Überblick

Das Image-Tagging-Modul von SurveyAnalytica bietet einen vollständigen Workflow zum Organisieren, Beschriften und Vorbereiten von Bilddatensätzen für maschinelles Lernen. Egal, ob Sie ein Bildklassifizierungsmodell erstellen, einen Produktkatalog kuratieren oder visuelle Inhalte aus Umfragen analysieren – die Image-Tagging-Tools bieten Ihnen Auto-Tagging mittels KI-gestützter Computer Vision, manuelle Tagging-Oberflächen, Massenoperationen und direkten Export in Ihre Analytics-Engine.

Erste Schritte mit Image Tagging

Bilder hochladen

Laden Sie Bilder über den Datenverwaltungs-Assistenten hoch. Sie können einzelne Bilder, mehrere Bilder gleichzeitig oder ein ZIP-Archiv mit in Ordnern organisierten Bildern hochladen. Unterstützte Bildformate sind PNG, JPG, JPEG, GIF, BMP und WebP.

Bilder indizieren

Nach dem Hochladen müssen die Bilder indiziert werden. Der Indizierungsprozess durchsucht Ihre hochgeladenen Dateien und erstellt Einträge in der Image-Tagging-Datenbank mit vollständigen Metadaten. Navigieren Sie zu Ihrem Bilddatensatz, und das System versucht automatisch, Bilder aus Ihren Upload-Ordnern zu indizieren.

Während der Indizierung extrahiert das System:

• Dateimetadaten: Dateiname, Erweiterung, Größe, Inhaltstyp, Upload-Datum
• Ordnerstruktur: Pfadsegmente, übergeordnete Ordner
• Klassifizierungshinweise: Erkennt automatisch Klassennamen aus Ordnernamen und Train/Test/Validierungs-Split-Indikatoren aus Ordnerpfaden
• Vorgeschlagene Tags: Generiert aus ordnerbasierten Klassennamen und Split-Zuweisungen

Verwenden Sie Neuindizierung erzwingen, um alle vorhandenen Bildeinträge zu löschen und von Grund auf neu zu indizieren.

Auto-Tagging mit Computer Vision

Die Auto-Tagging-Funktion nutzt KI-gestützte Computer Vision, um Bilder automatisch zu analysieren und beschreibende Tags zu generieren.

So funktioniert Auto-Tagging

1. Navigieren Sie zu Ihrem Bilddatensatz.
2. Klicken Sie auf Auto-Tag, um den Prozess zu starten.
3. Das System verarbeitet alle Bilder im Batch und analysiert jedes Bild mittels Computer Vision.
4. Die Ergebnisse werden mit Tags, Konfidenzwerten und der als automatisch generiert markierten Quelle gespeichert.

Tag-Struktur

Jeder Tag enthält:

• tag: Der Beschriftungstext (z. B. „dog“, „outdoor“, „mountain“)
• source: Wie der Tag erstellt wurde — automatisch generiert, manuell, Ordner, Klassifizierung, Split
• confidence: Ein Wert von 0 bis 1, der die Sicherheit des Tags angibt
• approved: Boolescher Wert, der angibt, ob der Tag überprüft und genehmigt wurde

Manuelles Tagging

Sie können Tags für jedes Bild manuell hinzufügen, bearbeiten oder entfernen:

• Tags hinzufügen: Geben Sie neue Tag-Namen ein und weisen Sie diese einzelnen Bildern oder in großen Mengen zu.
• Tags bearbeiten: Ändern Sie vorhandene Tag-Beschriftungen oder Konfidenzwerte.
• Tags entfernen: Löschen Sie falsche oder unerwünschte Tags.
• Tags genehmigen: Überprüfen Sie automatisch generierte Tags und markieren Sie sie als genehmigt.

Massenoperationen

Bei großen Datensätzen sind Massenoperationen unerlässlich:

Massen-Tagging

Wenden Sie Tags gleichzeitig auf mehrere Bilder an. Sie können Bilder wie folgt ansprechen:

• Explizite Bild-IDs: Wählen Sie bestimmte Bilder zum Taggen aus.
• Filterkriterien: Wenden Sie Tags auf alle Bilder an, die einem Split, Klassennamen oder Ordner entsprechen.
• Modus: Wählen Sie „append“, um Tags hinzuzufügen, ohne vorhandene zu entfernen, oder „replace“, um alle Tags zu überschreiben.

Massengenehmigung

Überprüfen und genehmigen Sie Tags für mehrere Bilder gleichzeitig. Genehmigen Sie alle Tags für ausgewählte Bilder oder für den gesamten Datensatz.

Vorschläge übernehmen

Wandeln Sie vorgeschlagene Tags (generiert aus Ordnerstruktur, Dateinamen oder Split-Erkennung) in bestätigte Tags um. Wählen Sie aus, welche Vorschlagsquellen übernommen werden sollen (Ordner, Split, Dateiname).

Massenwiederherstellung

Stellen Sie Tags für mehrere Bilder gleichzeitig wieder her, nützlich für Rückgängig-Operationen nach Massenänderungen.

Filtern und Suche

Die Image-Tagging-Oberfläche bietet leistungsstarke Filterfunktionen:

• Nach Split: Filtern Sie Bilder nach Train-, Test-, Validierungs- oder Dev-Split
• Nach Klassenname: Filtern Sie nach erkannter oder zugewiesener Klassenbezeichnung
• Nach Ordner: Filtern Sie nach Quellordner
• Nach Suche: Suchen Sie nach Dateiname oder Bild-ID
• Nach Tag-Status: Zeigen Sie ungetaggte, getaggte oder genehmigte Bilder an

Facetten werden dynamisch mit kaskadierendem Verhalten berechnet — die Auswahl eines Split-Filters aktualisiert die verfügbaren Klassennamen entsprechend.

Sortieroptionen

• Dateiname (aufsteigend/absteigend)
• Datum (aufsteigend/absteigend)
• Tag-Anzahl (aufsteigend/absteigend)

Bildausschluss

Schließen Sie problematische Bilder aus Ihrem Datensatz aus, ohne sie zu löschen:

• Markieren Sie Bilder mit einem Grund als ausgeschlossen (manuell, Duplikat, niedrige Qualität usw.)
• Stellen Sie ausgeschlossene Bilder bei Bedarf wieder her
• Zeigen Sie die Anzahl ausgeschlossener Bilder nach Grund aufgeschlüsselt an
• Ausgeschlossene Bilder werden bei der Generierung von Trainingsdaten automatisch herausgefiltert

Bildstatistiken

Die Bildstatistik-Funktion liefert detaillierte Metadaten zu Ihrem Datensatz:

• Abmessungen: Min., Max., Mittelwert und Median von Breite und Höhe über alle Bilder
• Formate: Verteilung der Bildformate (JPEG, PNG usw.)
• Dateigrößen: Min., Max., mittlere Dateigrößen in KB und Gesamtgröße in MB
• Ausreißer: Bilder mit Abmessungen von mehr als dem 3-fachen des Medians, zur Überprüfung markiert

Klassifizierungs-Workflow

Für die Erstellung von Bildklassifizierungsmodellen bietet die Plattform eine vollständige Klassifizierungspipeline:

Datensatzstruktur analysieren

Das System durchsucht Ihre Ordnerstruktur, um Klassen, Splits und nicht klassifizierte Bilder zu erkennen. Es unterstützt sowohl die Standard-Ordneranalyse als auch die KI-gestützte intelligente Analyse.

Label-Zuweisung

Labels können aus mehreren Quellen zugewiesen werden:

• Ordnerstruktur: Automatisch aus Unterordnernamen erkannt
• CSV-Datei: Laden Sie eine CSV-Datei mit Zuordnungen von Dateiname zu Label hoch oder wählen Sie eine aus. Das System erkennt Dateiname- und Label-Spalten automatisch.
• Vorhandene Tags: Wandeln Sie genehmigte Bild-Tags in Klassifizierungslabels um.
• Manuelle Zuweisung: Weisen Sie über die Benutzeroberfläche Labels für bestimmte Bilder zu.

Erkennung von Klassenungleichgewicht

Die Plattform analysiert die Klassenverteilung und meldet:

• Anzahl und Prozentsätze pro Klasse
• Ungleichgewichtsverhältnis (größte Klasse / kleinste Klasse)
• Schweregrad (niedrig, moderat, hoch)
• Empfehlungen zum Ausgleich (Undersampling, Oversampling oder mehr Daten sammeln)

Datensatz-Ausgleich

Gleichen Sie Ihren Datensatz automatisch aus, indem überschüssige Bilder aus größeren Klassen ausgeschlossen werden (Undersampling). Das System verwendet Zufallsstichproben mit einem festen Seed für Reproduzierbarkeit.

Generierung von Trainingsdaten

Generieren Sie Train-/Validierungs-/Test-Splits mit konfigurierbaren Verhältnissen:

• Standard-Split: 70 % Train, 15 % Validierung, 15 % Test
• Stratifizierte Stichprobe: Stellt sicher, dass jede Klasse in jedem Split proportional vertreten ist
• Exportformate: Ordnerstruktur (Bilder organisiert in Train-/Val-/Test-Ordnern) und CSV-Manifest
• Ausgeschlossene Bilder ausschließen: Filtert ausgeschlossene Bilder automatisch aus den Trainingsdaten heraus

Daten exportieren

Exportieren Sie genehmigte Tags und Bildmetadaten für Analysen. Der Export erstellt einen strukturierten Datensatz mit Bild-ID, Dateipfad, Dateiname, Tags und benutzerdefinierten Feldern, der die Analyse Ihres Bilddatensatzes ermöglicht.

Tag-Verlauf

Alle Tagging-Vorgänge werden in einem Verlaufsprotokoll erfasst, einschließlich Massenoperationen, manueller Bearbeitungen, Übernahmen, Genehmigungen und Wiederherstellungen. Dies bietet einen vollständigen Prüfpfad, wie Ihr Datensatz im Laufe der Zeit kuratiert wurde.