilen.
- Speichern unter: Wähle einen Ordner, in dem die Annotationspakete angelegt werden.
- Trag unter Annotator die Personen ein, eine pro Zeile (oder durch Kommas getrennt), z. B. „Anna“, „Ben“. Pro Person entsteht ein Paket.
- Wähle den Bereich: Nur nicht annotierte Bilder / Nicht geprüft (nicht annotiert + annotiert, wartet auf Prüfung) / Alle (außer übersprungene).
- Aktiviere Vorhandene Annotationen mitnehmen: Bilder mit Vorannotationen des Modells müssen die Annotatoren dann nur korrigieren, das geht schneller.
- (Optional) Aktiviere Bilder anonymisieren, um Gesichter, Kennzeichen und andere private Bereiche vor der Weitergabe unkenntlich zu machen (siehe 13.2).
- Klicke auf In N Pakete aufteilen. Danach öffnet sich der Zielordner automatisch. Kopiere jeden Paketordner an die richtige Person. Sie öffnet ihn in Wulabel mit Projekt öffnen und kann loslegen.
Zurückführen:
- Kopiere die fertigen Paketordner zurück.
- Öffne Teamarbeit und wechsle zu Zurückführen (oder klicke in der Liste „Ausgegebene Pakete“ direkt beim Paket auf Zusammenführen).
- Wähle den Paketordner. Optionen: Bei Konflikten mit der Paketversion überschreiben (Bilder, die nach der Aufteilung auch im ursprünglichen Projekt geändert wurden; standardmäßig wird nicht überschrieben), Auch Bilder importieren, die der Annotator im Paket hinzugefügt hat.
- Klicke auf Zusammenführen. Das Ergebnis zeigt, wie viele Bilder zusammengeführt wurden, wie viele unverändert sind, wie viele neu sind und wie viele Konflikte es gibt. Bei Konflikten klicke auf Einzeln durchsehen.
10 Training
Klicke links auf Trainieren. Vor dem ersten Training muss die Trainingsumgebung installiert sein (siehe Kapitel 2). Fehlt sie, zeigt die Seite Installieren an.
10.1 Trainingsparameter einstellen
Oben auf der Seite steht die Zahl der „Trainierbare Bilder“ (annotierte Bilder, bei Teamarbeit auch geprüfte). Noch nicht aufgeteilte Bilder werden beim Trainingsstart automatisch im Verhältnis 8:2 auf Trainings- und Validierungsset verteilt. Bereits aufgeteilte Bilder ändern sich nicht von selbst, so lassen sich mehrere Trainingsläufe direkt vergleichen.
Mit Ansehen und anpassen neben „Trainierbare Bilder“ siehst du, wo jedes Bild liegt:
- Trainingsset: Aus diesen Bildern lernt das Modell;
- Validierungsset: wird nicht zum Lernen verwendet. Nach jeder Epoche wird damit einmal evaluiert, und die beste Epoche wird gespeichert;
- Testset: wird beim Training gar nicht verwendet. Nach dem Training wird damit auf der Seite „Evaluieren“ separat bewertet; das kommt der echten Leistung des Modells im Einsatz am nächsten.
Im Dialog wählst du Bilder per Klick aus (ein Doppelklick öffnet sie zum Annotieren) und verschiebst sie mit Ins Trainingsset verschieben / Ins Validierungsset verschieben / Ins Testset verschieben von Hand. Darunter kannst du die Anteile für Training / Validierung / Test ändern und auf Die N nicht zugewiesenen Bilder jetzt zuweisen oder Alles neu aufteilen klicken (die bisherige Aufteilung wird neu gemischt, frühere und neue Trainingsläufe sind dann nicht direkt vergleichbar). Ist das Trainingsset leer, erscheint ein Hinweis, und das Training lässt sich nicht starten.
| Option | Erklärung |
|---|---|
| Ausgangspunkt | Standard ist „Mit vortrainierten Gewichten beginnen (von Grund auf)“. Hast du neue Daten ergänzt, kannst du „Fortgesetzt von „Trainingslauf““ wählen. Das ist schneller und stabiler als von Grund auf; haben sich die Klassen geändert, wird der Klassifizierungsteil neu gelernt. |
| Modell | Je nach Projektaufgabe aufgelistet. „Empfohlen“ ist auf diesen Computer abgestimmt: Für Erkennungsprojekte ohne dedizierte Grafikkarte YOLOX-Tiny, ab 4 GB Grafikspeicher YOLOX-S, ab 8 GB YOLOX-M, auf dem Mac YOLOX-S. Neue Erkennungsprojekte starten mit YOLOX-S. Beim Weitertrainieren wird das Modell jenes Laufs verwendet. |
| Epochen | Je weniger Daten, desto mehr Epochen. Meist 20~50. |
| Eingabegröße | Für kleine Objekte (entfernte Personen, Schutzhelme) eine große Eingabegröße, das macht es langsamer. Klassifizierung meist 224. |
| Batchgröße | Verringern, wenn ein Speicherfehler auftritt. |
| Trainingsdaten | „Aktuelle Daten“ oder eine Datensatzversion. |
| Gerät | „Automatisch (GPU verwenden, falls vorhanden)“ oder „Nur CPU“. |
| Nur geprüfte Bilder verwenden | Nur bei Teamarbeit: Ist das aktiviert, wird nur mit geprüften Bildern trainiert. |
Eingabegröße, Batchgröße, Datenaugmentierung, Gerät und „Nur geprüfte Bilder verwenden“ (nur bei Teamarbeit) stehen in den „Erweiterten Einstellungen“. Sie sind standardmäßig eingeklappt; ein Klick auf „Erweitert“ klappt sie auf. Die Software merkt sich, ob du sie zuletzt auf- oder zugeklappt hattest.
Zu wenig Grafikspeicher beim Training (ab v0.4.2): Die Software halbiert die Batchgröße automatisch und startet das Training neu, notfalls bis hinunter auf 1. Du bekommst einmal einen Hinweis, und im Trainingslauf steht z. B. „Batchgröße 2 (wegen zu wenig GPU-Speicher automatisch von 8 reduziert)“. Je kleiner die Batchgröße, desto langsamer das Training. Reicht der Grafikspeicher trotzdem nicht, nimm ein kleineres Modell oder eine kleinere Eingabegröße.
Verfügbare Modelle:
| Aufgabe | Modell | Eigenschaften |
|---|---|---|
| Erkennung | YOLOX-Nano | Die leichteste Stufe der YOLO-Reihe, für CPU, Smartphones und sehr schwache Edge-Geräte; Standard-Eingabe 416 |
| Erkennung | YOLOX-Tiny | Sehr leicht, für Echtzeit-Inferenz auf CPU und NPU-Edge-Boxen; Standard-Eingabe 416 |
| Erkennung | YOLOX-S | Beste Balance aus Geschwindigkeit und Genauigkeit, für die meisten Projekte der Einstieg |
| Erkennung | YOLOX-M | Genauer, ab 6 GB Grafikspeicher empfohlen |
| Erkennung | YOLOX-L | Am genauesten und am langsamsten, ab 8 GB Grafikspeicher empfohlen |
| Erkennung | Faster R-CNN MobileNetV3 | Schnell, wenig Grafikspeicher, für den Einstieg und Computer ohne dedizierte Grafikkarte |
| Erkennung | Faster R-CNN ResNet50 | Genauer, langsamer, ab 6 GB Grafikspeicher empfohlen |
| Erkennung | RetinaNet | Einstufig, Genauigkeit nahe an Faster R-CNN, lässt sich leichter nach TensorRT konvertieren |
| Erkennung | FCOS | Einstufig, ankerfrei, einfache Struktur, gut für die Bereitstellung |
| Erkennung | SSDLite | Einstufig, sehr leicht, für CPU und NPU-Edge-Geräte; feste Eingabe 320, bei kleinen Objekten mittelmäßig |
| Segmentierung | Mask R-CNN | Instanzsegmentierung, ab 6 GB Grafikspeicher empfohlen |
| Keypoints | Keypoint R-CNN | Für 17 Körperpunkte lässt sich das COCO-Vortraining nutzen |
| Klassifizierung | MobileNetV3 / EfficientNet-B0 / ResNet50 | Von leicht und schnell bis genauer |
10.2 YOLOX-Modelle
YOLOX ist eine von Megvii als Open Source veröffentlichte Erkennungsmodellreihe der YOLO-Familie (Apache-2.0, bedenkenlos kommerziell nutzbar). Die spezialisierten Modelle der Xuntong AI-Plattform gehören zur selben Reihe.
- Vortrainierte Gewichte: Beim ersten Training werden die offiziellen COCO-Gewichte automatisch heruntergeladen (Nano ca. 8 MB, S ca. 70 MB, L ca. 430 MB), zuerst von der offiziellen Website, bei Fehlschlag von GitHub. Danach nicht mehr.
- Datenaugmentierung: nach dem offiziellen YOLOX-Verfahren. Mosaic, MixUp, zufällige Skalierung und Rotation, Farbjitter, horizontales Spiegeln und Multiskalen-Training sind automatisch aktiv; in den letzten ca. 10% der Epochen wird die starke Augmentierung abgeschaltet. Deshalb wird bei YOLOX die Einstellung „Datenaugmentierung“ unten nicht angezeigt.
- Epochen: YOLOX braucht etwas mehr Epochen als Faster R-CNN, empfohlen sind 50 oder mehr; bei wenigen Daten (einige Hundert Bilder) etwa 100.
- Lernrate: wird automatisch an die Batchgröße angepasst, du musst nichts einstellen.
- Eingabegröße: Nano und Tiny standardmäßig 416, S, M und L standardmäßig 640. Du kannst sie ändern, es wird auf ein Vielfaches von 32 gerundet.
- Warum nicht YOLOv5 / v8 / v11? Sie stehen unter AGPL-3.0, was in kommerziellen Produkten Einschränkungen bringt. YOLOX steht wie Wulabel unter Apache-2.0. Anderswo trainierte YOLOv5 / v8 / v11-Modelle kannst du trotzdem über „Externes Modell importieren“ zum Vorannotieren und Evaluieren einbinden.
Trainierte YOLOX-Modelle nutzt du wie alle anderen: Evaluierung, Vorannotation per Modell, Fehlalarmtest, Live-Test, Export für die Bereitstellung und Upload zu Xuntong werden unterstützt.
10.3 Datenaugmentierung
Beim Training werden Bilder zufällig verändert, damit das Modell mehr Varianten sieht. Bei wenigen Daten bringt das spürbar viel.
- Wähle unter „Datenaugmentierung“ eine Voreinstellung: Aus, Standard, Leicht, Mittel, Stark (bei wenigen Daten).
- Zum Feintuning klappst du sie auf und änderst Horizontal spiegeln, Vertikal spiegeln, Helligkeit, Kontrast, Sättigung, Farbton, Unschärfe (simuliert Fehlfokus und Bewegungsunschärfe), Rauschen (simuliert Schwachlicht bei Nacht), Multiskalen (hilft bei Objekten, deren Größe je nach Entfernung stark schwankt), Rotation, Zufälliger Zuschnitt. Nach einer Änderung zeigt die Voreinstellung „Benutzerdefiniert“.
- Klicke auf Vorschau, um einige Bilder nach zufälliger Augmentierung zu sehen (jedes Bild wird zweimal zufällig verändert; rote Boxen zeigen die Annotationen nach der Transformation). So prüfst du, dass es nicht zu extrem ist.
10.4 Training starten und verfolgen
- Wirf vor dem Start einen Blick auf „~N Schritte pro Epoche · insgesamt ~M“ über der Schaltfläche. Bei zu wenigen Bildern (unter 20 im Trainingsset) oder zu wenigen Schritten insgesamt (unter ca. 300) erscheint beim Klick auf Training starten zuerst eine Warnung: So lernt das Modell meist nichts, und die Metriken bleiben womöglich bei 0. Annotiere am besten mehr Bilder oder erhöhe wie vorgeschlagen die Epochen; bei sehr wenigen Daten kannst du auch zuerst Faster R-CNN MobileNetV3 nehmen. Willst du wirklich nur etwas ausprobieren, klicke auf Trotzdem starten. Auch wenn das Validierungsset nur ein oder zwei Bilder hat, kommt eine Warnung: Die Metriken schwanken dann stark und sind nicht verlässlich.
- Klicke auf Training starten. Beim ersten Mal werden die vortrainierten Gewichte heruntergeladen, angezeigt wird „Wird vorbereitet…“.
-
Während des Trainings siehst du „Epoche N / M · Fortschritt der Epoche · Loss · geschätzte Restzeit“, darunter die Loss-Kurve, die Kurven der Metriken auf dem Validierungsset und das Protokoll.
- Die „Schlüsselinfos“ über dem Protokoll zeigen fest die ersten Zeilen des Protokolls: das verwendete Gerät, die Zahl der Bilder im Trainings- und Validierungsset und ob die vortrainierten Gewichte geladen wurden. Fehler und Warnungen sind gelb markiert.
- Scrollst du im Protokoll nach oben, wirst du nicht wieder nach unten gezogen; bist du ganz unten, scrollt es mit.
- Konnten die vortrainierten Gewichte nicht heruntergeladen werden (meist ein Netzwerkproblem) oder bleiben die Metriken 10 Epochen in Folge bei 0, erscheint oben auf der Seite ein gelber Hinweisbalken mit möglichen Ursachen und Tipps, was zu tun ist.
- Zum vorzeitigen Beenden klickst du auf Stoppen; nach der Bestätigung wird der aktuelle Batch noch fertig gerechnet. Das bisher beste Modell bleibt erhalten, und du kannst es später zum „Weitertrainieren“ auswählen.
-
Am Ende des Trainings kommt eine Systembenachrichtigung, und das Taskleistensymbol blinkt kurz (so merkst du es auch, wenn die Software im Hintergrund läuft). In der Software erscheint unten rechts „Training abgeschlossen“, mit der besten Metrik und einer Bewertung (schwach / mittel / brauchbar):
- Ist das Ergebnis in Ordnung, kannst du direkt auf Evaluieren oder Vorannotieren klicken;
- ist es sehr schwach, wirst du aufgefordert, zuerst mit Ursache ansehen auf der Trainingsseite nachzusehen;
- schlägt das Training fehl, erscheint auch außerhalb der Trainingsseite ein Hinweis; mit Fehler ansehen siehst du dir den Fehler an.
- Bei Trainingsfehlern werden häufige Fehler in verständliche Sprache übersetzt, mit einer Schaltfläche zur Behebung: GPU-Treiber und PyTorch passen nicht zusammen (PyTorch-Version in den Einstellungen ändern), zu wenig Grafik- oder Arbeitsspeicher (Auf CPU umstellen), Festplatte voll, Download fehlgeschlagen, Bilddatei nicht gefunden (Zur Datenseite). Die vollständige Fehlermeldung klappst du mit Details auf.
10.5 Trainingsläufe und Vergleich
Jedes Training wird automatisch als Trainingslauf gespeichert, mit Zeit, Modell, Daten, Epochen, Metriken und Status (Training läuft / Fertig / Gestoppt / Fehlgeschlagen). Für jeden Lauf kannst du:
- Evaluierung ansehen (öffnet die Evaluierung genau dieses Trainingslaufs), ONNX exportieren, Trainingsordner öffnen, löschen. Läufe, die noch trainieren, kannst du erst nach dem Ende evaluieren und bereitstellen.
Trainingsläufe vergleichen:
- Wähle in den Trainingsläufen zwei oder mehr Läufe aus.
- Klicke auf Auswahl vergleichen (N).
- Im Vergleichsfenster stehen Parameter und Daten nebeneinander (Unterschiede fett), dazu alle Metriken und die übereinandergelegten Loss-Kurven; pro Klasse ist der beste Lauf markiert.
10.6 Externes Modell importieren
Anderswo trainierte Erkennungsmodelle (z. B. Ultralytics YOLO) kannst du als ONNX exportieren und importieren. Damit kannst du vorannotieren, Datenchecks machen, evaluieren und Fehlalarmtests durchführen (aber nicht weitertrainieren oder bereitstellen). Derzeit nur für Erkennungsprojekte.
- Klicke über den Trainingsläufen auf Externes Modell importieren.
- Klicke auf .onnx-Datei auswählen.
-
Die Software erkennt automatisch:
- das Format: YOLOv8 / v11 (Ultralytics), YOLOv5 / v7, End-to-End-Modelle wie YOLOv10, YOLOX, RT-DETR, DETR / RF-DETR, von Wulabel exportierte Modelle. Stimmt die Erkennung nicht, kannst du es von Hand ändern;
- die Eingabegröße;
- die Klassennamen (einer pro Zeile, in derselben Reihenfolge wie im Modell). Benenne die englischen Klassennamen wie die Klassen im Projekt, dann passt die Zuordnung, z. B. person in „Person“.
- Zu verwendende Klassen: Nicht ausgewählte Klassen werden beim Vorannotieren nicht übernommen; Klassen mit demselben Namen wie im Projekt sind vorausgewählt.
- Klicke auf Importieren. In den Trainingsläufen erscheint ein neuer Eintrag „… (extern)“.
11 Evaluierung
Klicke links auf Evaluieren und wähle einen Trainingslauf (kommst du über „Evaluierung ansehen“ von der Trainingsseite, ist genau dieser Lauf schon ausgewählt). Läufe, die noch trainieren, stehen als „Training läuft“ da und lassen sich erst nach dem Ende auswählen.
11.1 Metriken
- Oben steht, aus welcher Epoche das beste Modell für diese Evaluierung stammt. Du kannst zwischen Validierungsset und Testset wechseln.
- Ganz oben steht das Fazit: anhand der Hauptmetrik „schwach / mittel / brauchbar“ (bei Erkennung zählt mAP50: unter 0.3 schwach, 0.3~0.6 mittel, über 0.6 brauchbar; bei Klassifizierung die Genauigkeit: unter 0.6 schwach, 0.6~0.85 mittel, über 0.85 brauchbar), dazu die schwächste Klasse. Daneben stehen Schaltflächen für den nächsten Schritt: übersehene Objekte ansehen, Fehlerbeispiele annotieren, Daten ergänzen und neu trainieren / größeres Modell; ist das Ergebnis brauchbar, gibt es Zum Bereitstellen. Hat die Evaluierung weniger als 10 Bilder, erscheint der Hinweis, dass die Metriken stark schwanken.
- Erkennungs-, Segmentierungs- und Keypoint-Projekte: mAP50 (die gängigste Erkennungsmetrik), mAP50-95 (verlangt genauere Boxen), Präzision (Anteil der richtigen unter den gemeldeten Boxen; niedrig = viele Fehlalarme), Recall (Anteil der echten Objekte, die gefunden wurden; niedrig = viel übersehen). Segmentierung und Keypoints werden anhand der Objektboxen berechnet.
- Klassifizierungsprojekte: Genauigkeit, Makro-F1, mittlere Präzision, mittlerer Recall.
- Fährst du mit der Maus über eine Metrik, siehst du eine Erklärung.
- Tabelle Pro Klasse: Bildanzahl, Anzahl echter Boxen und alle Metriken für jede Klasse.
11.2 Konfusionsmatrix
Zeilen sind die echten Klassen, Spalten die Vorhersagen des Modells. Auf der Diagonalen stehen die richtigen Treffer, die anderen Zellen zeigen Verwechslungen. Die letzte Spalte „Hintergrund“ sind übersehene Objekte, die letzte Zeile „Hintergrund“ sind Fehlalarme. Fährst du mit der Maus darüber, siehst du die genauen Zahlen.
11.3 Fehlerbeispiele
- Zeigt die problematischen Bilder. Du kannst nach Übersehen, Fehlalarme und Falsche Klasse filtern.
- Klicke auf ein Fehlerbeispiel, um direkt zur Seite „Annotieren“ zu springen und es zu prüfen und zu korrigieren. Danach trainierst du neu, und der Kreis schließt sich.
11.4 Konfidenzschwellenwert
Welchen Schwellenwert du im Einsatz für Alarme nimmst, siehst du hier:
- Die Software empfiehlt den Schwellenwert mit dem höchsten F1 und zeigt Präzision und Recall dafür an.
- Die Kurven zeigen, wie sich Präzision, Recall und F1 mit dem Schwellenwert ändern. Zieh den Schieberegler, um die Wirkung verschiedener Schwellenwerte zu sehen: wie viele richtig, wie viele Fehlalarme, wie viele übersehen.
- So wählst du: Viele Fehlalarme → Schwellenwert erhöhen; viel übersehen → senken.
- Darunter steht der empfohlene Schwellenwert pro Klasse.
- Der empfohlene Schwellenwert wird automatisch in den Live-Test und das Inferenz-Servicepaket auf der Seite „Bereitstellen“ übernommen, als Standard-Konfidenzschwellenwert.
11.5 Mit aktuellen Daten evaluieren
Hast du Daten ergänzt oder Annotationen geändert, musst du nicht neu trainieren: Klicke auf Mit aktuellen Daten evaluieren, und die Metriken werden mit den aktuell annotierten Daten (Validierungs- / Testset) neu berechnet. Importierte externe Modelle werden ebenfalls so evaluiert.
11.6 Fehlalarmtest
Teste mit einem Video, das keinen Alarm auslösen sollte (ohne Objekte oder nur mit leicht verwechselbaren Dingen, z. B. ein leerer Gang oder ein Werksgelände bei Nacht), wie oft das Modell fälschlich alarmiert:
-
Klicke unter „Fehlalarmtest“ auf Videodatei wählen oder gib eine
rtsp://- /http(s)://-Adresse ein. - Einstellungen: Erkennung mit N Frames pro Sekunde, Alarm nach N Treffern in Folge, Testen für N Minuten (bei Videostreams).
- Klicke auf Test starten. Mit Vorzeitig beenden brichst du jederzeit ab.
- Ergebnis: Testdauer, Zahl der Alarme, pro Stunde umgerechnet, nach Klasse aufgeschlüsselt; darunter die Fehlalarm-Frames (rote Boxen sind die Meldungen des Modells; nur die letzten 60 werden behalten).
- Klicke auf Diese Frames als Negativbeispiele zum Datensatz hinzufügen: Sie werden als „Keine Objekte“ hinzugefügt, und beim nächsten Training lernt das Modell, bei solchen Bildern keinen Alarm auszulösen. Ist darunter doch ein echtes Objekt, ergänze nach dem Hinzufügen die Annotation auf der Seite „Annotieren“.
11.7 Abnahmebericht exportieren
- Klicke auf Bericht exportieren und wähle den Speicherort (Standard-Dateiname „Projektname_Trainingslauf_Modellbericht.html“).
- Der Bericht ist eine HTML-Datei mit Datenübersicht, Trainingsparametern, Metriken, Kurven, Konfusionsmatrix, Fehlerbeispielen, empfohlenem Schwellenwert und Fehlalarmtest. Du öffnest ihn direkt im Browser und kannst ihn dem Kunden zur Abnahme schicken.
12 Vorannotation mit Modell und Bildauswahl
12.1 Mit dem eigenen Modell vorannotieren
- Wähle auf der Seite Annotieren rechts unter „KI-Unterstützung“ Meine Modelle und im Dropdown ein trainiertes Modell (mit Name und mAP50 / Genauigkeit).
- Stell die Konfidenz ein.
- Einzelbild: Drücke P oder klicke auf Dieses Bild vorhersagen (P).
- Batch: Klicke auf Batch-Vorannotation, um viele nicht annotierte Bilder auf einmal zu annotieren. Der Dialog schließt sich sofort, der Fortschrittsbalken steht rechts, und du kannst nebenher weiter annotieren. Willst du unterwegs abbrechen, klicke neben dem Fortschrittsbalken auf Stoppen; bereits annotierte Bilder bleiben erhalten.
- Vorannotierte Boxen sind gestrichelt. Prüfe und korrigiere sie, dann drücke Enter (Fertig und weiter); das Bild zählt dann als annotiert. In Klassifizierungsprojekten erscheinen „Vorschläge des Modells“; die ersten 3 Klassen übernimmst du mit einem Klick.
Je mehr du annotierst → desto genauer das Modell → desto weniger Arbeit macht die Vorannotation.

12.2 Die lohnendsten Bilder zum Annotieren auswählen
Mit einem ersten Modell lohnt es sich, nicht wahllos zu annotieren, sondern zuerst die Bilder, bei denen das Modell am unsichersten ist:
- Klicke auf der Seite Daten auf Verwalten → Die lohnendsten Bilder zum Annotieren auswählen (mit Modell).
- Wähle ein Modell, gib unter Auswählen N Bilder ein und klicke auf Auswahl starten.
- Die Ergebnisse sind nach Unsicherheit absteigend sortiert.
- Klicke auf In dieser Reihenfolge annotieren. Die Seite „Annotieren“ zeigt nur diese Bilder (oben gibt es einen zusätzlichen Filter „Modellauswahl“). Bist du fertig, klicke auf das × daneben, um wieder alle Bilder zu sehen.
13 Datensatz exportieren (mit Anonymisierung)
13.1 Exportieren
- Klicke auf der Seite Daten auf Datensatz exportieren.
-
Format (je nach Projektaufgabe):
- Erkennung: YOLO, COCO, VOC;
- Segmentierung: YOLO-seg, COCO, VOC (nur umschließende Boxen);
- Keypoints: YOLO-pose, COCO-Keypoints, VOC (nur Objektboxen);
- Klassifizierung: Klassenordner (train/Klasse/Bild.jpg).
- Bereich: Nicht annotierte und übersprungene Bilder werden nicht exportiert; als „Keine Objekte“ markierte Bilder werden als Negativbeispiele exportiert. Bei Teamarbeit kannst du zusätzlich Nur geprüfte Bilder exportieren aktivieren.
- Anteile Training / Validierung / Test (%): Noch nicht aufgeteilte Bilder werden nach diesen Anteilen verteilt. Willst du alles neu verteilen, klicke auf Alles neu aufteilen (frühere Trainingsergebnisse sind dann nicht mehr direkt mit der neuen Aufteilung vergleichbar).
- Exportieren nach: Klicke auf Durchsuchen und wähle den Ort. Der Ordnername wird automatisch erzeugt, du kannst ihn ändern (eine Änderung bleibt auch beim Formatwechsel erhalten).
- Klicke auf Exportieren. Danach siehst du, wie viele Bilder und Annotationen exportiert wurden und wie viele Bilder auf jede Aufteilung entfallen. Mit Ordner öffnen siehst du sie dir direkt an.
Eine Datensatzversion exportieren: Klicke in der Liste der Datensatzversionen auf Diese Version exportieren. Die Aufteilung ist dann die der Version.
13.2 Anonymisieren
Beim Exportieren eines Datensatzes, einer Version oder beim Aufteilen in Pakete kannst du Bilder anonymisieren aktivieren:
- Nach Klasse: Wähle im Dropdown die zu anonymisierenden Klassen, z. B. deine annotierten Klassen „Gesicht“ oder „Kennzeichen“. Klassen, deren Name „face“ oder „plate“ enthält (bzw. auf Chinesisch 脸 oder 车牌), sind vorausgewählt.
- Automatische Suche: Aktiviere Gesichter automatisch finden und Kennzeichen automatisch finden. Die Software findet sie mit einem Open-Vocabulary-Erkennungsmodell (beim ersten Mal wird das Modell heruntergeladen; mit GPU geht es deutlich schneller).
- Art: Verpixeln, Unschärfe, Schwärzen.
- Beim Export gibt es dann eine zusätzliche Fortschrittsphase „Anonymisieren“.
Anonymisiert werden nur die exportierten Kopien, die Originale im Projekt bleiben unverändert. Die automatische Suche kann sehr kleine, seitliche oder weit entfernte Objekte übersehen. Prüf wichtige Daten stichprobenartig.
14 Bereitstellung
Klicke links auf Bereitstellen und wähle ein trainiertes Modell. Die Seite hat vier Tabs: Live-Test, Modell exportieren, Inferenz-Servicepaket, Felddaten-Rückfluss.
14.1 Live-Test
Schließ eine Kamera oder ein Video an und sieh dir das Modell im Einsatz an:
- Wähle Videostreams oder Lokales Video.
-
Gib die Stream-Adresse ein: eine RTSP-Kamera (z. B.
rtsp://admin:Passwort@192.168.1.64:554/Streaming/Channels/101) oder eine HTTP-FLV-, HLS- (m3u8) oder MP4-Adresse über http. Du kannst auch auf Videodatei wählen klicken. - Klicke auf Start. Die Ergebnisse erscheinen live im Bild: Boxen bei Erkennungsmodellen, Umrisse bei Segmentierungsmodellen, Punkte und Skelett bei Keypoint-Modellen und die wahrscheinlichsten Klassen oben links bei Klassifizierungsmodellen. Oben stehen die Auflösung und ob GPU oder CPU rechnet.
- Zieh den Schieberegler Konfidenz, um den Schwellenwert anzupassen. Standard ist der empfohlene Schwellenwert von der Seite „Evaluieren“; hast du ihn geändert, kommst du mit „Empfohlenen Wert 0.xx verwenden“ wieder dorthin zurück.
- Siehst du übersehene Objekte oder Fehlalarme, klicke auf Screenshot zum Datensatz hinzufügen. Das Bild wird als „Nicht annotiert“ hinzugefügt; annotiere es und trainiere neu.
- Mit Stoppen beendest du.
14.2 Modell exportieren
-
Wähle die Formate:
- ONNX (dynamische Größe): universelles Format, läuft mit onnxruntime unter Windows / Linux / ARM;
- ONNX (feste Größe): Eingabe fest auf [1,3,N,N], für Inferenz-Frameworks, die eine feste Form brauchen;
- OpenVINO: Beschleunigung für Intel-CPUs, integrierte Grafik und Industrie-PCs; Konvertierung und Prüfung direkt in der Software (OpenVINO wird beim ersten Mal automatisch installiert);
- TensorRT-Konvertierungspaket: NVIDIA-Grafikkarten, Jetson; die Engine wird mit einem Skript auf dem Zielgerät erzeugt;
- RKNN-Konvertierungspaket: Rockchip RK3588 / 3568 usw.; die Konvertierung läuft per Skript unter Ubuntu.
- Brauchst du eine feste Größe, stell sie ein.
- Wähle unter Exportieren nach den Ort und den Ordnernamen und klicke auf Exportieren. Für jedes Format siehst du Erfolg oder Fehler; mit Öffnen siehst du dir das Ergebnis an.
Das integrierte Faster R-CNN ist ein zweistufiges Modell, das von NPUs (RKNN) und älteren TensorRT-Versionen nur eingeschränkt unterstützt wird; die Konvertierung kann fehlschlagen oder langsam laufen. Für solche Geräte trainierst du besser YOLOX oder ein anderes einstufiges Modell (RetinaNet, FCOS, SSDLite). ONNX und OpenVINO sind problemlos nutzbar.
Export von YOLOX-Modellen: Bei ONNX (dynamische Größe) und OpenVINO ist es wie bei den anderen Modellen. Skalierung, Dekodierung und das Entfernen doppelter Boxen (NMS) sind schon im Modell enthalten, es liefert direkt Ergebnisse. ONNX (feste Größe), TensorRT- und RKNN-Konvertierungspakete verwenden das offizielle YOLOX-Format (Eingabe BGR 0~255, Auffüllen mit 114 oben links, Ausgabe ohne NMS). Die Operatoren sind normale Faltungen, NPU und TensorRT führen alles vollständig aus. Die Nachverarbeitung steht im README des Konvertierungspakets.
Segmentierungs- und Keypoint-Modelle (Mask R-CNN, Keypoint R-CNN) lassen sich ebenfalls nach ONNX, OpenVINO und in weitere Formate exportieren: Segmentierungsmodelle haben eine zusätzliche Ausgabe masks (Maskenwahrscheinlichkeit je Objekt, über 0.5 gehört zum Objekt), Keypoint-Modelle zusätzlich keypoints (x, y und Sichtbarkeit je Punkt) und keypoints_scores. Live-Test und Inferenz-Servicepakete unterstützen Erkennungs-, Segmentierungs-, Keypoint- und Klassifizierungsmodelle.
14.3 Inferenz-Servicepaket
Erzeugt einen Inferenzdienst, der auf einem Rechner vor Ort sofort läuft. Erkennungs-, Segmentierungs-, Keypoint- und Klassifizierungsmodelle werden unterstützt:
-
Videostreams: Gib Name und Adresse ein (
rtsp://…, einehttp(s)://…-Adresse für FLV / m3u8 / MP4 oder Pfad einer Videodatei). Mit Stream hinzufügen fügst du weitere hinzu. - Erkennungsintervall (s): Wie oft pro Videostream ein Frame erkannt wird.
-
Alarmregeln:
- Alarmklassen (keine Auswahl = Alarm für alle Klassen);
- Konfidenzschwellenwert (Standard ist der empfohlene Schwellenwert von der Seite „Evaluieren“);
- Intervall für Duplikatfilter (s): Für denselben Stream und dieselbe Klasse gibt es in diesem Zeitraum nur einen Alarm;
-
Aktive Zeiten: ganztägig oder z. B.
07:00-19:00; - Alarm-Screenshots speichern (mit Boxen).
-
Alarmweiterleitung:
- Webhook: Bei einem Alarm wird JSON per POST an diese Adresse gesendet, optional mit Screenshot beifügen (base64);
- MQTT: Serveradresse, Topic, Benutzername, Passwort (leer = keine Weiterleitung).
- Dienst: Port der HTTP-Schnittstelle; GPU-Inferenz (auf dem Rechner vor Ort muss onnxruntime-gpu installiert sein, sonst wird automatisch die CPU genutzt).
-
Felddaten-Rückfluss: Bilder, bei denen das Modell unsicher ist (Konfidenz im eingestellten Bereich), werden im Ordner
reflux/des Servicepakets gespeichert. - Wähle unter Ausgabe nach den Ort und klicke auf Inferenz-Servicepaket erstellen.
-
Kopiere den ganzen Ordner auf den Rechner vor Ort: Unter Windows doppelklickst du
run.bat, unter Linux führst dush run.shaus. Die Konfiguration steht inconfig.json, die Erklärung inREADME.md. Der Rechner vor Ort braucht weder PyTorch noch Grafikkarte, nur onnxruntime, OpenCV und numpy.
14.4 Felddaten-Rückfluss
-
Läuft das Servicepaket vor Ort, speichert es Bilder, bei denen das Modell unsicher ist, im Ordner
reflux/. -
Kopiere
reflux/regelmäßig zurück, klicke im Tab Felddaten-Rückfluss auf Felddaten-Bilder importieren und wähle diesen Ordner. - Klicke auf Zum Annotieren, filtere nach „Nicht annotiert“, lass das Modell vorannotieren und korrigiere.
-
Trainiere neu, erstelle ein neues Servicepaket und ersetze vor Ort die
model.onnx. So wird das Modell mit der Zeit immer genauer.
14.5 Auf die Xuntong AI-Plattform hochladen
Willst du den Dienst nicht selbst betreiben, lade das Modell auf die Xuntong AI-Plattform hoch. Dort bindest du Kameras an und richtest Alarme ein (derzeit für Objekterkennungsmodelle):
- Richte zuerst unter Einstellungen Xuntong AI ein (siehe 2.3).
- Geh zu Bereitstellen → Modell exportieren, ganz unten zu „Auf die Xuntong AI-Plattform hochladen“, pass den Modellnamen an und klicke auf Hochladen. Gibt es noch keinen ONNX-Export, wird er vorher automatisch erstellt.
- Nach dem Hochladen prüft die Plattform das Modell (einige Sekunden bis eine Minute). Angezeigt wird „Die Plattform prüft das Modell“, nach erfolgreicher Prüfung „Prüfung bestanden“ (bei Fehlern mit Grund). Der auf der Seite „Evaluieren“ berechnete empfohlene Schwellenwert wird mit hochgeladen und dient auf der Plattform als Standard-Schwellenwert.
- Klicke auf Konsole öffnen und dort unter „Eigene Modelle“ auf Aktivieren. Dann kannst du Kameras anbinden und Alarme einrichten.
- Darunter listet „Eigene Modelle auf der Plattform“ die hochgeladenen Modelle mit Prüfstatus und ob sie aktiviert sind. Konten ohne Hosting-Tarif können nur 1 Modell ablegen. Für eine neue Version löschst du zuerst die alte.
- Alarmbilder von der Plattform kannst du wieder abrufen und annotieren (siehe 4.7).
15 Feedback senden
- Klicke oben rechts auf Feedback.
- Beschreib das Problem oder deinen Vorschlag.
- (Optional) E-Mail: Ist das Problem gelöst, schickt dir der Autor das Ergebnis per E-Mail. Die Software merkt sich die Adresse, du musst sie nur einmal eintragen.
- Standardmäßig ist Screenshot der aktuellen Ansicht anhängen aktiviert, mit Vorschau. Willst du das nicht, deaktiviere es.
- Standardmäßig ist Protokolle anhängen aktiviert (ab v0.4.2): Trainingsumgebung, Protokolle und Fehlermeldungen der letzten zwei Trainingsläufe des aktuellen Projekts. Über „Inhalt ansehen“ siehst du genau, was gesendet wird; Benutzernamen in Pfaden werden durch ~ ersetzt. Willst du das nicht, deaktiviere es.
- Klicke auf Senden. Beschreibung, Screenshot, Protokolle, Softwareversion und Betriebssystem gehen an den Entwickler. Deine Projektbilder und Annotationen werden nicht hochgeladen.
Du kannst auch im Open-Source-Repository auf GitHub ein Issue anlegen.
16 Xuntong AI im Überblick
Xuntong AI (xuntongai.com) ist eine KI-Erkennungsplattform: mit fertigen spezialisierten Erkennungsmodellen (Mülltrennung, Schutzhelme, Rauch und Feuer usw.) und Erkennung per großem Sprachmodell (LLM). Außerdem hostet sie deine eigenen Modelle, bindet Kameras an und leitet Alarme weiter. Mit Wulabel verbunden, werden Annotieren, Trainieren, Einsatz und Felddaten-Rückfluss zu einem geschlossenen Kreislauf. Die vorherigen Kapitel erklären die Funktionen verstreut, dieses Kapitel fasst sie zusammen.
Wo Wulabel Xuntong AI nutzt:
| Wo | Was | Siehe |
|---|---|---|
| Einstellungen → Xuntong AI | Konto anmelden, Kontingent ansehen | 16.1, 16.2 |
| Annotieren → KI-Unterstützung → Xuntong AI | Automatisch annotieren mit spezialisiertem Modell / LLM / nach Projektklassen | 16.3–16.5 |
| Annotieren → KI-Unterstützung → Erkennungsregeln | Erkennungshinweise schreiben, mit der KI über die Erkennung chatten, mit der Plattform synchronisieren | 16.5 |
| Bereitstellen → Modell exportieren → Auf die Xuntong AI-Plattform hochladen | Trainiertes Modell auf der Plattform nutzen | 16.6 |
| Daten → Weitere Importoptionen → Alarmbilder von Xuntong AI abrufen | Fehlalarme und übersehene Objekte vor Ort zurückholen und annotieren | 16.7 |
| Zusammenarbeit → Online · Offizielles Xuntong-Relay | Mitglieder über das Internet verbinden und gemeinsam annotieren | 16.8 |
16.1 Konto anmelden
- Öffne Einstellungen und klicke im Bereich „Xuntong AI“ auf Beim Xuntong AI-Konto anmelden.
-
Der Browser öffnet die Webseite von Xuntong AI:
- Melde dich an, falls nötig (wie sonst auch bei Xuntong, per Bestätigungscode oder SMS);
- prüfe, ob der Bestätigungscode auf der Webseite mit dem im Wulabel-Dialog übereinstimmt, und klicke auf Zulassen.
- Zurück in Wulabel siehst du nach wenigen Sekunden Angemeldet als mit Kontoname und Tarif, das restliche Kontingent und die verfügbaren Erkennungsarten.
Hinweise:
- Du musst in der Konsole keinen API-Key erstellen oder kopieren: Bei der Anmeldung stellt die Plattform diesem Computer einen eigenen Key aus, mit dem Namen „Wulabel · Computername“. Du siehst ihn in der Xuntong-Konsole auf der Seite „API Key“ und kannst ihn dort auch deaktivieren.
- Meldest du dich am selben Computer neu an, wird der alte Key automatisch ersetzt. Ein persönliches Konto hat höchstens 2 Keys. Ist das Limit erreicht, lässt sich „Zulassen“ auf der Webseite nicht anklicken. Deaktiviere dann in der Konsole einen ungenutzten Key und versuch es erneut.
- Öffnet sich der Browser nicht von selbst: Klicke im Dialog auf Erneut öffnen oder kopiere die Adresse und öffne sie selbst. Der Anmeldecode gilt 10 Minuten.
- Abmelden: Der Key auf diesem Computer wird gelöscht, der bei der Anmeldung ausgestellte Key auf der Plattform deaktiviert.
- Hast du schon einen API-Key oder nutzt du eine eigene Installation von Xuntong: Klicke auf Erweitert: API-Key manuell eingeben, Plattformadresse einer eigenen Installation.
16.2 Kontingent und Kosten
- Die Einstellungen zeigen, wie viel von jedem Kontingent übrig ist und wann es abläuft: LLM-Erkennung, Erkennung mit spezialisierten Modellen, Erkennung mit eigenen Modellen, Zusatzpakete usw., je nach deinem Tarif.
- Abrechnung: Ein erkanntes Bild zählt als 1 Bild. Vor einer Batch-Vorannotation siehst du die Gesamtzahl der Bilder; jede Runde im Chat über Erkennungsregeln zählt als 1 Bild LLM-Kontingent.
- Verbraucht wird nur das Kontingent deines eigenen Kontos. Chatten Mitglieder bei der Zusammenarbeit mit der KI, wird das Kontingent des Hosts verbraucht (der Host kann auf der Seite „Zusammenarbeit“ die Option „Mitglieder können die KI-Unterstützung nutzen“ ausschalten).
- Ist das Kontingent aufgebraucht, erscheint ein Hinweis, dass das Kontingent erschöpft ist. Die Batch-Vorannotation stoppt, bereits annotierte Bilder bleiben erhalten.
16.3 Welche der vier Erkennungsarten?
Wähle auf der Seite „Annotieren“ rechts unter „KI-Unterstützung“ Xuntong AI. Im Dropdown „Erkennungsmodell auswählen“ findest du:
| Erkennungsart | Geeignet für | Geschwindigkeit | Kontingent |
|---|---|---|---|
| Spezialisiertes Modell (z. B. Mülltrennung, Schutzhelm) | Die Projektklassen passen zu einem fertigen Modell der Plattform | Am schnellsten, im Batch je 8 Bilder, zwei Batches gleichzeitig | Erkennung mit spezialisierten Modellen |
| Dein hochgeladenes und aktiviertes eigenes Modell | Modelle, die du selbst trainiert und auf die Plattform hochgeladen hast | Wie oben | Erkennung mit eigenen Modellen |
| Nach Projektklassen erkennen (empfohlen) | Die Plattform hat kein passendes Modell; du willst nur diese Projektklassen finden | Bild für Bild, etwas langsamer | LLM-Erkennung |
| Allgemeine LLM-Erkennung | Suche nach Kategorien von Sicherheitsrisiken (Brandschutz, Elektrik, Sauberkeit usw.) | Bild für Bild | LLM-Erkennung |
Die Wahl ist einfach: Gibt es ein passendes spezialisiertes Modell, nimm es (schnell und genau). Sonst nimm Nach Projektklassen erkennen und schreib für jede Klasse klare Erkennungshinweise (16.5).
16.4 Batch-Annotation mit spezialisierten Modellen
Beispiel Mülltrennung:
- Leg ein Erkennungsprojekt an und importiere die Bilder. Klassen musst du noch nicht anlegen: Erkennt das Modell einen Klassennamen (z. B. „Wertstoffe“), den es im Projekt noch nicht gibt, wird er automatisch angelegt.
- Öffne die Seite „Annotieren“, wähle rechts unter „KI-Unterstützung“ Xuntong AI und als Modell Mülltrennung.
- Stell die Konfidenz ein: Starte mit dem Standardwert. Zu viele Boxen → erhöhen, zu viel übersehen → senken.
-
Drück zuerst
Pfür das aktuelle Bild und sieh dir das Ergebnis an. Passt es, klicke auf Batch-Vorannotation. Alle Bilder mit Status „Nicht annotiert“, die noch keine Annotationen haben, werden Batch für Batch erkannt; der Fortschrittsbalken zeigt den Stand. -
Erkannte Boxen sind gestrichelt (Quelle „Xuntong“). Prüfe Bild für Bild: Falsche löschen, schiefe zurechtziehen, fehlende ergänzen, dann
Enterdrücken (Fertig und weiter). - Noch schneller: Hast du einige Hundert Bilder annotiert, trainiere damit ein eigenes Modell (Kapitel 10) und annotiere künftig lokal vor, ohne Kontingent.
Meldet die Plattform im Batch „zu viele Anfragen“, wird automatisch langsamer wiederholt, ohne doppelte Abbuchung. Bei Fehlern wie erschöpftem Kontingent oder nicht freigeschaltetem Modell stoppt der Batch und zeigt dir, wie viele Bilder schon annotiert sind.
16.5 Erkennung nach Projektklassen und Erkennungsregeln
Hat die Plattform kein passendes Modell, nimm „Nach Projektklassen erkennen“: Die Plattform sucht nur nach den Klassen deines Projekts, übernimmt die Klassennamen unverändert und meldet nichts, was nicht auf der Liste steht. Wie gut das klappt, hängt davon ab, wie klar du die Regeln formulierst.
Erkennungshinweise schreiben:
-
Trag über die Bearbeiten-Schaltfläche neben einer Klasse die Erkennungshinweise ein: was die Klasse genau bedeutet und was zählt / nicht zählt. Zum Beispiel:
- Kein Schutzhelm: Person ohne Schutzhelm auf dem Kopf; Helm ohne geschlossenen Kinnriemen zählt auch; nur Kopf und Oberkörper einrahmen.
- E-Roller: zweirädrige Elektroroller und E-Bikes; Fahrräder und Motorräder zählen nicht.
- Oder klicke neben der Überschrift „KI-Unterstützung“ auf Erkennungsregeln und bearbeite unter Aktuelle Regeln zentral die allgemeinen Regeln (gelten für alle Klassen, z. B. „nur den Gang in der unteren Bildhälfte beachten, Plakate und Bildschirminhalte ignorieren“) und die Hinweise jeder Klasse. Klicke dann auf Regeln speichern.
Mit KI chatten: Weißt du nicht, wie du die Regeln schreiben sollst, erkläre es unter Erkennungsregeln → Mit KI chatten in einfachen Worten:
- „Helm ohne geschlossenen Kinnriemen zählt auch als kein Schutzhelm“
- „Warnwesten zählen nicht als Schutzhelm“
- „Warum wurde die Person links im Bild nicht erkannt?“
Standardmäßig wird das aktuelle Bild angehängt, und nach der Antwort testet die KI die neuen Regeln an diesem Bild. Schlägt die KI Regeländerungen vor, listet sie den genauen Inhalt auf; gespeichert wird erst, wenn du auf Diese Regeln übernehmen klickst. Liefert die Testerkennung Ergebnisse, klicke auf Die N Boxen aus der Testerkennung zu diesem Bild hinzufügen, um sie direkt zu nutzen.
Mit der Xuntong-Plattform synchronisieren (optional): Klicke ganz unten unter „Aktuelle Regeln“ auf Mit der Xuntong-Plattform synchronisieren. Die Regeln werden auf der Plattform gespeichert. Standardmäßig sind sie nicht aktiv, die aktuelle Erkennung der Plattform bleibt unverändert.
Soll auch die eigene Erkennung der Xuntong-Plattform (Schnappschüsse, Alarmweiterleitung) nur die Klassen deines Projekts melden, aktiviere Diese Regeln auch für die Plattformerkennung verwenden. Achtung: Danach erkennt dein ganzes Xuntong-Konto nach diesen Regeln. Die Szenen kannst du in der Xuntong-Konsole auf der Seite „Erkennungsregeln“ anpassen.
Nach dem Verknüpfen wird jedes Speichern oder Übernehmen von Regeln automatisch synchronisiert. Aktivierung und Szenen, die du in der Konsole festgelegt hast, bleiben aber unverändert. Willst du nicht mehr synchronisieren, klicke auf Verknüpfung aufheben. Die Regeln auf der Plattform werden nicht gelöscht.
Grenzen: höchstens 30 Klassen, Klassennamen höchstens 30 Zeichen; allgemeine Regeln höchstens 1000 Zeichen, Erkennungshinweise pro Klasse höchstens 500 Zeichen; pro Xuntong-Konto höchstens 20 Regelsätze.
16.6 Trainiertes Modell zu Xuntong hochladen
- Trainiere in Wulabel ein Modell für Objekterkennung (Xuntong nimmt derzeit nur Erkennungsmodelle an).
- Geh zu Bereitstellen → Modell exportieren, ganz unten zu „Auf die Xuntong AI-Plattform hochladen“, gib einen Modellnamen ein und klicke auf Hochladen. Gibt es noch keinen ONNX-Export, wird er vorher automatisch erstellt; der empfohlene Schwellenwert von der Seite „Evaluieren“ wird mit hochgeladen.
- Die Plattform prüft das Modell (einige Sekunden bis eine Minute): Angezeigt wird „Wird geprüft“ → „Prüfung bestanden“ (oder „Prüfung fehlgeschlagen“ mit Grund).
- Klicke auf Konsole öffnen und dort unter „Eigene Modelle“ auf Aktivieren. Danach kannst du auf der Plattform Kameras anbinden und Alarme einrichten, und auf der Seite „Annotieren“ steht es auch in der Modellliste.
- Darunter listet „Eigene Modelle auf der Plattform“ die hochgeladenen Modelle mit Prüfstatus und ob sie aktiviert sind. Konten ohne Hosting-Tarif können nur 1 Modell ablegen. Vor einer neuen Version löschst du die alte. Modelldateien dürfen höchstens 200 MB groß sein.
16.7 Alarmbilder zurückholen und laufend verbessern
Ist das Modell im Einsatz, enthalten die Alarm-Screenshots vor Ort Fehlalarme und übersehene Objekte. Genau diese Daten lohnen sich am meisten:
- Daten → Weitere Importoptionen → Alarmbilder von Xuntong AI abrufen.
- Wähle den Zeitraum (letzte 1 / 3 / 7 Tage), von welchem Modell die Alarme stammen und wie viele Bilder höchstens. Standardmäßig ist Von der Plattform erkannte Boxen als Vorannotation verwenden aktiviert.
-
Die abgerufenen Bilder liegen im Projektordner
images/xuntong_<Zeit>/, die Boxen sind gestrichelt (Quelle „Xuntong“). - Korrigiere Bild für Bild: Boxen von Fehlalarmen löschen (Bilder, auf denen gar kein Objekt ist, einfach mit Enter abschließen, sie dienen als Negativbeispiele), fehlende ergänzen.
- Trainiere und evaluiere neu, lade die neue Version hoch und ersetze das alte Modell auf der Plattform.
Achtung: Die Plattform bewahrt Alarmbilder 7 Tage auf, ruf sie also regelmäßig ab. Alarmdatensätze entstehen nur bei Konten mit eingerichtetem Benachrichtigungskanal.
Das ist der geschlossene Kreislauf: Annotieren → Trainieren → zu Xuntong hochladen → Alarme vor Ort → zurückholen und korrigieren → neu trainieren. Das Modell wird mit der Zeit immer genauer.
16.8 Xuntong AI bei der Zusammenarbeit
- Offizielles Relay: Wähle auf der Seite „Zusammenarbeit“ als Freigabemodus Online · Offizielles Xuntong-Relay. Mitglieder im Internet verbinden sich über die Xuntong-Server, du brauchst keinen eigenen Server. Vorher musst du beim Xuntong-Konto angemeldet sein. Pro Konto sind höchstens 3 Freigaben gleichzeitig möglich. Bilder und Annotationen werden über die Xuntong-Server weitergeleitet und nicht gespeichert. Für sensible Daten nimm LAN oder ein eigenes Relay.
- Was Mitglieder nutzen können: Mitglieder können nicht direkt mit Xuntong AI vorannotieren (das würde dein Kontingent verbrauchen). Ist „Mitglieder können die KI-Unterstützung nutzen“ aktiviert, können sie die Erkennungsregeln öffnen und mit der KI chatten (auf dein Kontingent). Ob sie die Regeln ändern dürfen, hängt vom Schalter „Mitglieder können Klassen und Erkennungshinweise hinzufügen und bearbeiten“ ab.
16.9 Häufige Fragen
- Nach dem Klick auf Anmelden passiert im Browser nichts: Klicke im Dialog auf Erneut öffnen oder kopiere die Adresse in den Browser. So machst du es auch, wenn Firmenrechner das automatische Öffnen des Browsers blockieren.
- „Zulassen“ auf der Webseite lässt sich nicht anklicken: Das Konto hat die maximale Anzahl an Keys erreicht. Deaktiviere in der Xuntong-Konsole auf der Seite „API Key“ einen ungenutzten Key.
-
Es wird „Verbindung fehlgeschlagen“ angezeigt:
- Lies den Grund im Hinweis;
-
bei manuell eingetragenem Key: Prüfe, ob er vollständig kopiert ist (beginnt mit
sk-live-), in der Konsole aktiviert ist und ob eine IP-Whitelist gesetzt ist (Keys aus der Anmeldung haben keine Whitelist); - du kannst dich auch ab- und wieder anmelden.
- Hinweis „Kontingent erschöpft oder zu viele Anfragen“: Sieh in den Einstellungen nach dem restlichen Kontingent. Ist es aufgebraucht, verlängere bei Xuntong oder kauf ein Zusatzpaket. Die Batch-Annotation regelt ihr Tempo bereits selbst.
- Ein bestimmtes spezialisiertes Modell fehlt in der Modellliste: Es ist für das Konto nicht freigeschaltet. Schalte bei Xuntong AI den passenden Tarif frei.
- Die erkannten Klassennamen weichen von denen im Projekt ab: Spezialisierte Modelle verwenden ihre eigenen Klassennamen; fehlende werden im Projekt automatisch angelegt. Willst du einheitliche Namen, nimm „Nach Projektklassen erkennen“ oder benenne die Klassen nach der Erkennung beim Bearbeiten um.
- Eigene Installation von Xuntong: Trag in den Einstellungen unter „Erweitert“ deine eigene Plattformadresse und deinen API-Key ein.
Tastenkürzel
Allgemein (Seite „Annotieren“)
| Taste | Funktion |
|---|---|
| 1–9 | Klasse wechseln (Klassifizierungsprojekte: Klasse direkt wählen) |
| A / D oder ← / → | Vorheriges / nächstes Bild |
| Enter | Fertig und weiter (Bilder ohne Objekte werden als Negativbeispiele gezählt); bei Teamarbeit: Annehmen und weiter |
| X | Überspringen (wird nicht trainiert) |
| Shift+D oder Shift+→ | Nächstes nicht annotiertes Bild |
| Ctrl+Z / Ctrl+Y | Rückgängig / Wiederholen |
| ? | Übersicht der Tastenkürzel öffnen |
| Ctrl+D | Annotationen des vorherigen Bildes kopieren (Klassifizierung: Klasse des vorherigen Bildes übernehmen) |
| P | Mit KI-Unterstützung vorhersagen / dieses Bild annotieren |
| F | An Fenster anpassen |
| Mausrad | Zoomen |
| Leertaste + Ziehen / Rechtsklick + Ziehen | Bild verschieben |
Erkennung, Segmentierung, Keypoints
| Taste | Funktion |
|---|---|
| R | Box / Polygon / Objektbox zeichnen |
| V | Auswählen, anpassen |
| S | SAM Smart-Auswahl |
| Del / Rücktaste | Ausgewähltes Objekt löschen |
| H | Klassennamen aus- / einblenden |
| Esc | Auswahl aufheben |
Beim Zeichnen von Polygonen: Klick setzt einen Punkt, Doppelklick oder Enter schließt, Rücktaste entfernt den letzten Punkt.
Beim Setzen von Keypoints: Klick = sichtbar, Shift+Klick = verdeckt, N überspringt, Rücktaste geht zum vorherigen Punkt zurück, Esc oder Enter beendet.
Bei der SAM-Auswahl: Klick wählt aus, Shift+Klick schließt aus, Rücktaste entfernt den letzten Punkt, Enter übernimmt, Esc verwirft.
Klassifizierungsprojekte: Del entfernt die Klasse.
准备好了?下载 Wulabel,开始标你的第一张图。