Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
jamesrochabrun.medium.com16. April 2018 · Q009743

Training a custom model using IBM Watson studio and use it in your iOS app using Core ML and Vision.

jamesrochabrun.medium.com · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Bericht führt vor, wie man Bildklassen in IBM Watson Studio mit eigenen Bildern trainiert und das heruntergeladene Core-ML-Modell in einer iOS-App mit Vision nutzt. Die genannten Mindestmengen und Trainingszeiten beruhen auf den Angaben des Autors; konkrete Genauigkeitsmessungen oder ein systematischer Test fehlen.

Mittel

James Rochabrun beschreibt, wie sich ein eigenes Bilderkennungsmodell mit IBM Watson Studio trainieren und in einer iOS-App über Core ML und Vision verwenden lässt. Für das Training werden in einem Visual-Recognition-Projekt Bildsammlungen als ZIP-Dateien hochgeladen und Klassen zugeordnet. Der Bericht nennt mindestens zehn Bilder je Klasse; außerdem kann eine Negativklasse mit Bildern eingefügt werden, die das Modell nicht erkennen soll. Der Autor berichtet, dass das Training in seiner Erfahrung etwa zehn bis zwanzig Minuten dauerte, weist aber darauf hin, dass die Dateimenge die Dauer beeinflussen könne.

Für die App zeigt der Beitrag Swift-Code, der das Core-ML-Modell in eine Vision-Anfrage lädt, Klassifikationen samt Konfidenzwerten ausliest und eine ausgewählte Bilddatei analysiert. Das fertige Modell wird in Watson Studio als `.mlmodel` heruntergeladen und in das App-Bundle eingefügt. Der Autor beschreibt die Genauigkeit nur allgemein als ordentlich. Konkrete Messwerte, ein systematischer Leistungstest und eine detaillierte Behandlung von Modellgrenzen werden nicht berichtet.

Ausführlich lesen

Der vollständige Bericht von James Rochabrun aus dem Jahr 2018 beschreibt einen Arbeitsablauf, mit dem iOS-Entwicklerinnen und -Entwickler ein eigenes Bilderkennungsmodell in IBM Watson Studio trainieren und anschließend in einer App mit Core ML und Vision einsetzen können. Der Autor stellt das als Möglichkeit dar, eigene Modelle zu erstellen, ohne dafür eine andere Fachkraft hinzuziehen zu müssen. Er bezeichnet Watson Studio als einfach nutzbare Oberfläche und spricht von einer ordentlichen Erkennungsgenauigkeit; konkrete Messwerte oder ein systematischer Genauigkeitstest werden im Bericht jedoch nicht angegeben.

Für den Einstieg sollen Nutzer ein IBM-Cloud-Konto anlegen und in Watson Studio ein neues Visual-Recognition-Projekt erstellen. Dabei kann eine vorhandene Visual-Recognition-Serviceinstanz verknüpft oder eine neue angelegt werden. Für das Training bereitet man Bildsammlungen vor und lädt sie als ZIP-Dateien in das Projekt. Der Bericht nennt mindestens zehn Bilder pro Klasse als Voraussetzung. Im Modell-Builder werden Klassen definiert und den jeweiligen Bildsammlungen zugeordnet. Als Beispiel dienen Tierklassen wie Vögel und Reptilien. Zusätzlich können Bilder einer Negativklasse zugewiesen werden, etwa Menschenbilder für ein Tiererkennungsmodell.

Nach dem Start des Trainings wartet man, bis das Modell fertig ist. Der Autor berichtet aus eigener Erfahrung von ungefähr zehn bis zwanzig Minuten; er vermutet, dass die Dauer von der Zahl der hochgeladenen Dateien abhängen kann. Dieser Zeitrahmen ist als Erfahrungswert formuliert, nicht als allgemeine Zusicherung.

Der zweite Teil erläutert die Einbindung in eine iOS-App. Ein verlinktes Beispielprojekt öffnet eine Bildauswahl und verwendet bereits vorhandene Modelle. Im gezeigten Swift-Code wird ein Core-ML-Modell in eine `VNCoreMLModel`-Instanz geladen und mit einer `VNCoreMLRequest` für die Bildanalyse verbunden. Eine Verarbeitungsfunktion liest die Ergebnisse als `VNClassificationObservation` aus und zeigt bis zu zehn Klassifikationen samt Konfidenzwerten und Bezeichnungen an. Eine weitere Funktion erstellt aus dem ausgewählten Bild ein `CIImage`, berücksichtigt dessen Orientierung und führt die Vision-Anfrage über einen `VNImageRequestHandler` aus.

Abschließend wird das trainierte Modell in Watson Studio über den Bereich „Implementation“ als `.mlmodel`-Datei heruntergeladen, in das App-Bundle gezogen und anstelle des Beispielmodells verwendet. Der Beitrag ist eine praktische Einführung mit Codebeispielen, aber kein vollständiger Evaluationsbericht: Er belegt weder eine bestimmte Erkennungsleistung noch beschreibt er ausführlich Datenqualität, Testverfahren oder mögliche Fehlerfälle des Modells.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Bewertet wurde die mittlere Zusammenfassung, die kurze ist ebenfalls treu, aber knapper. Der Bericht ist eine reine Schritt-für-Schritt-Anleitung von James Rochabrun und enthält weder Messwerte noch Sicherheits- oder Governance-Aspekte; deshalb sind alle Einordnungen niedrig.

Im Bericht, aber nicht in der Zusammenfassung

  • Die Einrichtung des Projekttyps Visual Recognition in Watson Studio, einschließlich der Wahl zwischen bestehender und neuer Dienstinstanz

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Fähigkeiten messen
Unabhängig prüfen
Tempo und Grenzen
Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 26 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 30 %Hintergrund, keine Belege
    • JEV 37 %gleiches Oberthema, hilft nicht
    • amos 54 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 61 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Agenten und vernetzte Systeme
Modelle teilen und schützen
  1. SF-H1 Wo endet die erlaubte Nutzung fremder Modellausgaben, und wo beginnt unerlaubte Destillation, also das Trainieren eines eigenen Modells mit diesen Ausgaben?
    • clef 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 50 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 67 %einzelne zitierbare Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 33 %Hintergrund, keine Belege
    • JEV 31 %gleiches Oberthema, hilft nicht
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →