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

  1. Öffne die Website https://wulabel.xiaowuiot.com und klicke oben rechts auf Download, oder lade die Datei von der Release-Seite auf GitHub herunter.
  2. Windows: Lade Wulabel_x.y.z_x64-setup.exe herunter, doppelklicke darauf und folge der Installation. Danach startest du Wulabel über das Startmenü oder den Desktop.
  3. Mac: Lade Wulabel_x.y.z_universal.dmg herunter, öffne die Datei per Doppelklick und zieh Wulabel in den Ordner „Programme“.
  4. Linux (ab v0.4.0): Lade Wulabel_x.y.z_amd64.deb herunter und führe im Terminal sudo apt install ./Wulabel_x.y.z_amd64.deb aus. Danach öffnest du Wulabel im Anwendungsmenü. Alternativ lädst du die .AppImage herunter, führst chmod +x Wulabel_x.y.z_amd64.AppImage aus und startest sie per Doppelklick, ganz ohne Installation. Auf ARM-Rechnern (Phytium, Kunpeng) lädst du Wulabel_x.y.z_arm64.deb oder Wulabel_x.y.z_aarch64.AppImage herunter (ab v0.4.2). Die Bedienung ist gleich.

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:

SeiteWofür
ProjekteProjekte anlegen, öffnen, wechseln
DatenBilder / Videos / Datensätze importieren, Bilder verwalten, Datensatz exportieren
AnnotierenBoxen zeichnen, Polygone zeichnen, Klassen wählen, Keypoints setzen, KI-Unterstützung und Vorannotation
DatencheckProbleme finden: fehlende und falsche Annotationen, doppelte Bilder usw.
TrainierenModell wählen, Parameter einstellen, Training starten, Trainingsläufe ansehen
EvaluierenMetriken, Konfusionsmatrix, Fehlerbeispiele, empfohlener Schwellenwert, Fehlalarmtest, Bericht exportieren
BereitstellenLive-Test, Modell exportieren, Inferenz-Servicepaket erstellen, Felddaten-Rückfluss importieren
ZusammenarbeitEchtzeit-Zusammenarbeit im Team: Freigabe starten (LAN / online), Mitglieder, Aufgaben zuweisen, Fortschritt
EinstellungenTrainingsumgebung 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

  1. Klicke links auf Einstellungen.
  2. 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.
  3. (Optional) Installationsort: Standard ist der lokale Anwendungsdatenordner auf Laufwerk C. Ist dort wenig Platz, wähle ein Laufwerk mit mehr Speicher und klicke auf Speichern.
  4. 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.
  5. 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

  1. 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.
  2. 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:

  1. Klicke im Bereich „Xuntong AI“ auf Beim Xuntong AI-Konto anmelden.
  2. 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.
  3. 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.
  4. Öffnet sich der Browser nicht von selbst, klicke auf Erneut öffnen oder kopiere die Adresse aus dem Dialog und öffne sie selbst.
  5. 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:

  1. Klappe „Vorhandene Python-Umgebung verwenden (erweitert)“ auf.
  2. Klicke auf python.exe auswählen und wähle die python.exe der Umgebung (z. B. D:\envs\torch\Scripts\python.exe).
  3. Klicke auf Speichern. Die Umgebung braucht torch, torchvision, numpy und pillow; für den ONNX-Export zusätzlich onnx.
  4. 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:

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

  1. Klicke auf der Seite Projekte auf Neues Projekt.
  2. Projektname: z. B. „Schutzhelm-Erkennung auf Baustellen“.
  3. Speicherort: Standard ist „Dokumente/Wulabel“. Du kannst auch auf Durchsuchen klicken und einen anderen Ordner wählen. Das Projekt wird darin angelegt.
  4. Aufgabentyp (kann nach dem Erstellen nicht mehr geändert werden):
    AufgabeAnnotationsartGeeignet für
    ObjekterkennungRechteckige BoxPosition von Schutzhelmen, Fahrzeugen, Rauch und Feuer finden
    InstanzsegmentierungPolygon-KonturGenaue Formen: Pfützen, Müllhaufen, Defektbereiche
    BildklassifizierungEine Klasse pro BildBild „normal / auffällig“, Szenen einordnen
    KeypointsObjektbox + Punkte nach VorlageKörperhaltung (Sturz, Klettern), wichtige Teile von Objekten
  5. 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.
  6. Klicke auf Erstellen. Es erscheint „Projekt „…“ erstellt“, und das Projekt öffnet sich automatisch.

3.2 Projekt öffnen

04 Daten importieren

Klicke links auf Daten.

4.1 Bilder oder Ordner importieren

  1. 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.
  2. 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).
  3. 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.

Beispielbilder aus Inspektionsszenen
Beispiel: importierte Bilder aus Inspektionsszenen – falsch parkende Autos in Feuerwehrzufahrten, E-Roller im Aufzug, fehlende Schutzhelme, Haustiere, Rauchen, Rauch und Feuer usw.

4.2 Videos importieren (Frames extrahieren)

  1. Klicke auf Weitere Importoptionen → Videos importieren (Frames extrahieren) und wähle eine oder mehrere Videodateien.
  2. 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).
  3. 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.
  4. 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)

  1. Klicke auf Weitere Importoptionen → Frames aus einem Videostream extrahieren (RTSP / Live / Wiedergabe).
  2. 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) oder 102 (Substream)
    • Dahua: rtsp://Benutzer:Passwort@IP:554/cam/realmonitor?channel=1&subtype=0
  3. Klicke auf Verbindung testen. Angezeigt werden die Auflösung und ob es ein „Live-Stream (endlos, Grenze festlegen)“ oder ein „Wiedergabestream · Dauer …“ ist.
  4. 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.
  5. Klicke auf Aufnahme starten. Die Bilder werden laufend gespeichert und erscheinen nach und nach auf der Seite „Daten“.
  6. 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.
  7. 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:

  1. 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).
  2. Wähle den Stammordner des Datensatzes. Die Software erkennt das Format automatisch.
  3. 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:

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:

  1. Klicke auf Verwalten → Bildqualitätsprüfung (unscharf, zu dunkel, überbelichtet).
  2. Standardmäßig ist Nur nicht annotierte Bilder aktiviert. Willst du alle prüfen, deaktiviere es.
  3. Klicke auf Prüfung starten.
  4. 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.
  5. 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:

  1. Richte zuerst unter Einstellungen Xuntong AI ein (siehe 2.3).
  2. Klicke auf der Seite Daten auf Weitere Importoptionen → Alarmbilder von Xuntong AI abrufen.
  3. 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.
  4. 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.
  5. Klicke auf Abruf starten. Die Bilder landen im Projektordner images/xuntong_<Zeit>/, die erkannten Boxen sind gestrichelt (Quelle „Xuntong“).
  6. 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“

Änderungen werden automatisch gespeichert. Du musst nicht von Hand speichern.

5.2 Klassen hinzufügen und verwalten

  1. Gib rechts unter „Klasse“ im Feld „Neuer Klassenname, Enter zum Hinzufügen“ einen Namen ein, z. B. „Schutzhelm“, und drücke Enter.
  2. Die ersten 9 Klassen wechselst du schnell mit den Zifferntasten 1–9. Die aktuelle Klasse ist hervorgehoben.
  3. 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

  1. Wähle mit 1–9 eine Klasse.
  2. Drücke R (oder klicke links auf das Box-Werkzeug) und zieh mit gedrückter Maustaste eine Box um das Objekt.
  3. Anpassen: Mit V wechselst du zum Auswahlwerkzeug. Klicke eine Box an, um sie zu verschieben oder an Kanten und Ecken die Größe zu ändern.
  4. Löschen: Box auswählen und Del oder Rücktaste drücken; mit Esc hebst du die Auswahl auf.
  5. Klasse ändern: Box auswählen und eine Zifferntaste drücken, oder rechts unter „Objekte in diesem Bild“ ändern.
  6. Mit H blendest du die Klassennamen an den Boxen aus / ein. Das hilft, wenn die Boxen dicht beieinander liegen.
Annotationsbeispiel: Boxen zeichnen und jeder Box eine Klasse geben
Annotationsbeispiel: Boxen auf das Bild zeichnen und jeder Box eine Klasse geben. Auf diesem Baustellenfoto sind zwei Klassen annotiert: „Kein Schutzhelm“ (rot) und „Schutzhelm“ (grün).

5.4 Instanzsegmentierung: Polygone zeichnen

  1. Wähle eine Klasse und drücke R.
  2. Klicke Punkt für Punkt entlang des Objektrands.
  3. Mit Doppelklick oder Enter schließt du das Polygon; mit Rücktaste entfernst du den letzten Punkt.
  4. Ist ein Polygon ausgewählt, kannst du die Eckpunkte verschieben.
  5. 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

  1. Sieh dir das Bild an und wähle mit den Zifferntasten 1–9 die Klasse. Oben links im Bild steht die aktuelle Klasse.
  2. Schaltest du rechts Automatisch weiter ein, springst du nach dem Tastendruck direkt zum nächsten Bild: ein Tastendruck pro Bild.
  3. Mit Del entfernst du die Klasse dieses Bildes; mit Ctrl+D übernimmst du die Klasse des vorherigen Bildes.

5.6 Keypoints

  1. 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.
  2. Wähle eine Klasse und zeichne mit R die Objektbox.
  3. 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.
  4. 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“.
  5. Mit Keypoints neu setzen (bei ausgewähltem Objekt) beginnst du wieder beim ersten Punkt.

5.7 Vorheriges Bild kopieren, Rückgängig und Wiederholen

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:

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):

  1. Blättere zum ersten Frame des Abschnitts und annotiere alle Objekte (das ist ein „Keyframe“).
  2. Blättere zum letzten Frame des Abschnitts und annotiere dieselben Objekte.
  3. Klicke in diesem letzten Frame links auf die Schaltfläche Keyframe-Interpolation.
  4. 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):

  1. Annotiere die Objekte im aktuellen Frame.
  2. Klicke links auf Vorwärts verfolgen, trag im kleinen Fenster die Anzahl der Frames ein (Standard 30, höchstens 500) und klicke auf Verfolgen.
  3. 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.
  4. 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

  1. Wähle eine Klasse und drücke S (oder klicke links auf die SAM-Schaltfläche).
  2. 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.
  3. 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.
  4. Bist du zufrieden, übernimmst du mit Enter die aktuelle Klasse; mit Esc verwirfst du.
  5. 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:

  1. Wähle rechts unter „KI-Unterstützung“ Text-Prompt.
  2. 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.
  3. Stell die Konfidenz ein: Findet es zu viel, erhöhe sie; findet es nichts, senke sie.
  4. Klicke auf Dieses Bild annotieren (P) für das aktuelle Bild oder auf Batch-Vorannotation für viele Bilder auf einmal.
  5. 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.)

  1. Richte zuerst unter Einstellungen Xuntong AI ein (siehe 2.3).
  2. 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.).
  3. 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.
  4. 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:

  1. Klicke neben der Überschrift „KI-Unterstützung“ auf Erkennungsregeln. Rechts öffnet sich der Bereich mit den Erkennungsregeln.
  2. 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+Enter sendest du. Jeder Chat verbraucht Xuntong AI-Kontingent.
  3. Aktuelle Regeln: Hier bearbeitest du direkt die allgemeinen Regeln (gelten für alle Klassen) und die Erkennungshinweise pro Klasse. Klicke dann auf Regeln speichern.
  4. Ab dann folgt die Vorannotation mit Xuntong AI „Nach Projektklassen erkennen“ diesen Regeln.
  5. (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).
  6. 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.

  1. Wähle die Prüfart:
    • Mit trainiertem Modell: „Prüfung mit Modell: Modellname · mAP50 …“; Regeln und Modell prüfen gemeinsam;
    • ohne Modell: „Nur Regelprüfung (ohne Modell)“.
  2. Klicke auf Datencheck starten.
  3. Die Ergebnisse sind nach Problem sortiert:
    ProblemBedeutungModell nötig
    Vermutlich fehlende AnnotationDas Modell ist sich sicher, dass hier ein Objekt ist, aber es gibt keine AnnotationJa
    Vermutlich falsche KlasseDie Position der Box stimmt, aber die Klasse weicht von der Einschätzung des Modells abJa
    Ungenaue BoxDie Klasse stimmt, aber die Box überlappt kaum mit der Vorhersage des ModellsJa
    Vermutlich überflüssige BoxEs gibt eine Box, aber das Modell sieht an dieser Stelle nichtsJa
    Winzige BoxKurze Seite unter 8 Pixeln, das Modell kann daraus kaum etwas lernenNein
    Doppelte BoxZwei Boxen derselben Klasse im selben Bild überlappen fast vollständigNein
    Doppelte BilderNahezu gleiche Bilder lassen die Evaluierungsergebnisse zu gut aussehenNein
    Keine KlasseDie Box hat keine Klasse und wird nicht trainiertNein
  4. 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.

  5. 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.
  6. 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.
  7. 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.

  1. Klicke auf der Seite Daten auf Verwalten → Datensatzversionen (Snapshot, Vergleich, Wiederherstellung).
  2. 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.
  3. 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).
  4. 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:

9.1 Echtzeit-Zusammenarbeit starten

  1. Klicke links auf Zusammenarbeit.
  2. 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.
  3. 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.
  4. Gib Ihr Name ein (der Name des Hosts, den Mitglieder sehen). Den Port musst du meist nicht ändern (Standard 8765).
  5. 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.
  6. 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

  1. Wähle unter „Aufgaben zuweisen“ die Annotatoren (oder klicke auf Alle Annotatoren auswählen).
  2. 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).
  3. 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.
  4. Klicke auf Zuweisen. Bei den Mitgliedern erscheinen die neuen Aufgaben automatisch.
  5. 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)

  1. 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.
  2. 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.
  3. Ist ein Bild fertig, klicke auf Einreichen und weiter (Enter). Dann wartet es auf die Prüfung.
  4. Zurückgewiesene Bilder findest du im Filter Zurückgewiesen. Über dem Bild steht der Grund. Korrigiere es und reich es erneut ein.
  5. 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.
  6. 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

  1. Prüfer (oder du selbst) filtern auf der Seite „Annotieren“ nach Annotiert und sehen sich jedes Bild an.
  2. Alles in Ordnung: Klicke auf Annehmen und weiter (Enter).
  3. 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.
  4. Zurückgewiesene Bilder landen beim ursprünglichen Annotator unter „Zurückgewiesen“. Er korrigiert sie und reicht sie erneut ein.

9.5 Fortschritt, Arbeitsaufwand und Protokoll

9.6 Welcher Freigabemodus passt?

LANOnline · Eigenes RelayOnline · Offizielles Xuntong-Relay
Geeignet fürGleiches Firmennetz, gleiches WLANOutsourcing, Homeoffice, mit eigenem Cloud-ServerOutsourcing, Homeoffice, ohne Server
Adresse für Mitgliederhttp://<IP-deines-Computers>:8765/https://<dein-Relay>/s/<ID>/https://xuntongai.com/wulabel-relay/s/<ID>/
GeschwindigkeitAm schnellstenAbhängig von der ServerbandbreiteAbhängig von der Bandbreite der Xuntong-Server
Daten laufen überNur das FirmennetzDeinen eigenen Server (nur weitergeleitet, nicht gespeichert)Die Xuntong-Server (nur weitergeleitet, nicht gespeichert)
VorbereitungKeineEin Cloud-Server mit Relay-Dienst nach relay/README.mdEin Xuntong AI-Konto (in den Einstellungen anmelden)

9.7 Wer darf was?

AktionAdministrator (du)PrüferAnnotator
Sichtbare BilderAlleAlleNur 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“:

  1. 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.
  2. 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.
  3. Zusammenarbeit starten: Wähle „Online · Offizielles Xuntong-Relay“ (oder ein eigenes Relay), aktiviere das „Wasserzeichen“, starte und schick die Internetadresse an die 4 Personen.
  4. 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.
  5. Annotieren: Die Annotatoren öffnen die Adresse im Browser, melden sich an und sehen nur ihre eigenen Bilder. Jedes fertige Bild reichen sie mit Enter ein.
  6. Prüfen: Lena filtert nach „Annotiert“ und prüft Bild für Bild. Ist alles gut, nimmt sie es mit Enter an; 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.
  7. 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.
  8. Abrechnung: Wähle unter „Fortschritt und Arbeitsaufwand“ den Zeitraum, klicke auf „CSV exportieren“ und rechne nach eingereichten Bildern und Annahmequote mit dem externen Team ab.
  9. Abschluss: Sind alle Bilder geprüft, beende die Zusammenarbeit und trainiere, evaluiere und stelle wie gewohnt in Wulabel bereit.

9.9 Häufige Fragen

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:

  1. Klicke auf der Seite Daten auf Verwalten → Teamarbeit (in Pakete aufteilen, zurückführen) und wechsle zu In Pakete aufteilen.
  2. Speichern unter: Wähle einen Ordner, in dem die Annotationspakete angelegt werden.
  3. Trag unter Annotator die Personen ein, eine pro Zeile (oder durch Kommas getrennt), z. B. „Anna“, „Ben“. Pro Person entsteht ein Paket.
  4. Wähle den Bereich: Nur nicht annotierte Bilder / Nicht geprüft (nicht annotiert + annotiert, wartet auf Prüfung) / Alle (außer übersprungene).
  5. Aktiviere Vorhandene Annotationen mitnehmen: Bilder mit Vorannotationen des Modells müssen die Annotatoren dann nur korrigieren, das geht schneller.
  6. (Optional) Aktiviere Bilder anonymisieren, um Gesichter, Kennzeichen und andere private Bereiche vor der Weitergabe unkenntlich zu machen (siehe 13.2).
  7. 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:

  1. Kopiere die fertigen Paketordner zurück.
  2. Öffne Teamarbeit und wechsle zu Zurückführen (oder klicke in der Liste „Ausgegebene Pakete“ direkt beim Paket auf Zusammenführen).
  3. 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.
  4. 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:

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.

OptionErklärung
AusgangspunktStandard 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.
ModellJe 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.
EpochenJe weniger Daten, desto mehr Epochen. Meist 20~50.
EingabegrößeFür kleine Objekte (entfernte Personen, Schutzhelme) eine große Eingabegröße, das macht es langsamer. Klassifizierung meist 224.
BatchgrößeVerringern, wenn ein Speicherfehler auftritt.
Trainingsdaten„Aktuelle Daten“ oder eine Datensatzversion.
Gerät„Automatisch (GPU verwenden, falls vorhanden)“ oder „Nur CPU“.
Nur geprüfte Bilder verwendenNur 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:

AufgabeModellEigenschaften
ErkennungYOLOX-NanoDie leichteste Stufe der YOLO-Reihe, für CPU, Smartphones und sehr schwache Edge-Geräte; Standard-Eingabe 416
ErkennungYOLOX-TinySehr leicht, für Echtzeit-Inferenz auf CPU und NPU-Edge-Boxen; Standard-Eingabe 416
ErkennungYOLOX-SBeste Balance aus Geschwindigkeit und Genauigkeit, für die meisten Projekte der Einstieg
ErkennungYOLOX-MGenauer, ab 6 GB Grafikspeicher empfohlen
ErkennungYOLOX-LAm genauesten und am langsamsten, ab 8 GB Grafikspeicher empfohlen
ErkennungFaster R-CNN MobileNetV3Schnell, wenig Grafikspeicher, für den Einstieg und Computer ohne dedizierte Grafikkarte
ErkennungFaster R-CNN ResNet50Genauer, langsamer, ab 6 GB Grafikspeicher empfohlen
ErkennungRetinaNetEinstufig, Genauigkeit nahe an Faster R-CNN, lässt sich leichter nach TensorRT konvertieren
ErkennungFCOSEinstufig, ankerfrei, einfache Struktur, gut für die Bereitstellung
ErkennungSSDLiteEinstufig, sehr leicht, für CPU und NPU-Edge-Geräte; feste Eingabe 320, bei kleinen Objekten mittelmäßig
SegmentierungMask R-CNNInstanzsegmentierung, ab 6 GB Grafikspeicher empfohlen
KeypointsKeypoint R-CNNFür 17 Körperpunkte lässt sich das COCO-Vortraining nutzen
KlassifizierungMobileNetV3 / EfficientNet-B0 / ResNet50Von 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.

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.

  1. Wähle unter „Datenaugmentierung“ eine Voreinstellung: Aus, Standard, Leicht, Mittel, Stark (bei wenigen Daten).
  2. 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“.
  3. 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

  1. 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.
  2. Klicke auf Training starten. Beim ersten Mal werden die vortrainierten Gewichte heruntergeladen, angezeigt wird „Wird vorbereitet…“.
  3. 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.
  4. 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.
  5. 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.
  6. 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:

Trainingsläufe vergleichen:

  1. Wähle in den Trainingsläufen zwei oder mehr Läufe aus.
  2. Klicke auf Auswahl vergleichen (N).
  3. 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.

  1. Klicke über den Trainingsläufen auf Externes Modell importieren.
  2. Klicke auf .onnx-Datei auswählen.
  3. 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“.
  4. Zu verwendende Klassen: Nicht ausgewählte Klassen werden beim Vorannotieren nicht übernommen; Klassen mit demselben Namen wie im Projekt sind vorausgewählt.
  5. 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

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

11.4 Konfidenzschwellenwert

Welchen Schwellenwert du im Einsatz für Alarme nimmst, siehst du hier:

  1. Die Software empfiehlt den Schwellenwert mit dem höchsten F1 und zeigt Präzision und Recall dafür an.
  2. 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.
  3. So wählst du: Viele Fehlalarme → Schwellenwert erhöhen; viel übersehen → senken.
  4. Darunter steht der empfohlene Schwellenwert pro Klasse.
  5. 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:

  1. Klicke unter „Fehlalarmtest“ auf Videodatei wählen oder gib eine rtsp://- / http(s)://-Adresse ein.
  2. Einstellungen: Erkennung mit N Frames pro Sekunde, Alarm nach N Treffern in Folge, Testen für N Minuten (bei Videostreams).
  3. Klicke auf Test starten. Mit Vorzeitig beenden brichst du jederzeit ab.
  4. 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).
  5. 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

  1. Klicke auf Bericht exportieren und wähle den Speicherort (Standard-Dateiname „Projektname_Trainingslauf_Modellbericht.html“).
  2. 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

  1. Wähle auf der Seite Annotieren rechts unter „KI-Unterstützung“ Meine Modelle und im Dropdown ein trainiertes Modell (mit Name und mAP50 / Genauigkeit).
  2. Stell die Konfidenz ein.
  3. Einzelbild: Drücke P oder klicke auf Dieses Bild vorhersagen (P).
  4. 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.
  5. 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.

Beispiel für die Vorannotation per Modell
Vorannotationsbeispiel: Das Modell rahmt die Objekte automatisch ein, du prüfst nur und korrigierst die wenigen Fehler. Im Bild das Erkennungsergebnis für „falsch parkende Fahrzeuge“.

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:

  1. Klicke auf der Seite Daten auf Verwalten → Die lohnendsten Bilder zum Annotieren auswählen (mit Modell).
  2. Wähle ein Modell, gib unter Auswählen N Bilder ein und klicke auf Auswahl starten.
  3. Die Ergebnisse sind nach Unsicherheit absteigend sortiert.
  4. 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

  1. Klicke auf der Seite Daten auf Datensatz exportieren.
  2. 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).
  3. 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.
  4. 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).
  5. 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).
  6. 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:

  1. 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.
  2. 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).
  3. Art: Verpixeln, Unschärfe, Schwärzen.
  4. 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:

  1. Wähle Videostreams oder Lokales Video.
  2. 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.
  3. 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.
  4. 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.
  5. Siehst du übersehene Objekte oder Fehlalarme, klicke auf Screenshot zum Datensatz hinzufügen. Das Bild wird als „Nicht annotiert“ hinzugefügt; annotiere es und trainiere neu.
  6. Mit Stoppen beendest du.

14.2 Modell exportieren

  1. 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.
  2. Brauchst du eine feste Größe, stell sie ein.
  3. 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:

  1. Videostreams: Gib Name und Adresse ein (rtsp://…, eine http(s)://…-Adresse für FLV / m3u8 / MP4 oder Pfad einer Videodatei). Mit Stream hinzufügen fügst du weitere hinzu.
  2. Erkennungsintervall (s): Wie oft pro Videostream ein Frame erkannt wird.
  3. 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).
  4. 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).
  5. Dienst: Port der HTTP-Schnittstelle; GPU-Inferenz (auf dem Rechner vor Ort muss onnxruntime-gpu installiert sein, sonst wird automatisch die CPU genutzt).
  6. Felddaten-Rückfluss: Bilder, bei denen das Modell unsicher ist (Konfidenz im eingestellten Bereich), werden im Ordner reflux/ des Servicepakets gespeichert.
  7. Wähle unter Ausgabe nach den Ort und klicke auf Inferenz-Servicepaket erstellen.
  8. Kopiere den ganzen Ordner auf den Rechner vor Ort: Unter Windows doppelklickst du run.bat, unter Linux führst du sh run.sh aus. Die Konfiguration steht in config.json, die Erklärung in README.md. Der Rechner vor Ort braucht weder PyTorch noch Grafikkarte, nur onnxruntime, OpenCV und numpy.

14.4 Felddaten-Rückfluss

  1. Läuft das Servicepaket vor Ort, speichert es Bilder, bei denen das Modell unsicher ist, im Ordner reflux/.
  2. Kopiere reflux/ regelmäßig zurück, klicke im Tab Felddaten-Rückfluss auf Felddaten-Bilder importieren und wähle diesen Ordner.
  3. Klicke auf Zum Annotieren, filtere nach „Nicht annotiert“, lass das Modell vorannotieren und korrigiere.
  4. 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):

  1. Richte zuerst unter Einstellungen Xuntong AI ein (siehe 2.3).
  2. 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.
  3. 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.
  4. Klicke auf Konsole öffnen und dort unter „Eigene Modelle“ auf Aktivieren. Dann kannst du Kameras anbinden und Alarme einrichten.
  5. 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.
  6. Alarmbilder von der Plattform kannst du wieder abrufen und annotieren (siehe 4.7).

15 Feedback senden

  1. Klicke oben rechts auf Feedback.
  2. Beschreib das Problem oder deinen Vorschlag.
  3. (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.
  4. Standardmäßig ist Screenshot der aktuellen Ansicht anhängen aktiviert, mit Vorschau. Willst du das nicht, deaktiviere es.
  5. 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.
  6. 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:

WoWasSiehe
Einstellungen → Xuntong AIKonto anmelden, Kontingent ansehen16.1, 16.2
Annotieren → KI-Unterstützung → Xuntong AIAutomatisch annotieren mit spezialisiertem Modell / LLM / nach Projektklassen16.3–16.5
Annotieren → KI-Unterstützung → ErkennungsregelnErkennungshinweise schreiben, mit der KI über die Erkennung chatten, mit der Plattform synchronisieren16.5
Bereitstellen → Modell exportieren → Auf die Xuntong AI-Plattform hochladenTrainiertes Modell auf der Plattform nutzen16.6
Daten → Weitere Importoptionen → Alarmbilder von Xuntong AI abrufenFehlalarme und übersehene Objekte vor Ort zurückholen und annotieren16.7
Zusammenarbeit → Online · Offizielles Xuntong-RelayMitglieder über das Internet verbinden und gemeinsam annotieren16.8

16.1 Konto anmelden

  1. Öffne Einstellungen und klicke im Bereich „Xuntong AI“ auf Beim Xuntong AI-Konto anmelden.
  2. 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.
  3. Zurück in Wulabel siehst du nach wenigen Sekunden Angemeldet als mit Kontoname und Tarif, das restliche Kontingent und die verfügbaren Erkennungsarten.

Hinweise:

16.2 Kontingent und Kosten

16.3 Welche der vier Erkennungsarten?

Wähle auf der Seite „Annotieren“ rechts unter „KI-Unterstützung“ Xuntong AI. Im Dropdown „Erkennungsmodell auswählen“ findest du:

ErkennungsartGeeignet fürGeschwindigkeitKontingent
Spezialisiertes Modell (z. B. Mülltrennung, Schutzhelm)Die Projektklassen passen zu einem fertigen Modell der PlattformAm schnellsten, im Batch je 8 Bilder, zwei Batches gleichzeitigErkennung mit spezialisierten Modellen
Dein hochgeladenes und aktiviertes eigenes ModellModelle, die du selbst trainiert und auf die Plattform hochgeladen hastWie obenErkennung mit eigenen Modellen
Nach Projektklassen erkennen (empfohlen)Die Plattform hat kein passendes Modell; du willst nur diese Projektklassen findenBild für Bild, etwas langsamerLLM-Erkennung
Allgemeine LLM-ErkennungSuche nach Kategorien von Sicherheitsrisiken (Brandschutz, Elektrik, Sauberkeit usw.)Bild für BildLLM-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:

  1. 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.
  2. Öffne die Seite „Annotieren“, wähle rechts unter „KI-Unterstützung“ Xuntong AI und als Modell Mülltrennung.
  3. Stell die Konfidenz ein: Starte mit dem Standardwert. Zu viele Boxen → erhöhen, zu viel übersehen → senken.
  4. Drück zuerst P für 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.
  5. Erkannte Boxen sind gestrichelt (Quelle „Xuntong“). Prüfe Bild für Bild: Falsche löschen, schiefe zurechtziehen, fehlende ergänzen, dann Enter drücken (Fertig und weiter).
  6. 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:

  1. 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.
  2. 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:

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

  1. Trainiere in Wulabel ein Modell für Objekterkennung (Xuntong nimmt derzeit nur Erkennungsmodelle an).
  2. 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.
  3. Die Plattform prüft das Modell (einige Sekunden bis eine Minute): Angezeigt wird „Wird geprüft“ → „Prüfung bestanden“ (oder „Prüfung fehlgeschlagen“ mit Grund).
  4. 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.
  5. 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:

  1. Daten → Weitere Importoptionen → Alarmbilder von Xuntong AI abrufen.
  2. 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.
  3. Die abgerufenen Bilder liegen im Projektordner images/xuntong_<Zeit>/, die Boxen sind gestrichelt (Quelle „Xuntong“).
  4. 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.
  5. 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

16.9 Häufige Fragen

Tastenkürzel

Allgemein (Seite „Annotieren“)

TasteFunktion
1–9Klasse wechseln (Klassifizierungsprojekte: Klasse direkt wählen)
A / D oder ← / →Vorheriges / nächstes Bild
EnterFertig und weiter (Bilder ohne Objekte werden als Negativbeispiele gezählt); bei Teamarbeit: Annehmen und weiter
XÜberspringen (wird nicht trainiert)
Shift+D oder Shift+→Nächstes nicht annotiertes Bild
Ctrl+Z / Ctrl+YRückgängig / Wiederholen
?Übersicht der Tastenkürzel öffnen
Ctrl+DAnnotationen des vorherigen Bildes kopieren (Klassifizierung: Klasse des vorherigen Bildes übernehmen)
PMit KI-Unterstützung vorhersagen / dieses Bild annotieren
FAn Fenster anpassen
MausradZoomen
Leertaste + Ziehen / Rechtsklick + ZiehenBild verschieben

Erkennung, Segmentierung, Keypoints

TasteFunktion
RBox / Polygon / Objektbox zeichnen
VAuswählen, anpassen
SSAM Smart-Auswahl
Del / RücktasteAusgewähltes Objekt löschen
HKlassennamen aus- / einblenden
EscAuswahl 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。