1
Es rät
Das Modell macht eine Vorhersage für ein Bild, das es noch nie «validiert» hat.
Wie unser Modell Schwimmbecken erkennt
Wie unser Modell Schwimmbecken erkennt
Ein KI-Modell lernt, Schwimmbecken auf Luftbildern zu erkennen. Hier ist die anschauliche Erklärung.
Die Idee in einem Bild
Das Modell betrachtet ein Luftbild und färbt die Schwimmbecken ein, die es zu sehen glaubt. Links das Originalbild, rechts die Erkennung des Modells (in grün).
Das ist alles, was das Modell tut: Für jeden Bildpunkt beantwortet es eine einfache Frage — «ist das Poolwasser, ja oder nein?». Man nennt das Segmentierung.
Was bringt man ihm bei?
Zum Lernen benötigt das Modell korrigierte Beispiele. Man zeigt ihm Tausende von Luftbildern zusammen mit den Umrissen bereits bekannter Schwimmbecken aus OpenStreetMap. Dieser Umriss wird Maske genannt: Er zeigt genau, wo sich das Wasser befindet.
Unser erstes Modell wurde mit den Dörfern Marennes und Chaponnay südöstlich von Lyon trainiert:
≈ 5 700Bildkacheln
4 850mit mindestens einem Pool
805ohne Pool
Die Beispiele ohne Pool sind genauso wichtig: Sie bringen dem Modell bei, keine blauen Dächer oder Planen mit Wasser zu verwechseln.
Wie es lernt
Der Lernvorgang wiederholt sich tausendfach, immer im gleichen Zyklus:
2
Wir vergleichen
Wir messen die Abweichung zwischen seiner Vorhersage und der Referenzmaske (der richtigen Antwort).
3
Es korrigiert sich
Das Modell passt seine internen Einstellungen leicht an, um beim nächsten Mal etwas weniger falsch zu liegen.
Wiederholt auf dem gesamten Datensatz (jeder vollständige Durchlauf heißt Epoche) verbessert sich das Modell allmählich. Unseres hat in 16 Epochen gelernt, das sind etwa 44 Minuten auf einem einfachen Mac.
Ist es gut?
Um das Modell zu bewerten, testen wir es auf Bildern, die es während des Trainings nie gesehen hat. Zwei Werte zählen:
72 %
Präzision
Wenn es einen Pool meldet, hat es ≈ 7 von 10 Mal recht.
82 %
Recall
Von allen tatsächlichen Pools findet es ≈ 8 von 10.
0,77
F1-Score
Die Gesamtbewertung, die Präzision und Recall kombiniert.
Das ist ein guter Start — ausreichend, um vielversprechende Bereiche vorzuselektieren, aber nicht zuverlässig genug, um auf menschliche Überprüfung zu verzichten.
Wo es sich irrt
Kein Modell ist perfekt. Hier zwei typische Fehler:
Genau deshalb brauchen wir Sie. Jede menschliche Validierung korrigiert diese Fehler und wird verwendet, um ein noch besseres Modell zu trainieren.
Für Interessierte
Neugierig, wie dieses Modell tatsächlich aufgebaut ist? Entdecken Sie die Kulissen: wie der Trainingsdatensatz erstellt wird, wie man ein Training startet und wie eine Inferenz abläuft.
Lust mitzumachen?
Stellen Sie Ihre Rechenleistung zur Verfügung oder bestätigen Sie noch heute Schwimmbecken.
Mitmachen