Einfluss des Datensatzes

Der gewählte Kaggle-Datensatz mit 21 Krankheitsklassen und einer neutralen Klasse erwies sich in mehrfacher Hinsicht als limitierend.

• Starkes Klassenungleichgewicht: Die Anzahl der Bilder pro Klasse variierte zwischen 275 und 1 651, was selbst mit Klassengewichtung zu verzerrten Modellergebnissen führte.

• Heterogene Bildaufnahmen: Kombination aus Ganzkörper- und Nahaufnahmen erschwerte das Erlernen konsistenter Merkmale.

• Wasserzeichen: Automatisierte Entfernung war nur bedingt erfolgreich. Der zeitliche Mehraufwand für Vorverarbeitung überstieg den Nutzen.

• Grad-CAM-Auswertung: Wasserzeichen beeinflussten die Entscheidungspfade des Netzwerks aber nur marginal. Insgesamt deutet dies darauf hin, dass die Detailunterschiede der Hautkrankheiten in Kombination mit der geringen Datenmenge pro Klasse für das Netzwerk zu fein sind, um zuverlässig erlernt zu werden.

Auswirkungen der Parameteranpassung

• Systematische Variation einzelner Hyperparameter lieferte differenzierte Erkenntnisse zur Trainingsstabilität und Genauigkeit:

• Batch Size

  • Wechsel von 1 auf 8 führte zu einem deutlichen Anstieg der Validierungsgenauigkeit.

  • Weitere Erhöhung brachte keine nennenswerte Verbesserung.

• Klassenreduktion

  • Eingrenzung auf die vier häufigsten Krankheitsgruppen steigerte die Klassifikationsgenauigkeit, da das Klassenungleichgewicht abnahm.

  • Auswahl anhand für Laien sichtbarer optischer Unterschiede führte zu einer weiteren Leistungssteigerung, trotz insgesamt geringerer Bildanzahl.

• Netzwerkarchitektur

  • Reduktion der Schichten im selbstentwickelten Modell verbesserte die Konvergenz und verringerte Überanpassung (Overfitting).

  • Erhöhung der Epochen über 10 hinaus zeigte bei keinem Modell signifikante Verbesserungen.

• Bilddimensionen

  • Variationen oberhalb eines Schwellenwerts („nicht zu klein“) hatten nur marginale Effekte auf die Modellleistung.

Hardwarebeschleunigung und Plattformwahl

• Unter Windows stehen nur Nvidia-GPUs (CUDA) zur Beschleunigung zur Verfügung; AMD-Karten werden nicht unterstützt, wodurch Training im CPU-Modus deutlich langsamer erfolgt.

• Als praktische Lösung wurde Ubuntu eingesetzt, da hier auch AMD-GPUs genutzt werden können.

• Deutliche Reduzierung der Trainingszeit pro Epoche mit GPU Unterstützung im Vergleich zur reinen CPU-Berechnung.

Weitere technische Herausforderungen

• Gelegentliche Systemabstürze unter Linux während der Modellberechnung erschwerten reproduzierbare Experimente.

• Hintergrundprozesse terminierten nicht immer automatisch, was manuelle Eingriffe erforderte.

• Artefakte in der GPU-Speichernutzung ließen sich nur durch Neustarts vollständig bereinigen.

Zusammenfassende Erkenntnisse und Ausblick

Die Modellgenauigkeit hängt in hohem Maße von der Qualität und Struktur des Datensatzes ab, ebenso wie von der gewählten Trainingskonfiguration. Vorab ist nicht eindeutig bestimmbar, welche Kombination aus Schichtanzahl, Epochenzahl und Datenaugmentation die besten Ergebnisse liefert. Trial-and-Error bleibt aktuell das primäre Vorgehen.

Für zukünftige Weiterentwicklung empfiehlt sich die Implementierung eines automatisierten Hyperparameter-Optimierungsframeworks (z. B. Bayesian Optimization oder Grid Search), um den manuellen Abstimmungsaufwand zu reduzieren.

Der Vergleich mit vortrainierten ResNet-Modellen bestätigte, dass ResNet-18 und ResNet-34 eine höhere Grundgenauigkeit aufweisen als das selbstentwickelte Modell. Ein Wechsel von ResNet-18 auf ResNet-34 brachte jedoch keinen signifikanten Mehrwert, sodass hinsichtlich Modellkomplexität ResNet-18 als effizientere Ausgangsbasis betrachtet werden kann.