KI-Videoanalyse mit individuellen KI-Modellen
Individuelle KI-Modelle entstehen mit SynaEYE aus realen Videodaten. Der integrierte Label Manager, ein separater GPU-Trainingsserver und kontrollierte Deployments verbinden Datensatzerstellung, Training, Validierung und Betrieb zu einem durchgängigen Modelllebenszyklus.
Direkte Antwort
Wie entstehen individuelle KI-Modelle?
Standardmodelle decken viele typische Objekte und Situationen ab. Spezifische Kameraperspektiven, kleine Objektgrössen, besondere Lichtbedingungen oder branchenspezifische Anforderungen können jedoch eigene Trainingsdaten erforderlich machen.
Reale Videodaten werden zu strukturierten Trainingsdaten.
Der integrierte Label Manager bereitet relevante Bilddaten für neue Trainingszyklen auf. Fehlerkennungen, neue Szenen und projektspezifische Anforderungen werden zu strukturierten Trainingsdaten.
- AusgangspunktReale Ereignisse, Fehl- und Nichterkennungen sowie neue Szenen
- LabelingObjekte, Zustände und eigene Klassen strukturiert annotieren
- TrainingDatensätze auf separater GPU-Infrastruktur in neue Modellversionen überführen
- BetriebModelle testen, versionieren, freigeben, deployen und bei Bedarf zurückrollen
Integrierter Label Manager
Individuelle KI-Modelle: Bilddaten sorgfältig vorbereiten.
Der in SynaEYE integrierte Label Manager verbindet reale Videodaten direkt mit dem Modellworkflow. Relevante Aufnahmen lassen sich auswählen, annotieren und zu kontrollierten Trainingsdatensätzen zusammenstellen.
01 / 04
Szenen auswählen
Relevante Ereignisse, Fehlerkennungen, Nichterkennungen und neue Situationen gezielt aus dem vorhandenen Bildmaterial übernehmen.
02 / 04
Objekte annotieren
Objekte oder sichtbare Zustände annotieren und den relevanten Bildbereichen eindeutig zuordnen.
03 / 04
Klassen anlegen
Eigene Objektklassen und projektspezifische Zustände passend zum jeweiligen Anwendungsfall anlegen.
04 / 04
Datasets freigeben
Trainingsdatensätze strukturiert aufbauen, überprüfen, erweitern und für neue Trainingsläufe freigeben.
Getrennte technische Rollen
Training und produktive Videoanalyse bleiben voneinander getrennt.
SynaEYE trennt das rechenintensive Modelltraining bewusst von der produktiven Videoanalyse.
Der separate Trainingsserver stellt die benötigte GPU-Rechenleistung bereit. Die produktiven Analyse-Worker verarbeiten währenddessen weiterhin die laufenden Kamerastreams.
Projektspezifische Klassen
Individuelle KI-Modelle auf den visuellen Prozess abstimmen.
Standardmodelle erkennen allgemeine Objektklassen wie Personen oder Fahrzeuge. Projektspezifisches Training erweitert diesen Umfang um Objekte und Zustände, die für einen konkreten Prozess relevant sind.
Dadurch muss sich der Anwendungsfall nicht an ein vorhandenes Standardmodell anpassen. Das Modell kann gezielt auf den jeweiligen visuellen Prozess abgestimmt werden.
Separate Trainingsinfrastruktur
Individuelle KI-Modelle auf kontrollierter Infrastruktur trainieren.
Der Trainingsserver kann innerhalb der eigenen oder einer kontrollierten Infrastruktur betrieben werden. Trainingsdaten müssen dadurch nicht zwingend an externe Modell- oder Trainingsdienste übertragen werden.
Rechenintensives Training gezielt auslagern.
Der Trainingsserver wird mit SynaEYE verbunden und übernimmt die rechenintensiven Trainings- und Validierungsprozesse für die vorbereiteten Datensätze.
Leistung passend zum Modellvorhaben planen.
Die dafür benötigte GPU-Leistung richtet sich unter anderem nach Modellarchitektur, Dataset-Grösse, Bildauflösung und gewünschter Trainingsdauer.
GPU-gestütztes Training, Validierung und Entwicklung neuer Modellversionen.
Freigegebene Modelle analysieren die verbundenen Kamerastreams im laufenden Betrieb.
Vision Language Models bearbeiten kontextbezogene und frei formulierte visuelle Aufgaben.
Versionierung und Rollback
Neue Modellstände kontrolliert prüfen und freigeben.
Eine neue Modellversion ersetzt den produktiven Stand nicht automatisch. SynaEYE hält Modellstände getrennt und macht Änderungen nachvollziehbar.
Validieren
Neue Modellversionen werden vor dem produktiven Einsatz mit definierten Positiv-, Negativ- und Grenzfällen geprüft.
Vergleichen
Trefferqualität, Fehlalarme, Nichterkennungen, Laufzeit und Ressourcenbedarf verschiedener Modellstände lassen sich gegenüberstellen.
Nachvollziehen
Dataset, Trainingslauf, Modellversion, Validierung, Freigabe und Deployment bleiben einem definierten Modellstand zugeordnet.
Zurückrollen
Erfüllt eine neue Version die Anforderungen im produktiven Betrieb nicht, kann auf einen zuvor freigegebenen Modellstand zurückgegangen werden.
Bestehende Datensätze weiterverwenden
YOLO und COCO in den Modellworkflow einbinden.
Bereits vorhandene Trainingsdaten müssen nicht neu aufgebaut werden. Bestehende Annotationen lassen sich in den Modellworkflow übernehmen, prüfen und durch neue projektspezifische Szenen ergänzen.
Bildmaterial und Bounding Boxes übernehmen.
Bestehende YOLO-Datensätze mit Bildmaterial, Klassen und Bounding Boxes lassen sich in den kontrollierten Dataset-Prozess integrieren und gezielt erweitern.
Klassen und Metadaten gezielt ergänzen.
COCO-Datensätze mit Klassen, Annotationen und Metadaten können als Ausgangspunkt verwendet und mit neuen realen Aufnahmen aus dem jeweiligen Einsatzumfeld ergänzt werden.
Kontinuierliche Modellverbesserung
Produktive Erfahrungen zurück in den Modellworkflow führen.
Kameras, Lichtbedingungen, Produkte, Arbeitsabläufe oder Umgebungen können sich verändern. Ein einmal trainiertes Modell bleibt deshalb nicht automatisch dauerhaft optimal.
Erfassen
Trefferqualität, neue Situationen, Fehlerkennungen und Nichterkennungen im produktiven Betrieb erfassen.
Auswählen
Relevante Szenen identifizieren und gezielt für die Erweiterung des Datensatzes übernehmen.
Trainieren
Dataset ergänzen, neue Modellversion trainieren und unabhängig gegen definierte Testdaten validieren.
Ausrollen
Eine validierte Modellversion kontrolliert auf die vorgesehenen Analyse-Worker ausrollen und bei Bedarf auf einen vorherigen Stand zurückkehren.
Datenqualität und Verantwortung
Individuelle KI-Modelle: Qualität an realen Bildern prüfen.
Entscheidend sind Datenqualität, Repräsentativität, Annotationen, Klassenabgrenzung und eine unabhängige Validierung.
Repräsentative Einsatzdaten
Der Trainingsdatensatz muss die realen Bedingungen des späteren Einsatzes ausreichend abbilden. Fehlen relevante Perspektiven, Lichtbedingungen oder Grenzfälle, kann das Modell diese Situationen später nur eingeschränkt verarbeiten.Konsistente Annotationen
Falsche oder inkonsistente Annotationen übertragen sich auf das Training. Klassen, Labelregeln und Qualitätskontrollen müssen deshalb eindeutig definiert sein.Generalisierung prüfen
Ein Modell kann auf den vorhandenen Trainingsdaten sehr gute Ergebnisse liefern und trotzdem bei neuen Kameras, Umgebungen oder Objektvarianten an Qualität verlieren.Real validieren
Neue Modellversionen sollten nicht allein aufgrund besserer Trainingskennzahlen produktiv eingesetzt werden. Entscheidend ist die Validierung unter realen Einsatzbedingungen.Prüfen Sie den Datenschutz für Ihren konkreten Einsatz. Für Standorte in der EU finden Sie Grundlagen in der DSGVO und den EDSA-Leitlinien zur Videoüberwachung. Berücksichtigen Sie zusätzlich die Anforderungen des EU AI Act, soweit Ihr Einsatz darunter fällt.
Für private Betreiber in der Schweiz bieten die EDÖB-Hinweise zur Videoüberwachung eine Orientierung.
Passende Plattformen
Eigene KI-Modelle mit SynaEYE umsetzen.
Training, Prüfung und produktiver Einsatz gehören zusammen. Die einzelnen Aufgaben bleiben im Modellworkflow klar zugeordnet.
Eigene Modelle im Betrieb
Vom gelabelten Bild zum produktiven Modell
SynaEYE verbindet den Label Manager, Datensätze und versionierte Modelle mit dem produktiven Analysebetrieb. Ein separater Trainingsserver stellt die Rechenleistung für das Modelltraining bereit.
Passt zu Ihnen, wenn Sie:eigene Objektklassen entwickeln, mit realen Szenen prüfen und freigegebene Modelle kontrolliert auf Ihre Analyse-Worker ausrollen möchten.
Häufige Fragen
Labeling & Modelltraining kurz erklärt.
Was ist der SynaEYE Label Manager?
Der integrierte Label Manager bereitet relevante Bild- und Videodaten direkt für die Weiterentwicklung von KI-Modellen vor. Objekte und Zustände werden markiert, Klassen definiert und Datensätze strukturiert aufgebaut.
Wann braucht ein Standardmodell zusätzliche Trainingsdaten?
Zusätzliche Daten sind sinnvoll, wenn Kameraperspektive, Licht, Objektgrösse, Umgebung oder branchenspezifische Situationen von den bisherigen Trainingsbedingungen abweichen.
Welche eigenen Klassen lassen sich trainieren?
Trainierbar sind klar sichtbare und konsistent definierbare Klassen, zum Beispiel Produkte, Werkzeuge, Maschinenkomponenten, Verpackungen, Schutzkleidung, spezielle Fahrzeugtypen oder Prozesszustände.
Welche Aufgabe hat der separate SynaEYE Trainingsserver?
Der mit SynaEYE verbundene Trainingsserver stellt die GPU-Rechenleistung für das Inhouse-Training gelabelter Datensätze bereit. Er ist bewusst von den produktiven Analyse-Workern getrennt, damit Trainingsprozesse die laufende KI-Videoanalyse nicht belasten.
Kann das Modelltraining auf eigener Infrastruktur erfolgen?
Ja. Der Trainingsserver kann innerhalb einer eigenen oder kontrollierten IT-Umgebung betrieben werden. Trainingsdaten müssen dadurch nicht zwingend an externe Trainingsdienste übertragen werden.
Sind Hardware und GPU-Leistung in der Trainingsserver-Lizenz enthalten?
Nein. Hardware und GPU-Rechenleistung sind nicht Bestandteil der SynaEYE Trainingsserver-Lizenz. Sie werden entsprechend der benötigten Trainingsleistung separat dimensioniert.
Was unterscheidet Trainingsserver, SynaEYE Worker und VLM Server?
Der Trainingsserver trainiert eigene Modelle. SynaEYE Worker führen freigegebene Modelle produktiv auf Kamerastreams aus. Ein VLM Server verarbeitet Vision Language Models für kontextbezogene visuelle Analysen.
Unterstützt SynaEYE bestehende YOLO- und COCO-Datensätze?
Bestehende Datensätze in gängigen Formaten wie YOLO und COCO können in den Modellworkflow eingebunden, geprüft und durch neue projektspezifische Daten ergänzt werden.
Wie funktionieren Modellversionierung und Rollback?
Neue Modelle werden als nachvollziehbare Versionen getestet und freigegeben. Bei Bedarf kann auf einen früheren stabilen Modellstand zurückgekehrt werden, ohne die bisherige Version unkontrolliert zu überschreiben.
Vom Videodatensatz zum produktiven Modell
Ihr individuelles Modell kontrolliert entwickeln.
Wir prüfen Datenlage, Klassen, Zielhardware, Qualitätskriterien und Integration und definieren einen realistischen Modellzyklus.
