Die Anleitung über die AI Pipeline befasst sich durchgehend mit dem Thema No-Code AI und vermittelt alle notwendigen Grundlagen künstliche Intelligenz selber nutzen zu können ohne jetzt Wissenschaftler oder Entwickler sein zu müssen. Bei dieser Anleitung gilt das alles so erklärt wird das Sie die Grundlagen verstehen und selber eine künstliche Intelligenz nutzen können. Daher stelle ich als Autor für gewöhnlich Projekte vor bei denen wir zusammen die Ärmel hochkrempeln und loslegen. Ich führe Sie dann Schritt für Schritt zum Erfolg. Auch bei dieser Anleitung über die No-Code AI Pipeline geht es direkt mit dem Thema AI los ohne in die Theorie abzudriften. Sehr gute Bücher rund um das Thema AI, die sich generell den komplexen Themen der künstliche Intelligenz theoretisch annähern gibt es bereits schon zu genüge. Ein paar werde ich auch hier verlinken aber bei mir steht das selber Machen im Vordergrund. Die Theorie kann dann bei Interesse jedes einzelnen später folgen.
Open Source und No-Code
Das hier vorgestellte Projekte die Open Source No-Code AI Pipeline bietet einen einfachen und umfänglichen Einstieg in das Thema künstliche Intelligenz (KI) mit dem Schwerpunkt der Bilderkennung. So werden Sie schnell einen persönlichen Eindruck gewinnen welche Probleme Sie eventuell mit einer künstlichen Intelligenz bzw. einem neuronalen Netz lösen können oder eben noch nicht. Die Zielgruppen sind einmal interessierte Privatpersonen wie Schüler, Studenten oder einfach NERDs sowie auch Unternehmen die das Thema künstliche Intelligenz auf einfacher und kostengünstiger Weise für sich erschließen möchten.
Mit der hier vorgestellten Umsetzung als Projekt ist es möglich sich auf das wesentliche am Thema künstliche Intelligenz zu konzentrieren. Das wichtigste sind die Daten die für das Training der neuronalen Netze benötigt werden. Denn es kommen innerhalb der AI Pipeline bereits gut vor trainierte neuronale Netze zum Einsatz. Vortrainierte neuronale Netze zu verwenden ist der Standard und spart uns neben Zeit auch viel Energie bzw. Stromkosten. Auf diese bereits vortrainierten Netze setzen wir unsere fachliche Anforderung bei der Bilderkennung oben drauf wie z. B. das Erkennen von bestimmten Objekten. Dazu gehört z. B. das Erkennen von kleinen Plastik Spielfiguren, Pflanzen, Schrauben, Landminen und vieles Mehr das sich in Bildern darstellen lässt.
Der Arbeitsaufwand für die Beschaffung und Aufbereitung der Bilddaten für das Anlernen der neuronalen Netze im Verhältnis zu dem Aufwand der Konfiguration der Parameter für das Training eines neuronalen Netzte teilt sich in einem Verhältnis von ca. 90:10 auf. Das heißt 90% der Zeit ist erforderlich gute Daten bereitzustellen, damit das neuronale Netz effizient und richtig ihre fachliche Anforderung lernen kann. Lediglich 10% der Zeit werden noch benötigt Parameter des neuronalen Netzes zu verändern mit dem Ziel das fertig trainierte Netz zu optimieren. Das Training selber läuft im Hintergrund auf einem Server bei Ihnen unter dem Schreibtisch oder eben im eigenen Rechenzentrum je nach den vorhandenen Möglichkeiten ab.
Die drei Komponenten der AI Pipeline
Alle hier vorgestellten Komponenten sind öffentlich verfügbar und wurden als Open Source Projekte auf GitHub veröffentlicht. Über die entsprechenden Kanäle bei GitHub wird Hilfe bei Problemen angeboten und man selber kann der Community wiederum viel zurückgeben durch Verbesserungen an der Software und Ideen für z. B. neue Funktionen.
In meinem Fall ist es ein größerer selbst aufgebauter Deep Learning Rechner unter dem Schreibtisch mit dessen Unterstützung und Support durch Arbeitskollegen bei BMW ich in der Lage war diese Anleitung zu schreiben. Hinter der Software der AI Pipeline steht in großen Teilen das Tech-Office München des Automobilherstellers BMW aus München.
Über den Autor
Ingmar Stapel studierte Technische Informatik an der FH Würzburg und ist aktuell im Bereich der Innovation also Themen die unsere Arbeitswelt in Zukunft formen werden international tätig; daneben beschäftigt er sich seit Jahren intensiv mit dem Raspberry Pi und der Robotik. Dieses Wissen teilt er gerne auf Vorträgen zum Thema Robotik mit Interessierten aus der Bastler-Szene. Auf seinen privaten Blogs schreibt er außerdem zu vielen aktuellen Techniktrends und berichtet von seinen Reisen.
Artikelübersicht - Wie setze ich die AI Pipeline auf:
AI Pipeline - Vorstellung der AnleitungAI Pipeline - Die No-Code AI Pipeline ein Überblick
AI Pipeline - Die drei Bestandteile der No-Code AI Pipeline
AI Pipeline - Grundlagen zum Thema AI Hardware
AI Pipeline - Hardware Beispiel-Konfigurationen
AI Pipeline - Software Installation der No-Code AI Pipeline
AI Pipeline - Labeltool Lite - Installation
AI Pipeline - Labeltool Lite Vorbereitung der Trainingsdaten
AI Pipeline - Labeltool Lite - Bedienung
AI Pipeline - Tensorflow-Object-Detection-Training-GUI - Installation
AI Pipeline - Tensorflow-Object-Detection-Training-GUI - Ausführen
AI Pipeline – Tensorflow-Object-Detection-Training-GUI - Bedienung
AI Pipeline - Tensorflow-Object-Detection-Training-GUI - Inference API testen des neuronalen Netzes
AI Pipeline - AI Image App Einrichten und Bedienen - Teil 1-2
AI Pipeline - AI Image App Einrichten und Bedienen - Teil 2-2
AI Pipeline - Trainingsdaten Download
AI Pipeline - Bilder und Video Anonymization API
Hallo, ich habe ihre Anleitung befolgt und bekomme im letzten Schritt leider immer folgende Meldung im Terminal: bash <(wget -qO-…
Hi Dennis, vielen Dank für den Hinweis, ich habe die URLs angepasst so das diese wieder gehen. Ich bin gespannt…
Ich weiss, es ist noch im Aufbau. Aber hier ist ein Broken Link: https://www.ai-box.eu/smurf_training_data_small.zip Freue mich drauf, die ganze Serie…