Ultralytics und NVIDIA: YOLO26x erreicht mit weniger Labels die Genauigkeit des Trainings mit allen Daten
Ultralytics und NVIDIA zufolge hat eine agentische Trainingsschleife in Kombination mit synthetischen Daten aus Cosmos Data Factory dafür gesorgt, dass Ultralytics YOLO26x auf 11 von 19 öffentlichen Datensätzen zur industriellen Inspektion die Genauigkeit des Trainings mit dem vollständigen Datensatz erreicht. Laut Ultralytics wurden 53 % der gelabelten Bilder dieser 11 Datensätze gar nicht gebraucht.
- Ultralytics YOLO26x erreichte mit der agentischen Pipeline von NVIDIA auf 11 von 19 öffentlichen Inspektionsdatensätzen die Genauigkeit des Trainings mit dem vollständigen Datensatz.
- Auf diesen 11 Datensätzen wurden laut Ultralytics 53 % der gelabelten Bilder nie benötigt.
- Das Training war auf 10 Datensätzen schneller, bei DAGM um 69 bis 74 %, auf neun weiteren aber langsamer.
- Mit Cosmos Data Factory erzeugte Defekte steigerten den [email protected] bei den DAGM-Klassen um 0,11 bis 0,32, bei DAGM-Klasse 9 von 0,650 auf 0,966.
- Von 11.448 generierten Bildern wurden nur 1.481 für das Training behalten.
Wie die Trainingsschleife ihre Daten auswählt
Der Ansatz beruht auf einer einfachen Annahme von Ultralytics: Nicht mehr Daten sind die Lösung, sondern die richtigen. Modelle zur Defekterkennung kommen mit häufigen Fehlern oft gut zurecht, übersehen aber den seltenen Kratzer, ungewöhnliche Lichtverhältnisse oder einen ungewöhnlichen Kamerawinkel. Das übliche Gegenmittel, von allem mehr zu sammeln und zu labeln, gilt als langsam und teuer und liefert vor allem Bilder, die das Modell ohnehin schon beherrscht.
Die agentische, datenverbessernde Trainingsschleife von NVIDIA umgibt den Trainingsprozess und entscheidet, welche Daten das Modell als Nächstes braucht. Laut dem Beitrag erledigt sie drei Aufgaben:
- Sie durchsucht reale Daten in vorhandenen Bildbeständen, um gezielt Lücken im Trainingsset zu füllen.
- Sie erzeugt synthetische Daten mit Cosmos Data Factory, wo es keine realen Beispiele gibt.
- Sie labelt automatisch mithilfe einer Komponente namens AnomalyGen, sodass synthetische Bilder vor dem erneuten Training nicht manuell annotiert werden müssen.
Cosmos Data Factory ist die Plattform von NVIDIA für Datenkuratierung, -verarbeitung und -erzeugung auf Basis der Cosmos-Weltmodelle. Ultralytics YOLO wird anschließend mit der Pipeline von Ultralytics auf dem kombinierten Set aus realen und synthetischen Daten neu trainiert.
Testaufbau und wichtigste Ergebnisse
Das Machine-Learning-Team von Ultralytics ließ die Pipeline auf 19 öffentlichen Datensätzen zur industriellen Inspektion laufen. Sie decken Stahl, Leiterplatten, Stoffe, Metalloberflächen und Konsumgüter ab und umfassen insgesamt rund 91.000 Trainingsbilder. Jeder Lauf erfolgte auf einem einzelnen Host mit 8 GPUs. Baseline und das Modell mit Cosmos Data Factory nutzten ein identisches Rezept: Ultralytics YOLO26x, 100 Epochen, derselbe Optimierer, dieselbe Lernrate und derselbe Seed, bewertet auf demselben zurückgehaltenen Testset. Nur die Trainingsbilder unterschieden sich.
Auf 11 der 19 Datensätze erreichte die agentische Pipeline die Genauigkeit des mit dem vollständigen Datensatz trainierten Modells. Auf den DAGM-Datensätzen erzielte sie mit einem Zehntel der Labels denselben [email protected], bei zwei Klassen lag sie sogar leicht vorn. Bei pcb-defect ließ sie 7.000 von 20.924 Bildern weg, wobei der Genauigkeitsunterschied laut Ultralytics viermal kleiner war als das Rauschen zwischen einzelnen Läufen.
Auch die Trainingszeit sank bei 10 der 19 Datensätze. Bei DAGM ging sie von 13 bis 24 Minuten auf 4 bis 7 Minuten zurück, eine Reduktion um 69 bis 74 %. Bei größeren Datensätzen fiel die Ersparnis geringer aus: 19 % bei VisA und 12 % bei metal-surface-defect. Auf den übrigen neun Datensätzen dauerte die Pipeline länger als ein einzelner Lauf mit allen Daten, weil jede kuratierte Runde von Grund auf neu trainiert und die zusätzlichen Runden die Einsparung aufzehren, wenn die kuratierte Teilmenge nicht viel kleiner ist.
Generierte Defekte und strengere Lokalisierung
Ein dritter Test isolierte den Effekt synthetischer Daten auf Datensätzen mit Polygon-Annotationen. Mit Cosmos Data Factory erzeugte und von AnomalyGen gelabelte Defekte wurden mit einem Modell verglichen, das nur mit realen Bildern trainiert war. Als Metrik diente [email protected], die eine Vorhersage nur zählt, wenn ihre Box den tatsächlichen Defekt zu mindestens 75 % überlappt. Sie misst also, wie präzise ein Defekt lokalisiert wird.
Die generierten Defekte steigerten den [email protected] bei den DAGM-Klassen um 0,11 bis 0,32, und der Recall verbesserte sich auf jedem getesteten Datensatz. Den größten Sprung gab es bei DAGM-Klasse 9, von 0,650 auf 0,966. Bei Real-IAD fiel der Zuwachs mit +0,008 minimal aus.
Der Einsatz synthetischer Daten war streng begrenzt. Über 18 Generierungsrunden erzeugte die Pipeline 11.448 Bilder, von denen nur 1.481 behalten wurden, etwa jedes achte. Das Team testete Obergrenzen von 25 % oder 100 % der realen Bilder im Trainingsset, sodass die Obergrenze und nicht die Ausgabe des Generators bestimmte, wie viele synthetische Daten ein Modell zu sehen bekam.
Was das für Inspektionsteams bedeutet
Ultralytics argumentiert, dass der Ansatz für Teams, die bereits Ultralytics YOLO trainieren, in den bestehenden Workflow passt: dieselben Modelle und dasselbe Trainingsrezept, nur mit gezielter ausgewählten Daten. Für Teams, die für Annotationen bezahlen, nennt das Unternehmen die Einsparungen beim Labeling das Hauptergebnis, da der Großteil des Labeling-Budgets bei diesen Datensätzen in Bilder geflossen sei, die am Ergebnis nichts änderten.
Die Ergebnisse haben laut Beitrag Grenzen: Die gleiche Genauigkeit stellte sich auf 11 von 19 Datensätzen ein, die Geschwindigkeitsgewinne waren nicht universell, und der Nutzen synthetischer Daten schwankte je nach Datensatz. Die Zahlen stammen aus eigenen Tests von Ultralytics auf öffentlichen Benchmarks.
