Ein eigenes Modell, das fast gleiche Teile unterscheidet.
Ein spezialisiertes Bildmodell ordnet fotografierte Sammlerobjekte in einem großen Katalog zu, dort, wo zugekaufte KI-Modelle scheitern.
- Branche
- Sammlerobjekte, Katalog
- Zeitraum
- 2026
- Gebaut
- Bildmodell, Vektorsuche
- Kunde
- Vertraulich, Sammlerobjekte
Den Namen des Kunden nennen wir auf dessen Wunsch nicht. Mehr zu diesem Projekt erzählen wir Ihnen gern im Erstgespräch.
53 statt 30
Treffer beim ersten Versuch, eigenes Modell gegen Standard-API
Ein eigenes Modell für Ihre Daten?
Erstgespräch buchenAusgangslage
Reicht dafür nicht ein Standardmodell?
Hier nicht. Die Objekte im Katalog sehen sich fast gleich. Zugekaufte Modelle halten alles für ähnlich und bewerten in kritischen Fällen die falsche Zuordnung höher als die richtige.
Gerade das, was ein Standardmodell für viele Zwecke brauchbar macht, verhindert hier die scharfe Trennung. Für eine automatische Zuordnung braucht es aber ein Signal, dem man trauen kann.
Ergebnis
Wie viel besser ist das eigene Modell?
Treffer beim ersten Versuch, je 100 Fotos. Auch bei Objekten, die im Training nie vorkamen, wird die Zuordnung besser. Das Modell hat also keine Beispiele auswendig gelernt, sondern den Unterschied selbst.
Gemessen in diesem Kundenprojekt, 2026. Trefferquote beim ersten Versuch (Top-1): Standard-API 0,30, eigenes Modell 0,53.
So ist es gebaut
Braucht das teure Grafikkarten?
- 1Ein vortrainiertes Bildmodell bleibt, wie es ist.
- 2Nur ein kleiner Zusatz, der Kopf, lernt die feinen Unterschiede. Das Training dauert Sekunden, die Beschriftungen kamen aus vorhandenen Metadaten. Niemand musste Bilder von Hand markieren.
- 3Der Betrieb läuft auf normalen Prozessoren, on premise. Die Bilder verlassen das Haus nicht.
Umwege
Was hat nicht funktioniert?
Mehrere naheliegende Erweiterungen haben wir getestet und verworfen. Der größte Sprung kam von woanders.
- verworfenMehr Trainingsdaten. Die Qualität stieg nicht.
- verworfenZwei Modelle zusammenführen.
- verworfenEin kleines Sprachmodell zum Nachsortieren.
- verworfenHöhere Bildauflösung. Kaum Gewinn bei vielfachem Rechenaufwand.
- größter SprungEine Schwelle korrigiert, die noch auf der Skala des Vorgängermodells stand. Kein neues Modell.
- AbwägungDie Schärfe hat einen Preis: Bei fremdartigen Aufnahmen ist das Modell empfindlicher. Das ist bewusst so.
Weil einzelne Testläufe schwankten, haben wir jede Verbesserung über mehrere Läufe gemittelt. Sonst hält man Zufall für Fortschritt.
Der größte Fortschritt des Projekts war am Ende eine korrigierte Zahl in der Konfiguration.
Technik für Technikinteressierte
- DINOv2
- ArcFace
- Metric Learning
- PyTorch
- Embeddings
- pgvector
- PostgreSQL
- Python
- FastAPI
- Docker
Unterscheidet Ihr Standardmodell nicht genau genug?
Wir sprechen über Ihr Vorhaben und geben Ihnen Feedback, wie wir es lösen würden.