Optimiert für reale Raumgebungen:
Hochpräzise Möbelerkennung und -klassifizierung

Dieses Projekt ist ein Fallbeispiel für den Aufbau eines YOLOv8-basierten Objekterkennungsmodells zur Echtzeiterkennung und präzisen Klassifizierung von Möbelobjekten in Einzelhandels- und Wohnumgebungen.

TOSKY hat einen hochwertigen Bilddatensatz von 689 Aufnahmen selbst aufgebaut, der die designspezifischen Merkmale von IKEA-Produkten wie Stühle, Tische und Sofas abdeckt und als Lerngrundlage dient.

Über einfaches Training hinaus wurde ein Optimierungsprozess durchlaufen, bei dem die Trainings-/Validierungs-/Testanteile im Verhältnis 72:14:14 präzise neu strukturiert wurden, um Ungleichgewichte im Datensatz zu beheben. Das Ergebnis: Durch GPU-basiertes Training über 100 Epochen wurden herausragende Einzelklassen-Leistungen von 97,8% für Stühle und 94,7% für Sofas erzielt, mit einer Gesamt-mAP von ca. 95,4% auf praxistauglichem Niveau.

Insbesondere wurde das Modell so verfeinert, dass es die anfängliche Limitation statischer Bildverzerrung überwindet und unter verschiedenen Winkeln und Hintergrundbedingungen stabil arbeitet. Damit wurde die technische Grundlage geschaffen, um Möbelinformationen auch in realen Werbevideos oder Live-Commerce-Umgebungen sofort zu identifizieren.