Hallo Herr Würtz, Ihre Beiträge finde ich sehr verständlich und sehr gut aufgebaut. Ich bin zwar schon Rentner aber immer neugierig. Jetzt habe ich schon ein wesentlich besseres Verständnis über neuronale Netze. Vielen Dank für Ihre sehr umfangreiche Arbeit und die Mühe die Sie sich gemacht haben. Viele Grüße Dieter Raab
ปีที่แล้ว
Ganz tolles Feedback, vielen Dank dafür! :) Das freut mich!
Hi ! ich habe mir das Video noch nicht ganz angeschaut, aber ich sehe es sind wirklich 5 Videos . Das heißt Udo du hast es durchgezogen , Respekt. Ich schaue mir den ganzen Material durch und mache alles mit. Ich hoffe ich finde das was ich gesucht habe !
3 ปีที่แล้ว +1
Danke Dir. Falls es Probleme bei der Installation der Software geben sollte, einfach melden. Manchmal änderen z.B. NVIDIA oder auch die Linux Distribution einige Libraries, das muss ich dann anpassen. Geht aber meistens recht schnell.
Ein sehr schönes Video und sehr gut erklärt. Ich versuche mithilfe der Videoreihe auch ein kleines Projekt zu starten. Machen Sie bitte weiter so. Vielen Dank
macht es nicht sinn zum lernen ein Projekt zunehmen wofür es bereits gute Datenquellen aus dem Internet gibt? ich würde zb. gerne ein Modell trainieren wo Zielscheiben erkennt und dafür gibt es bereits sehr gute Daten. zwar müsste ich die für meinen Anwendungsfall noch Mal bearbeiten, aber fürs erste Modell halte ich die für sehr gut
Hallo Herr Würtz, mal eine Frage an den Profi. Ich möchte gerne Tischtennisbälle im Flug erkennen und habe bereits, ähnlich wie sie, Videos vom Wurf der Bälle gemacht. Meine Fragen: a) die 30fps Bilder lassen den Ball verschwommen aussehen. Mindert es nicht die Erkennungsqualität? (ihre Fahrzeuge sind auch teilweise verschwommen, es scheint sie nicht zu stören :-)). b)Würde es der Erkennung helfen das gleiche Objekt aus verschiedenen Posen zu filmen (der Ball ist ja trotzdem Rund, egal wie der Hintergrund ist) oder hat der Hintergrund keinen Einfluss auf den späteren Lerneffekt, da man ja nur das Objekt selbst labelt? c) Der Tischtennisball ist relativ klein im Verhältnis zum Gesamtbild, ist Yolo tatsächlich die richtige Methode? Hintergrund: Becher werden gut erkannt, fliegende Bälle eher schlecht (Bewegungsunschärfe?) Danke und machen Sie weiter so!!!!
3 ปีที่แล้ว
Hallo Herr Mutz, na, das ist ja mal ein cooles Thema, Respekt! :) Fangen wir mit dem Hintergrund an: Grundsätzlich ist es immer gut, wenn man entsprechend viele Daten hat und möglichst unterschiedliche Hintergründe. Dadurch wird das Modell in der Regel robuster und besser. Wenn die Kamera immer exakt an der gleichen Stelle steht und der Hintergrund immer gleich ist, kann man das auch etwas vernachlässigen. Ist die Kamera mobil, dann würde ich schon empfehlen, hier andere Hintergründe mit zu verwenden damit das Modell Objektgrenzen besser verstehen lernt. Ob der Ball verschwommen aussieht oder nicht, ist weniger relevant. Es wäre dann wichtig, wenn Sie im Flug die Marke oder Beschädigungen erkennen wollten. Wichtig ist, dass die Aufnahmen mit 30fps auch im Livebetrieb so sind und nicht z.B. dann mit 60fps ein deutlich schärferes Bild liefern würden als die trainierten Daten hergeben. Hilfreich sind natürlich kontrastreiche Hintergründe, also gelber Ball vor gelbem Hintergrund ist nicht so gut für die Erkennung... Ob YOLO hier passt, ist immer so eine Sache. YOLO hat Schwächen bei vielen kleinen Objekten, wenn es davon sehr viele in einer Gruppe gibt und alle identifiziert werden sollen. Bei einem einzelnen Ball sollte das prinzipiell funktionieren. Der einzige Schwachpunkt könnte noch sein wenn der Ball sehr winzig ist da die Kamera z.B. Weitwinkel aufnimmt. Wenn dann gefühlt ein Objekt in Hummelgröße hin und herfliegt wäre das auch schwierig... Auch würde ich empfehlen mal mit verschiedenen YOLO Varianten zu experimentieren, lite-Modelle mal auszuprobieren usw. da die Geschwindigkeit der Kamera und die Erkennung damit besser in sync sind. Im Grunde ändert sich dann beim Training die .cfg und das vortrainierte Modell, der Rest bleibt wie es ist. Ich nehme das mal als Anregung auf (YOLO Versionen / Lite etc.) und schaue mal, dass ich daraus einen Ergänzungsvideo zur Serie mache. Ich denke, das Thema dürfte auch andere interessieren.
Hallo Herr Würtz,
Ihre Beiträge finde ich sehr verständlich und sehr gut aufgebaut. Ich bin zwar schon Rentner aber immer neugierig.
Jetzt habe ich schon ein wesentlich besseres Verständnis über neuronale Netze.
Vielen Dank für Ihre sehr umfangreiche Arbeit und die Mühe die Sie sich gemacht haben.
Viele Grüße
Dieter Raab
Ganz tolles Feedback, vielen Dank dafür! :) Das freut mich!
Hi ! ich habe mir das Video noch nicht ganz angeschaut, aber ich sehe es sind wirklich 5 Videos . Das heißt Udo du hast es durchgezogen , Respekt. Ich schaue mir den ganzen Material durch und mache alles mit. Ich hoffe ich finde das was ich gesucht habe !
Danke Dir. Falls es Probleme bei der Installation der Software geben sollte, einfach melden. Manchmal änderen z.B. NVIDIA oder auch die Linux Distribution einige Libraries, das muss ich dann anpassen. Geht aber meistens recht schnell.
Ein sehr schönes Video und sehr gut erklärt. Ich versuche mithilfe der Videoreihe auch ein kleines Projekt zu starten. Machen Sie bitte weiter so. Vielen Dank
Danke für das Feedback, das mache ich gerne.
macht es nicht sinn zum lernen ein Projekt zunehmen wofür es bereits gute Datenquellen aus dem Internet gibt?
ich würde zb. gerne ein Modell trainieren wo Zielscheiben erkennt und dafür gibt es bereits sehr gute Daten. zwar müsste ich die für meinen Anwendungsfall noch Mal bearbeiten, aber fürs erste Modell halte ich die für sehr gut
Prima Video.
Danke schön!
Hallo Herr Würtz, mal eine Frage an den Profi. Ich möchte gerne Tischtennisbälle im Flug erkennen und habe bereits, ähnlich wie sie, Videos vom Wurf der Bälle gemacht. Meine Fragen: a) die 30fps Bilder lassen den Ball verschwommen aussehen. Mindert es nicht die Erkennungsqualität? (ihre Fahrzeuge sind auch teilweise verschwommen, es scheint sie nicht zu stören :-)). b)Würde es der Erkennung helfen das gleiche Objekt aus verschiedenen Posen zu filmen (der Ball ist ja trotzdem Rund, egal wie der Hintergrund ist) oder hat der Hintergrund keinen Einfluss auf den späteren Lerneffekt, da man ja nur das Objekt selbst labelt? c) Der Tischtennisball ist relativ klein im Verhältnis zum Gesamtbild, ist Yolo tatsächlich die richtige Methode? Hintergrund: Becher werden gut erkannt, fliegende Bälle eher schlecht (Bewegungsunschärfe?) Danke und machen Sie weiter so!!!!
Hallo Herr Mutz, na, das ist ja mal ein cooles Thema, Respekt! :) Fangen wir mit dem Hintergrund an: Grundsätzlich ist es immer gut, wenn man entsprechend viele Daten hat und möglichst unterschiedliche Hintergründe. Dadurch wird das Modell in der Regel robuster und besser. Wenn die Kamera immer exakt an der gleichen Stelle steht und der Hintergrund immer gleich ist, kann man das auch etwas vernachlässigen. Ist die Kamera mobil, dann würde ich schon empfehlen, hier andere Hintergründe mit zu verwenden damit das Modell Objektgrenzen besser verstehen lernt. Ob der Ball verschwommen aussieht oder nicht, ist weniger relevant. Es wäre dann wichtig, wenn Sie im Flug die Marke oder Beschädigungen erkennen wollten. Wichtig ist, dass die Aufnahmen mit 30fps auch im Livebetrieb so sind und nicht z.B. dann mit 60fps ein deutlich schärferes Bild liefern würden als die trainierten Daten hergeben. Hilfreich sind natürlich kontrastreiche Hintergründe, also gelber Ball vor gelbem Hintergrund ist nicht so gut für die Erkennung... Ob YOLO hier passt, ist immer so eine Sache. YOLO hat Schwächen bei vielen kleinen Objekten, wenn es davon sehr viele in einer Gruppe gibt und alle identifiziert werden sollen. Bei einem einzelnen Ball sollte das prinzipiell funktionieren. Der einzige Schwachpunkt könnte noch sein wenn der Ball sehr winzig ist da die Kamera z.B. Weitwinkel aufnimmt. Wenn dann gefühlt ein Objekt in Hummelgröße hin und herfliegt wäre das auch schwierig... Auch würde ich empfehlen mal mit verschiedenen YOLO Varianten zu experimentieren, lite-Modelle mal auszuprobieren usw. da die Geschwindigkeit der Kamera und die Erkennung damit besser in sync sind. Im Grunde ändert sich dann beim Training die .cfg und das vortrainierte Modell, der Rest bleibt wie es ist. Ich nehme das mal als Anregung auf (YOLO Versionen / Lite etc.) und schaue mal, dass ich daraus einen Ergänzungsvideo zur Serie mache. Ich denke, das Thema dürfte auch andere interessieren.