> ## Documentation Index > Fetch the complete documentation index at: https://avala.ai/docs/llms.txt > Use this file to discover all available pages before exploring further. # Label-Taxonomie & Ontologie > Effektive Label-Taxonomien mit Klassen, Attributen und Hierarchien entwerfen Eine gut gestaltete Label-Taxonomie ist die Grundlage jedes Annotationsprojekts. Diese Seite behandelt, wie Sie Ihre Objektklassen strukturieren, Attribute konfigurieren und Hierarchien aufbauen, die konsistente, hochwertige Trainingsdaten produzieren. ## Was ist eine Ontologie? Im Kontext der Datenannotation ist eine **Ontologie** (oder Label-Taxonomie) das vollständige Schema von Klassen, Attributen und Beziehungen, das Annotatoren zum Labeln von Daten verwenden. Sie definiert: * **Was** für Objekte zu labeln sind (Objektklassen) * **Wie** sie beschrieben werden (Attribute und Eigenschaften) * **Wie** Klassen zueinander in Beziehung stehen (Hierarchie und Gruppierung) Eine klare Ontologie reduziert die Verwirrung der Annotatoren, verbessert das Inter-Annotator-Agreement und produziert sauberere Trainingsdaten für Ihre Modelle. ## Objektklassen Objektklassen sind die Kernbausteine Ihrer Taxonomie. Jede Klasse repräsentiert eine Kategorie von Objekten, die Annotatoren in den Daten identifizieren und labeln werden. ### Klassen definieren Beim Erstellen eines Projekts in Avala definieren Sie Ihre Label-Konfiguration als Liste von Klassen: ```json theme={null} { "labels": [ { "name": "car", "color": "#FF0000" }, { "name": "pedestrian", "color": "#00FF00" }, { "name": "cyclist", "color": "#0000FF" }, { "name": "truck", "color": "#FFA500" }, { "name": "bus", "color": "#800080" } ] } ``` Jede Klasse hat einen eindeutigen Namen und eine Anzeigefarbe, die im Annotationseditor verwendet wird. Wählen Sie Farben, die sich visuell voneinander und von häufigen Hintergrundfarben in Ihren Daten unterscheiden. ### Best Practices für Klassennamen | Praxis | Beispiel | Warum | | -------------------------------------------------- | ----------------------------------------------------------------------- | ----------------------------------------------------- | | Verwenden Sie kleingeschriebene, spezifische Namen | `sedan`, `pickup_truck` | Reduziert Mehrdeutigkeit | | Vermeiden Sie überlappende Definitionen | Verwenden Sie nicht sowohl `car` als auch `vehicle` auf derselben Ebene | Verhindert Annotator-Verwirrung | | Seien Sie konsistent mit Trennzeichen | `traffic_light` nicht `traffic-light` oder `trafficLight` | Konsistentes Parsing in Trainingspipelines | | Negative/Hintergrundklassen nur bei Bedarf | `unknown`, `ignore_region` | Manche Modelle erfordern explizite Hintergrund-Labels | ## Attribute Attribute fügen jeder Annotation strukturierte Metadaten über die Objektklasse hinaus hinzu. Sie ermöglichen Annotatoren, Eigenschaften wie Sichtbarkeit, Pose oder Zustand zu beschreiben. ### Attributtypen Avala unterstützt mehrere Attributtypen, die Sie an jede Objektklasse anhängen können: | Typ | Beschreibung | Wann verwenden | Beispiel | | ------------------- | -------------------------------------------- | ----------------------------------------- | --------------------------------------------------- | | **Dropdown** | Einzelauswahl aus einer vordefinierten Liste | Sich gegenseitig ausschließende Optionen | Verdeckung: `none`, `partial`, `heavy` | | **Checkbox** | Boolescher Schalter | Einfache Ja/Nein-Flags | `is_parked: true/false` | | **Text** | Freitexteingabe | Eindeutige Bezeichner oder Beschreibungen | Kennzeichen | | **Zahl** | Numerischer Wert | Messungen oder Zählungen | Geschätzte Entfernung in Metern | | **Mehrfachauswahl** | Mehrere Auswahlmöglichkeiten aus einer Liste | Gleichzeitige, nicht-exklusive Zustände | Sichtbar: `headlights`, `taillights`, `turn_signal` | Vergleich der Attributtypen Vergleich der Attributtypen ### Attribute konfigurieren Attribute werden in der Klassifikationskonfiguration des Projekts zusammen mit der Label-Konfiguration definiert: ```json theme={null} { "labels": [ { "name": "car", "color": "#FF0000" } ], "classification": { "attributes": [ { "name": "occlusion", "type": "dropdown", "options": ["none", "partial", "heavy"], "required": true, "applies_to": ["car", "pedestrian", "cyclist"] }, { "name": "is_parked", "type": "checkbox", "required": false, "applies_to": ["car", "truck", "bus"] }, { "name": "truncation", "type": "dropdown", "options": ["none", "partial", "heavy"], "required": true, "applies_to": ["car", "pedestrian", "cyclist"] } ] } } ``` ### Bedingte Attribute Verwenden Sie das Feld `applies_to`, um Attribute nur für relevante Klassen anzuzeigen. Dies hält die Benutzeroberfläche des Annotators sauber — ein `pedestrian` benötigt kein `is_parked`-Attribut, und eine `traffic_light` benötigt kein `truncation`. Markieren Sie Attribute als `required` für Eigenschaften, von denen Ihre Modelltrainingspipeline abhängt. Lassen Sie optionale Attribute für ergänzende Metadaten, die nützlich, aber nicht kritisch sind. ## Hierarchische Taxonomien Für komplexe Domänen werden flache Klassenlisten unhandlich. Hierarchische Taxonomien gruppieren verwandte Klassen unter Oberkategorien. ### Beispiel: Fahrzeugtaxonomie ``` Vehicle ├── Car │ ├── Sedan │ ├── SUV │ └── Hatchback ├── Truck │ ├── Pickup │ └── Semi ├── Bus │ ├── City Bus │ └── School Bus └── Motorcycle ``` ### Wann Hierarchien verwenden | Szenario | Empfehlung | | ------------------------ | ------------------------------------------------------------- | | Weniger als 15 Klassen | Flache Liste ist einfacher und schneller | | 15-50 Klassen | In 3-5 Oberkategorien gruppieren | | 50+ Klassen | Mehrstufige Hierarchie mit Suche verwenden | | Klassen teilen Attribute | Unter Elternklasse gruppieren, damit Attribute vererbt werden | ### Hierarchien entwerfen 1. **Beginnen Sie breit, dann verfeinern Sie.** Starten Sie mit Oberkategorien (`vehicle`, `pedestrian`, `infrastructure`) und fügen Sie Spezifität nur hinzu, wo Ihr Modell sie benötigt. 2. **Jede Blattklasse sollte eindeutig sein.** Wenn Annotatoren nicht zuverlässig zwischen zwei Unterklassen unterscheiden können, führen Sie sie zusammen. 3. **Tiefe und Breite ausbalancieren.** Tiefe Hierarchien (4+ Ebenen) verlangsamen Annotatoren. Bevorzugen Sie breitere Bäume mit 2-3 Ebenen. ## Einzellabel- vs. Mehrlabel-Klassifikation Avala unterstützt beide Klassifikationsmodi je nach Ihren Projektanforderungen. ### Einzellabel Jedes Objekt oder jede Szene erhält genau ein Klassenlabel. Dies ist der Standard für die meisten Annotationstypen. * Objekterkennung: Jede Bounding Box erhält eine Klasse * Szenenklassifikation: Jedes Bild erhält eine Kategorie ### Mehrlabel Ein Objekt oder eine Szene kann gleichzeitig mehrere Labels erhalten. Verwenden Sie dies, wenn Kategorien sich nicht gegenseitig ausschließen. * Ein Bild kann sowohl `rainy` als auch `nighttime` sein * Ein Fahrzeug kann sowohl `damaged` als auch `parked` sein Konfigurieren Sie Mehrlabel-Klassifikation in der Klassifikationskonfiguration Ihres Projekts, indem Sie den Klassifikationstyp auf Aufgabenebene festlegen: ```json theme={null} { "classification": { "type": "multi-label", "categories": [ { "name": "weather", "options": ["clear", "rainy", "foggy", "snowy"] }, { "name": "time_of_day", "options": ["daytime", "nighttime", "dawn", "dusk"] }, { "name": "road_condition", "options": ["dry", "wet", "icy"] } ] } } ``` ## Checkliste für das Ontologie-Design Bevor Sie Ihr Annotationsprojekt starten, überprüfen Sie Ihre Ontologie anhand dieser Checkliste: | Prüfung | Frage | | ----------------------------- | -------------------------------------------------------------------------- | | **Vollständigkeit** | Hat jedes Objekt, das Ihr Modell erkennen muss, eine Klasse? | | **Gegenseitige Exklusivität** | Kann ein Annotator immer genau eine Klasse ohne Mehrdeutigkeit zuweisen? | | **Attributabdeckung** | Sind alle für das Training benötigten Eigenschaften als Attribute erfasst? | | **Konsistente Granularität** | Sind Klassen auf derselben Ebene gleich spezifisch? | | **Klarheit für Annotatoren** | Kann ein neuer Annotator jede Klasse allein anhand ihres Namens verstehen? | | **Modellabstimmung** | Entspricht die Taxonomie dem, was Ihre Modellarchitektur erwartet? | | **Skalierbarkeit** | Können Sie später neue Klassen hinzufügen, ohne umzustrukturieren? | ## Häufige Fehler ### Überdetaillierte Klassen Zu viele feingranulare Klassen führen zu niedrigem Inter-Annotator-Agreement und spärlichen Trainingsdaten pro Klasse. **Problem:** 50 Fahrzeug-Unterklassen, von denen die meisten weniger als 100 Beispiele haben. **Lösung:** Beginnen Sie mit 5-10 breiten Klassen. Fügen Sie Unterklassen nur hinzu, wenn Sie genügend Daten haben und Ihr Modell von der Unterscheidung profitiert. ### Mehrdeutige Grenzen Wenn zwei Klassen sich konzeptionell überschneiden, werden Annotatoren sich uneinig sein, welche zu verwenden ist. **Problem:** Sowohl `van` als auch `minivan` existieren, aber Annotatoren können sie nicht zuverlässig unterscheiden. **Lösung:** Entweder zu einer einzelnen Klasse zusammenführen oder explizite visuelle Richtlinien mit Referenzbildern bereitstellen, die die Grenze aufzeigen. ### Fehlende Sonderfälle Reale Daten enthalten Objekte, die nicht sauber in Ihre Taxonomie passen. **Problem:** Ein Annotator trifft auf einen Golfwagen, aber die Taxonomie hat nur `car`, `truck` und `motorcycle`. **Lösung:** Fügen Sie eine Sammelklasse wie `other_vehicle` hinzu und überprüfen Sie regelmäßig die damit gelabelten Elemente, um Klassen zu identifizieren, die Sie hinzufügen müssen. ## Nächste Schritte Die grundlegenden Bausteine der Avala Plattform überprüfen. Prüf-Workflows einrichten, um die Annotationsqualität zu validieren. JSON-Formate für Bounding Boxes, Polygone, Quader und mehr ansehen. Daten hochladen und Ihr erstes Annotationsprojekt erstellen.