~/videotext/training

Trainingslauf

Zwei Stufen gemessen: Der Deskriptor (Stufe A) stößt an seine Grenze, der Klassifikator je Zeichenposition (Stufe B) liest ungesehene Kennungen — inklusive der Stufen, an denen beide scheitern. ( Full-Stack · Data Science · ML/KI · Cybersicherheit · Design · Open Source )

Kontakt aufnehmen
Trainingslauf

Stand des Laufs

Der Lauf ist beendet. Alle Messzahlen auf dieser Seite stammen aus den Laufdateien und wurden beim Build eingefroren — Status, Runde und Stand stehen deshalb nebeneinander, nicht im Kleingedruckten.

Statusgestoppt
Abgeschlossen353 Runden
Trainingsmengezuletzt 2.000 Markierungen je Runde
Prüfmenge60 Markierungen × 8 Stufen = 480 Embeddings
Bibliothekbis 400 Einträge je Runde
Start12.11.2026, 01:38 Uhr
Eingefroren12.11.2026, 17:14 Uhr
Eingefroren, nicht geschätztDer Lauf ist gestoppt. Diese Seite zeigt den letzten abgeschlossenen Stand; ein neuer Lauf schreibt weitere Runden in dieselben Dateien und die Seite wird beim nächsten Build fortgeschrieben.

Der Datensatz

72 Referenzbilder aus 12 Markierungen, 6 Stufen. Jedes Bild trägt seine Erzeugungsparameter als eigene Spalte —25 Felder, damit jeder Fehler einer Ursache zugeordnet werden kann statt nur „schlecht erkannt“ zu heißen.

StufeKlasseBilder
0Reinzeichnung12
1Perspektive / Drehung12
2Unschärfe / Bewegung12
3Reel-Kompression12
4Licht / Glanz12
5Klein im Bild / verdeckt12

Stufe 6–10 sind in der Leiter definiert, liegen aber nicht als Referenzsatz auf der Platte: Der Lauf erzeugt sie beim Einbetten neu. Stufe 10 hat zusätzlich noch keinen eigenen Zweig — sie durchläuft derzeit dieselben Schritte wie Stufe 9.

BP HU243

BP HU243, Stufe 0
L0
BP HU243, Stufe 1
L1
BP HU243, Stufe 2
L2
BP HU243, Stufe 3
L3
BP HU243, Stufe 4
L4
BP HU243, Stufe 5
L5

BE 1321W

BE 1321W, Stufe 0
L0
BE 1321W, Stufe 1
L1
BE 1321W, Stufe 2
L2
BE 1321W, Stufe 3
L3
BE 1321W, Stufe 4
L4
BE 1321W, Stufe 5
L5

Dieselbe Markierung über alle sechs Referenzstufen. Die Bilder sind synthetisch und exakt gelabelt; die Bilddatei heißt wie ihre Zeile in out/labels.csv.

Der Deskriptor

Bevor irgendetwas verglichen wird, wird ein Kennzeichen zu 141 Zahlen. Die wichtigste Entscheidung dabei ist der Zuschnitt: nicht das 20×20-cm-Feld, sondern die obere Zone, in der Land und Einheit stehen.

BlockGrößeZweck
Zuschnitt26–64 % der HöheMarkierungszone statt ganzem Feld
Graustufen-Raster40 × 16Grundlage der Gradienten
Gradientenzellen |gx| und |gy|2 × 30Kanten statt absoluter Helligkeit
Projektionsprofile39 + 15, × 1,5Position der Zeichen
Farbgitter3 × 3 × 3, × 0,25Zugfarbe und Material
NormierungL2 = 1Kosinus wird zum Skalarprodukt
DCT-Gate63 BitVorfilter gegen Unschärfe und Kompression
Summe141 Dimensionenein Vektor je Kennzeichen
  • Ein Thumbnail des ganzen Feldes ist bei allen Kennzeichen fast identisch: gleiches Layout, gleicher Reflexstreifen, dieselbe Grundfarbe. Die Ziffern sind darin nur wenige Pixel.
  • Die Projektionsprofile sind der Teil, der Position erhält — ohne sie liegen zwei Kennungen mit gleicher Ziffernzahl fast übereinander.
  • Der DCT-Hash entscheidet nicht über die Klasse. Er ist ein Vorfilter: erst wenn die Hashes nah beieinander liegen, wird der Vektor überhaupt verglichen.
  • Das Studio im Browser rechnet mit einer kleineren Variante (16×16-Thumbnail, gleiches Farbgitter, gleicher DCT-Gate). Gemeinsam ist das Prinzip, nicht die Bitgleichheit.

Die Stufenleiter

11 Stufen, kumulativ angewendet. Das Label bleibt gleich — nur die Pixel ändern sich. Damit lässt sich ein Fehler einer Ursache zuordnen: Geometrie, Fokus, Codec, Licht, Maßstab, Bildschirm, Überlagerung, Sensor.

StufeKlasseWas dazukommt
0ReinzeichnungReferenzbild ohne Degradation
1Perspektive / DrehungDrehung ±12°, Scherung ±0,15, Skalierung 0,8–1,0
2Unschärfe / BewegungGauß 0,8–2,0 px, in der Hälfte der Fälle Bewegungsunschärfe
3Reel-KompressionJPEG q35–70, Downscale 0,45–0,8, Sensorrauschen
4Licht / GlanzHelligkeit, Glanz, Vignette
5Klein im Bild / verdecktKennzeichen klein im Bild, teilweise verdeckt
6Screen-Capture (Moiré, Subpixel)Bildschirmaufnahme: Moiré, Subpixel-Muster
7Überlagerung / OkklusionZusätzliche Überlagerung / Okklusion
8IR / Gegenlicht / Rolling ShutterIR, Gegenlicht, Rolling Shutter
9Adversarial (JPEG<25, 3x Downscale, Kantenrauschen)JPEG unter 25, dreifaches Downscale, Kantenrauschen
10Anti-Bot (Kombination + Jitter + Dekoys)kein eigener Zweig — entspricht derzeit Stufe 9
Stufe 5 läuft zuletztDie Reihenfolge im Code folgt nicht der Nummer: _scene (Stufe 5) wird nach den Stufen 8 und 9 angewendet. Wer die Leiter nachbaut, muss diese Reihenfolge übernehmen, sonst entstehen andere Bilder als die, auf denen die Kurve beruht.

Die Lernkurve

Jede Runde erzeugt Trainings-Embeddings aus Stufe 0–2 und Prüf-Embeddings aus Stufe 3–10, vergleicht sie gegen die Bibliothek und protokolliert den besten Kandidaten. Die Kurve zeigt diesen besten Kandidaten je Runde.

●                           
                            
 ●●● ●   ●●   ● ● ● ●●● ●●● 
    ● ●●●  ●●● ● ● ●   ●   ●
                            

28 Abschnitte über 353 Runden, Mittel je Abschnitt · y-Achse relativ zum Maximum der Abschnitte (4,26 %) · links Runde 1, rechts Runde 353

FensterRundenexactPräzisionAbstention
R1–10105,10 %8,23 %38,00 %
R11–50401,70 %2,74 %37,87 %
R51–1501001,55 %2,49 %37,86 %
R151–2501001,54 %2,47 %37,87 %
R251–3501001,66 %2,66 %37,82 %
R351–35331,39 %2,23 %37,92 %
Das ist keine LernkurveDie Trefferquote fällt von 5,10 % auf 1,39 % und bleibt dort. Der Grund ist nicht die Datenmenge, sondern die Bibliothek: Jede zusätzliche Kennung wird ein möglicher falscher Nachbar. Die beste Einzelrunde ist Runde 1 mit 11,25 % bei 200 Bibliothekseinträgen — damals lagen erst 200 Markierungen im Training.

exact ist der Anteil richtiger Antworten an allen Prüf-Embeddings; eine Abstention zählt dabei als Fehler. Präzision zählt nur die beantworteten Fälle, Abstention den Rest.

Je Stufe

Mittel der letzten 20 Runden, aufgeschlüsselt nach Prüfstufe. Die Erwartung war ein gleichmäßiges Gefälle; tatsächlich bricht die Kurve zwischen Stufe 3 und 5 und liegt danach flach.

StufeKlasseexact (letzte 20 Runden)
3Reel-Kompression5,42 %
4Licht / Glanz4,50 %
5Klein im Bild / verdeckt1,17 %
6Screen-Capture (Moiré, Subpixel)1,33 %
7Überlagerung / Okklusion1,42 %
8IR / Gegenlicht / Rolling Shutter0,00 %
9Adversarial (JPEG<25, 3x Downscale, Kantenrauschen)0,00 %
10Anti-Bot (Kombination + Jitter + Dekoys)0,00 %

Letzte Runde 353 (12.11.2026, 17:11 Uhr): 1,04 % exact, 1,69 % Präzision, 38,33 % Abstention. Die Beziehung ist keine zweite Messung, sondern dieselbe Zahl anders gerechnet: (61,7 % beantwortet) × 1,69 % = 1,04 % — die Abweichung in der letzten Stelle stammt aus der Rundung der Laufdatei.

  • Stufe 3 (Reel-Kompression) trägt den Rest: Der Deskriptor überlebt JPEG, aber nicht die Verwechslung mit einer anderen Kennung.
  • Stufe 8, 9, 10 stehen in jeder abgeschlossenen Runde bei 0,00 %. Kein Prüfbild dieser Stufen wurde je getroffen — nicht weil die Stufen zu schwer sind, sondern weil davor schon alles verwechselt wird.
  • Die Abstention bleibt über alle Runden bei rund 38 %. Die Schwelle 0,80 trennt nicht zwischen sicher und unsicher; sie schneidet eine Ähnlichkeitsverteilung, die für alle Kennzeichen ähnlich aussieht.

Warum es stehen bleibt

Vier Ursachen, alle in den Laufdaten nachweisbar. Keine davon lässt sich durch mehr Runden beheben — deshalb ist Stufe A an dieser Stelle zu Ende.

  1. 01

    Der Deskriptor ist global

    Ein Vektor für das ganze Kennzeichen. Zwei Kennungen mit gleicher Ziffernzahl liegen fast überall nah beieinander; die eine abweichende Stelle bewegt den Vektor kaum.

  2. 02

    Die Bibliothek wächst, die Trennschärfe nicht

    Ab Runde 13 liegen 2.000 Markierungen im Training. Jede zusätzliche wird ein möglicher falscher Nachbar, ohne dass der Deskriptor besser unterscheidet.

  3. 03

    Die Schwelle trennt nicht

    0,80 ist kein Sicherheitsmaß: Fast jeder Nachbar liegt darüber, also antwortet das System bei rund 62 % der Bilder — und liegt dabei fast immer falsch. Die Abstention bleibt konstant.

  4. 04

    Das Kalibrierziel ist unerreichbar

    Der Lauf sucht eine Schwelle mit mindestens 99 % Präzision. In 353 Runden wurde sie nie erreicht; die höchste je gemessene Präzision liegt bei 18,12 %.

Stufe A ist gebaut, nicht trainiertEs gibt kein Modell und kein Training: Die Bibliothek ist ein Instanzgedächtnis, k-NN ist ein Vergleich. Genau deshalb ist die Kurve nach der Aufwärmphase flach — es gibt nichts, was weiterlernen könnte.

Stufe B: pro Stelle statt pro Kennzeichen

Stufe B ist gebaut und gemessen: kein Vektor für die ganze Kennung, sondern ein Klassifikator je Zeichenposition, jeder nur auf die Zeichen beschränkt, die diese Stelle legal tragen kann. Auf ungesehenen Kennungen erreicht das Modell im Schnitt 99,2 % Zeichen (schlechtester Wert 97,7 %); Stufe A liegt bei 17,2 % über alle Stufen zusammen.

Eingabe64 × 64 Patch je Stelle, Graustufen
Köpfe5 Stellen, je Kopf nur die zulässigen Zeichen
Alphabet11 / 12 / 8 / 3 / 36 Zeichen je Stelle (statt 37 überall)
TrainingStufe 0, 1, 2, 3, 4, 5, 6, 7, 8 · 3.000 Kennungen
PrüfungStufe 3, 4, 5, 6, 7, 8, 9, 10 · 400 ungesehene Kennungen
Modell458.457 Parameter
Köder10 % Nicht-Kennzeichen-Patches
Lauf14 Epochen auf MPS · 15.11.2026, 19:43 Uhr
StufeZeichenTop-2ganze Zeichenkette
L3 · Reel-Kompression97,7 %99,2 %88,8 %
L4 · Licht / Glanz98,4 %99,7 %92,1 %
L5 · Klein im Bild / verdeckt100,0 %100,0 %100,0 %
L6 · Screen-Capture (Moiré, Subpixel)100,0 %100,0 %100,0 %
L7 · Überlagerung / Okklusion99,8 %100,0 %98,7 %
L8 · IR / Gegenlicht / Rolling Shutter99,9 %100,0 %99,2 %
L9 · Adversarial (JPEG<25, 3x Downscale, Kantenrauschen)99,1 %99,7 %95,9 %
L10 · Anti-Bot (Kombination + Jitter + Dekoys)98,5 %99,8 %92,6 %
Mehrheitslinie16,2 %——
Stufe A (Deskriptor)17,2 %—0,0 %
Was die Zahl nicht sagtDie Zeichenzellen stammen aus der Render-Geometrie, nicht aus dem Detektor. Gemessen ist also der Klassifikator bei konstanter Zellfindung — nicht die Ende-zu-Ende-Kette. Die Detektion im Browser bleibt der zweite offene Hebel.
  • 7 Prüf-Kennungen waren zufällig auch im Training und wurden entfernt, nicht als Treffer gezählt.
  • 50 % der Trainingszellen laufen invertiert durch das Netz — ohne das bricht die Kette an Stufe 8 (IR/Gegenlicht) auf Zufallsniveau ein.
  • Die Positions-Alphabete sind der größte einzelne Gewinn: Stelle 4 hat drei zulässige Zeichen, Stelle 1 elf — nicht 36 überall.
  • Im Studio läuft Stufe B seit dem 15.11.2026 als Zweitmeinung: Die Zellen kommen aus der erkannten Zeile, nicht aus der Render-Geometrie. Sie zählt deshalb nur, wenn sie die Grammatik besteht und mindestens 88 % Konfidenz erreicht — sonst bleibt die OCR-Lesung.
  • Die Seeds sind deterministisch; derselbe Aufruf liefert dieselben Zahlen.

Der Unterschied ist rechenbar, ohne ein Modell zu behaupten: Wähle zwei echte Kennungen aus dem Korpus und vergleiche, was ein Ganzzeichen-Vergleich sieht und was ein Stellenvergleich sieht.

StelleABTreffer
1H1verschieden
2U3verschieden
322gleich
441verschieden
53Wverschieden

1 von 5 Stellen stimmt überein. Ganzzeichen-Vergleich: ein Treffer zählt nur, wenn die komplette Nummer stimmt, also 0. Stellenweise: 1 Treffer; an 4 Stellen entscheidet jeweils ein 37-Klassen-Problem statt eines Vergleichs gegen den ganzen Bibliotheksbestand.

Das ist die Rechnung, keine ModellausgabeDie Tabelle vergleicht nur die Zeichen der Nummernzeile, so wie sie im Korpus stehen. Sie zeigt, warum ein Klassifikator pro Stelle weniger Verwechslungen haben kann als ein Nachbarvergleich über die ganze Kennung — sie zeigt nicht, wie gut Stufe B einmal abschneiden wird.
  • Berlin und die Bundespolizei sind fünfstellig. Andere Länder haben drei bis fünf Zeichen; dort braucht es eine Segmentierung oder ein definiertes Padding, sonst wandert die Stelle.
  • Die Köder sind Pflicht: Ein Klassifikator, der nur Kennzeichen sieht, antwortet auch auf Briefkästen — nur falsch.
  • Die Seeds bleiben deterministisch, damit derselbe Lauf dieselben Zahlen liefert.
  • Die Artefakte dieses Projekts bleiben deutschsprachig.

Nachvollziehen

Alles, was diese Seite zeigt, liegt im Repository. Ein Befehl startet den Lauf, einer zeigt den Stand, einer beendet ihn.

~/kennzeichen-generator[EOF]
./start-training.sh              # Lauf starten
./start-training.sh --status     # Stand anzeigen
./start-training.sh --stop       # Lauf beenden
npm run km:gen                    # diese Seite neu aus den Laufdateien bauen
DateiInhalt
out/night/results.json353 Runden, je 4 Kandidaten plus Kalibrierung
out/night/status.jsonlaufende Runde, Phase, Schritt — die Quelle für den Status oben
out/labels.csv72 Zeilen, 25 Spalten Erzeugungsparameter
out/level-0 … level-5je 12 Referenzbilder pro Stufe
augment.pyStufenleiter und kumulative Anwendung
embedding.pyDeskriptor und DCT-Gate

Diese Seite und das Studio lesen dasselbe Modul (src/lib/kennzeichen-ml.ts). Es gibt keine zweite Zahlenquelle und keine von Hand eingetragene Kurve.

Zurück zum Studio

Die Erkennung im Browser, der Datensatz-Generator und das Nachschlagewerk stehen auf der Studio-Seite.