Image Labeling ist der Prozess der Identifizierung und Markierung verschiedener Details in einem Bild. Dies ist besonders nützlich, um die Erstellung von Metadaten zu automatisieren oder Nutzern Empfehlungen auf Basis ihrer Bildinhalte zu geben. Der Prozess kann geräteinterne oder cloudbasierte Technologien nutzen, um Details in Bildern automatisch zu erkennen.
Crowdsourcing kann beim Image Labeling auf zwei Arten helfen: Einerseits können Bilder direkt durch die Crowd gelabelt werden; andererseits kann die Crowd verifizieren, ob automatisiert erkannte Details eines Bildes korrekt identifiziert und gelabelt wurden.
Image Labeling umfasst die Identifizierung eines Bildes als Ganzes, kann sich aber auch auf die Erkennung verschiedener Aspekte innerhalb eines Bildes beziehen. Bei einfachen Aufnahmen, wie etwa einem Porträtfoto, ist der Prozess unkompliziert. Schwieriger wird das Labeling bei detailreichen Aufnahmen, wie beispielsweise Weitwinkelfotos von öffentlichen Plätzen.
Einige Aspekte eines Bildes, die gelabelt und identifiziert werden können, sind:
Je detaillierter das Image Label ist, desto wertvoller ist die Information. Es ist zum Beispiel hilfreich, ein Bild als Gebirgslandschaft zu kennzeichnen – noch besser ist es jedoch, wenn die genaue Gebirgskette identifiziert werden kann.
Abhängig von der Komplexität des Bildes und der gewünschten Tiefe der Beschreibung kann Image Labeling ein zeitintensiver Prozess sein, der sehr präzise Informationen über den Bildinhalt liefert.
Es gibt zahlreiche Anwendungsmöglichkeiten für Image Labeling, die mit der Weiterentwicklung des Internets stetig an Bedeutung gewinnen.
Heute erleichtern Image Labeling und Gesichtserkennungssoftware die Nutzung sozialer Medien und das Katalogisieren von Fotos in Online-Alben erheblich. Bilder können automatisch basierend auf ihrem Inhalt kategorisiert und verschlagwortet werden, ohne dass jedes Bild einzeln manuell bestimmt werden muss.
Auch für Unternehmen und Content-Produzenten ist das Verfahren wertvoll: Metadaten können automatisch auf Basis der Bilder einer Seite generiert werden. Dies hilft nicht nur bei der Suchmaschinenoptimierung (SEO), sondern macht Websites auch barrierefreier für sehbehinderte Menschen, da Bilder präzise beschrieben werden können.
Zukünftig wird Image Labeling zudem die zielgerichtete Werbung (Advertising) vereinfachen, indem Informationen aus Kundenbildern noch präziser für Marketingzwecke ausgewertet werden können.
Erfahren Sie, wie clickworker Ihr Projekt mit Image & Data Labeling Services sowie Tagging-Lösungen unterstützen kann.
Ein effizienter Weg zum Labeln von Bildern ist die Nutzung einer Programmierschnittstelle (API). Diese können lokal auf einem Gerät oder in cloudbasierten Anwendungen genutzt werden.
Gerätespezifische Programme haben den Vorteil, dass sie ohne Internetverbindung funktionieren. Da das Programm in sich geschlossen ist, stellt dies oft den schnellsten Weg dar, verschiedene Bildaspekte zu labeln.
Allerdings sind lokale Programme nicht immer hochpräzise und stoßen bei komplexen Details oft an ihre Grenzen. Wenn höchste Genauigkeit und Detailtiefe gefragt sind, ist eine cloudbasierte Anwendung die bessere Wahl.
Viele Anbieter offerieren sowohl lokale als auch Cloud-Lösungen. Die meisten enthalten zudem einen sogenannten „Confidence Score“ (Konfidenzwert), der es ermöglicht, die Zuverlässigkeit des Labelings bei großen Bildmengen schnell zu prüfen.
Das Fundament der Künstlichen Intelligenz:
Hochwertiges Image Labeling ist das Rückgrat von Computer Vision. Ob Sie autonome Fahrsysteme mittels Bounding Boxes entwickeln oder Gesichtserkennung durch Key-Point-Annotationen realisieren – die Genauigkeit Ihres Modells hängt vollständig von der Präzision Ihrer menschlich gelabelten Datensätze ab.
Entdecken Sie, wie clickworker skalierbare, hochpräzise KI-Trainingsdaten liefert, um Ihre Machine-Learning-Modelle zu optimieren und Ihre KI-Projekte mit Experten-Annotationen zum Erfolg zu führen.
KI-Trainingsdaten-Services entdecken
Image Labeling lässt sich in zwei Hauptkategorien unterteilen: Tagging und Annotation. Tagging bezieht sich auf das Zuweisen von Begriffen für das gesamte Bild. So werden beispielsweise Bilder verschiedener Tiere entsprechend der gezeigten Art verschlagwortet. Dieser Datensatz kann dann genutzt werden, um Maschinen darauf zu trainieren, diese Tiere in neuen Bildern zu erkennen. Zudem macht Image Tagging Bilddatenbanken leichter durchsuchbar. Bei einer internen Suche erscheinen die Bilder als Treffer, sobald die Schlagworte als Suchbegriffe genutzt werden. Auch Web-Crawler nutzen diese Informationen bei der Indexierung einer Website, was Ihr SEO-Ranking verbessern kann.
Image Annotation hingegen kennzeichnet einzelne Teile eines Bildes. Das bedeutet, dass nicht nur ein Label für das gesamte Foto vergeben wird, sondern spezifische Aspekte markiert werden. Dies kann folgende Formen annehmen:
Bounding Boxes gehören zu den häufigsten Arten des Image Labeling. Dabei werden rechteckige Rahmen um bestimmte Objekte im Bild gezogen – zum Beispiel um Autos, Radfahrer oder Fußgänger in Verkehrsaufnahmen. Dies ermöglicht es der KI, diese Formen in verschiedenen Kontexten zu erkennen und zu lernen, diese Information auf neue Bilder anzuwenden.
Ähnlich wie Bounding Boxes werden Polygone verwendet, um spezifische Objekte zu annotieren. Polygone erlauben jedoch mehr Präzision: Die Linien werden exakt entlang der Objektkanten gezogen. Dies ist besonders nützlich für Objekte, die nicht in rechteckige Kästen passen.
Bei der Semantic Segmentation identifizieren Annotatoren jeden einzelnen Pixel des Bildes gemäß vordefinierter Tags. In einer Luftaufnahme eines Wohnviertels kann so exakt festgelegt werden, welche Pixel Straßen, Häuser, Fahrzeuge oder Gärten darstellen. Dies liefert hochspezifische Daten, die besonders wichtig sind, wenn der Umgebungskontext eines Bildes entscheidend ist.
Key-Point-Annotationen werden genutzt, um kleinste Objekte und Formen zu erfassen. Hierzu werden Punkte auf spezifische Bildbereiche gesetzt, zum Beispiel auf Augen, Augenbrauen oder den Mund in einem Gesicht. Anhand dieser Informationen können Maschinen lernen, Emotionen zu identifizieren und Gesichtszüge aus verschiedenen Blickwinkeln zu erkennen.
