Computer vision maakt het mogelijk om AI-systemen informatie uit afbeeldingen en video’s te laten herkennen en interpreteren. Denk aan het detecteren van objecten, het herkennen van schade, het controleren van producten of het analyseren van medische beelden.
Om dat goed te kunnen doen, heeft een model grote hoeveelheden betrouwbare trainingsdata nodig. Die data moet niet alleen beschikbaar zijn, maar ook op de juiste manier worden gelabeld. Daar komt data-annotatie om de hoek kijken.
Bij computer vision draait data-annotatie om het toevoegen van labels aan beelden, zodat een AI-model leert wat er te zien is en waar belangrijke objecten of kenmerken zich bevinden.
Wat is data-annotatie voor computer vision?
Data-annotatie voor computer vision is het labelen van visuele data, zoals foto’s en videobeelden. Door objecten, gebieden of kenmerken in een beeld te markeren, ontstaat trainingsdata waarmee een AI-model patronen kan leren herkennen.
Dat kan bijvoorbeeld door:
- een afbeelding een categorie te geven;
- objecten te omlijnen met bounding boxes;
- objectcontouren nauwkeurig te markeren;
- afzonderlijke pixels te labelen;
- specifieke herkenningspunten aan te geven.
Welke vorm van annotatie nodig is, hangt af van wat het model uiteindelijk moet kunnen herkennen.
Bij complexe objecten is bijvoorbeeld polygonannotatie vaak geschikter dan een eenvoudig rechthoekig kader, omdat de contouren van het object veel nauwkeuriger kunnen worden gevolgd.
Hoe leert AI beelden herkennen?
Een computer vision-model leert op basis van voorbeelden. Tijdens het trainen krijgt het grote hoeveelheden gelabelde beelden te zien. Het model zoekt daarin naar patronen en koppelt visuele kenmerken aan de labels die zijn toegevoegd.
Dat proces verloopt grofweg als volgt:
- Het model krijgt gelabelde afbeeldingen of videoframes.
- Het leert welke visuele kenmerken bij bepaalde objecten of categorieën horen.
- Het herkent steeds beter patronen, vormen, kleuren en structuren.
- Uiteindelijk kan het voorspellen wat er op nieuwe, niet-gelabelde beelden te zien is.
De kwaliteit van de annotaties is daarbij essentieel. Wanneer objecten verkeerd worden gelabeld of annotators dezelfde situaties verschillend beoordelen, kan het model verkeerde patronen aanleren.
Welke vormen van beeldannotatie zijn er?
Er zijn verschillende manieren om beelden voor computer vision te annoteren. De juiste methode hangt af van de toepassing en de mate van nauwkeurigheid die nodig is.
Image classification
Bij image classification krijgt een volledige afbeelding één of meerdere labels.
Een foto kan bijvoorbeeld worden gelabeld als ‘auto’, ‘fiets’ of ‘beschadigd product’. Het model leert vervolgens om nieuwe afbeeldingen in dezelfde categorieën in te delen.
Deze methode is vooral geschikt wanneer het belangrijk is om te weten wat er op een afbeelding staat, maar niet noodzakelijk waar het object zich bevindt.
Bounding boxes
Bij bounding box annotation wordt een rechthoekig kader rondom een object geplaatst.
Dit wordt veel gebruikt voor objectdetectie. Een model leert hiermee niet alleen dat een object aanwezig is, maar ook waar het zich in het beeld bevindt.
Voor relatief eenvoudig gevormde objecten is dit vaak een efficiënte manier van annoteren.
Polygonannotatie
Bij polygonannotatie wordt de contour van een object nauwkeurig gevolgd met meerdere punten.
Dit is vooral geschikt voor objecten met onregelmatige vormen of wanneer een rechthoekig kader te veel achtergrond meeneemt.
Meer hierover lees je in ons blog over polygonannotatie voor AI.
Semantic segmentation
Bij semantic segmentation wordt iedere relevante pixel binnen een afbeelding van een label voorzien.
Zo kan een model bijvoorbeeld onderscheid leren maken tussen:
- wegdek;
- voertuigen;
- gebouwen;
- bomen;
- voetgangers.
Deze methode is nauwkeuriger dan een bounding box, maar vraagt ook meer tijd en consistente annotatie.
Keypoint annotation
Bij keypoint annotation worden specifieke punten op een object gemarkeerd.
Denk bijvoorbeeld aan gewrichten van een persoon, herkenningspunten op een gezicht of vaste punten op een technisch onderdeel.
Deze techniek wordt onder andere gebruikt voor pose estimation en bewegingsanalyse.
Waar wordt computer vision annotatie voor gebruikt?
Computer vision wordt in uiteenlopende sectoren toegepast. De benodigde annotatie verschilt daarbij per toepassing.
Voorbeelden zijn:
- kwaliteitscontrole: defecten of afwijkingen in producten herkennen;
- productie: onderdelen en objecten automatisch identificeren;
- autonome voertuigen: voertuigen, verkeersborden, rijstroken en voetgangers herkennen;
- logistiek: goederen, pallets of pakketten detecteren;
- medische beeldanalyse: patronen in scans of andere medische beelden herkennen;
- infrastructuur: schade aan wegen, gebouwen of installaties signaleren;
- landbouw: gewassen, onkruid of ziektes herkennen;
- beveiliging: objecten of gebeurtenissen in camerabeelden identificeren.
Een dataset voor kwaliteitscontrole vraagt daardoor om andere labels dan een dataset voor verkeersanalyse.
Waarom is goede annotatie zo belangrijk?
Een AI-model kan alleen leren van de informatie die het krijgt aangeboden. Wanneer labels niet kloppen of inconsistent worden toegepast, heeft dat invloed op de kwaliteit van het model.
Goede computer vision annotatie vraagt daarom om:
- duidelijke annotatierichtlijnen;
- vaste definities van objecten en categorieën;
- consistente toepassing van labels;
- representatieve beelden;
- nauwkeurige afbakening van objecten;
- controle van twijfelgevallen;
- structurele kwaliteitscontrole.
Ook de bredere kwaliteit van de dataset speelt een rol. Ontbrekende voorbeelden of een dataset die onvoldoende varieert, kunnen ervoor zorgen dat een model in de praktijk minder goed presteert. Meer hierover lees je in ons blog over datakwaliteit verbeteren voor betrouwbare BI en AI.
Veelvoorkomende uitdagingen bij beeldannotatie
Beeldannotatie lijkt soms eenvoudig, maar in de praktijk ontstaan regelmatig situaties waarin beoordeling nodig is.
Denk bijvoorbeeld aan:
- objecten die gedeeltelijk buiten beeld vallen;
- meerdere objecten die elkaar overlappen;
- slechte of onscherpe beelden;
- grote verschillen in lichtomstandigheden;
- zeer kleine objecten;
- onduidelijke objectgrenzen;
- verschillende interpretaties van hetzelfde beeld.
Juist in deze situaties is het belangrijk dat annotators dezelfde richtlijnen hanteren.
Hoe groter de dataset wordt, hoe belangrijker ook het controleren van de kwaliteit. Kleine fouten kunnen zich anders op grote schaal herhalen en uiteindelijk invloed hebben op de betrouwbaarheid van het model.
Data-annotatie voor computer vision uitbesteden
Het annoteren van grote hoeveelheden beelden kan arbeidsintensief zijn. Zeker bij polygonannotatie, segmentatie of andere vormen waarbij nauwkeurige markeringen nodig zijn.
Het kan daarom interessant zijn om data-annotatie uit te besteden.
Dat kan bijvoorbeeld relevant zijn wanneer:
- grote hoeveelheden afbeeldingen moeten worden verwerkt;
- interne capaciteit beperkt is;
- nauwkeurige annotatie veel tijd vraagt;
- dezelfde richtlijnen consequent moeten worden toegepast;
- extra kwaliteitscontroles nodig zijn.
Door het annotatieproces gestructureerd in te richten, ontstaat een dataset die niet alleen groot genoeg is, maar vooral betrouwbaar en bruikbaar voor AI-training.
Van gelabelde beelden naar betrouwbare computer vision
Computer vision draait niet alleen om geavanceerde algoritmes. De kwaliteit van de trainingsdata vormt minstens zo’n belangrijk onderdeel.
Wanneer beelden nauwkeurig worden gelabeld, annotatieregels consequent worden toegepast en twijfelgevallen zorgvuldig worden gecontroleerd, krijgt een AI-model een betere basis om nieuwe beelden te interpreteren.
Goede beeldannotatie helpt daarmee om computer vision-modellen nauwkeuriger, consistenter en betrouwbaarder te maken.
Bij auticon ondersteunen onze IT-professionals organisaties bij het labelen, structureren en controleren van data voor AI-toepassingen. Bekijk onze AI/data-annotatiediensten voor meer informatie over hoe we kunnen ondersteunen bij computer vision en andere vormen van data-annotatie.
Veelgestelde vragen over data-annotatie voor computer vision
Wat is computer vision data-annotatie?
Computer vision data-annotatie is het toevoegen van labels aan afbeeldingen en video’s, zodat AI-modellen leren welke objecten, kenmerken of patronen in een beeld aanwezig zijn.
Welke annotatiemethode is het meest geschikt voor computer vision?
Dat hangt af van de toepassing. Voor eenvoudige classificatie kan een label op afbeeldingsniveau voldoende zijn. Voor objectdetectie worden vaak bounding boxes gebruikt, terwijl polygonannotatie en segmentatie geschikter zijn wanneer nauwkeurige objectgrenzen belangrijk zijn.
Wat is het verschil tussen bounding boxes en polygonannotatie?
Een bounding box is een rechthoekig kader rondom een object. Polygonannotatie volgt de contour van het object veel nauwkeuriger. Daardoor is polygonannotatie vooral geschikt voor objecten met complexe of onregelmatige vormen.
Waarom is menselijke controle belangrijk bij beeldannotatie?
Automatische annotatietools kunnen een deel van het werk versnellen, maar hebben moeite met uitzonderingen, overlappende objecten en onduidelijke grenzen. Menselijke controle helpt om labels correct en consistent te houden.
Wanneer kun je computer vision annotatie beter uitbesteden?
Uitbesteden kan interessant zijn wanneer grote hoeveelheden beelden moeten worden verwerkt, nauwkeurige annotatie nodig is of interne teams onvoldoende capaciteit hebben voor labeling en kwaliteitscontrole.
