Betere resultaten met Cam-Wise

1. Snel beginnen

Cam-Wise werkt anders dan een gewone camera-app: het herkent niet alleen “beweging”, maar leert van jouw feedback wat er voor jou toe doet. De kortste route van nieuwe gebruiker naar een eigen, werkende detectie ziet er zo uit:

1. Camera kiezen — koppel de camera waarvan je beelden wilt gebruiken, bijvoorbeeld je voordeurcamera of de camera die op de oprit kijkt.
2. Detectiedoel aanmaken — beschrijf wat je wilt herkennen, bijvoorbeeld “Auto van Alex” of “Pakketbezorger”.
3. Beelden beoordelen — geef in Review per beeld aan: is dit een goed voorbeeld, sla ik het over, of is het juist een foutvoorbeeld?
4. Dataset controleren — kijk of je verzameling voorbeelden klopt: genoeg, gevarieerd, juiste labels.
5. Trainen — laat Cam-Wise met jouw voorbeelden een eigen modelversie maken.
6. Model testen — bekijk wat het nieuwe model wel en niet herkent op echte beelden.
7. Verbeteren — voeg voorbeelden toe waar het model de fout in ging, en train opnieuw.

Die laatste stap is geen uitzondering maar het normale ritme: Cam-Wise wordt beter in rondes. Elke ronde feedback — een paar goede voorbeelden, een paar foutvoorbeelden — maakt de volgende modelversie een stukje slimmer voor jouw situatie.

2. Wat is een goed detectiedoel?

Een detectiedoel is de naam van wat je wilt herkennen. Cam-Wise traint per detectiedoel een eigen herkenning, dus hoe concreter het doel, hoe beter het resultaat. Goede voorbeelden:

• “Auto van Alex” — één specifieke auto, herkenbaar aan vorm en kleur.
• “Kat van buren” — één specifiek dier dat regelmatig in je tuin komt.
• “Pakketbezorger” — een herkenbare categorie: iemand met pakket bij je voordeur.

Te brede doelen werken slecht. “Alles wat beweegt”, “iets verdachts” of “mensen en auto’s en dieren” zijn geen goede detectiedoelen: het model weet dan niet wat het precies moet leren, en jij kunt de voorbeelden niet zuiver beoordelen. Als je merkt dat je bij het beoordelen vaak twijfelt of iets “erbij hoort”, is je doel waarschijnlijk te breed.

Eén doel of meerdere doelen?

• Eén detectiedoel is genoeg als je één ding wilt volgen: staat de auto van Alex op de oprit, ja of nee.
• Meerdere detectiedoelen zijn handig als je verschillende dingen apart wilt herkennen: bijvoorbeeld “Auto van Alex” én “Kat van buren”. Elk doel krijgt eigen voorbeelden en een eigen kleur tijdens het beoordelen, zodat de verzamelingen niet door elkaar lopen.

3. Beelden beoordelen in Review

In Review krijg je beelden te zien die Cam-Wise uit je camerabeelden heeft gehaald. Jouw oordeel bepaalt wat het model leert. Per beeld heb je grofweg deze keuzes:

Wanneer kies je positief?

Kies positief als het object van je detectiedoel duidelijk herkenbaar in beeld staat: de auto van Alex staat zichtbaar op de oprit, de pakketbezorger staat bij de voordeur. Teken (of controleer) daarna de box om het object en kies het juiste detectiedoel als label.

Wanneer sla je over?

Overslaan is de juiste keuze vaker dan je denkt. Sla over als:

• het beeld niets met je detectiedoel te maken heeft (een voorbijganger, een vogel, lege straat);
• het object er wél op staat maar zo onduidelijk dat jij zelf moet gokken;
• je al veel bijna identieke beelden van precies dit moment hebt bewaard.

Overslaan is niet “weggooien”: het betekent alleen dat dit beeld niet als lesmateriaal wordt gebruikt. Een overgeslagen beeld doet geen kwaad; een slecht gelabeld beeld wel.

Wanneer kies je foutvoorbeeld?

Kies foutvoorbeeld als Cam-Wise dit beeld aanzag voor je detectiedoel, maar het dat niet is: een andere auto op de plek waar normaal de auto van Alex staat, de vuilnisbak die voor de camera stond, een schaduw die op een kat lijkt. Zie hoofdstuk 9 voor wanneer dit nuttig is.

Wanneer gebruik je twijfel?

Weet je het echt niet — is dat de kat van de buren of een andere kat? — markeer het beeld dan als twijfel of sla het voorlopig over en kom er later op terug. Een twijfelgeval hard positief of hard fout labelen is schadelijker dan het even laten liggen.

Bijzondere gevallen

• Beeld zonder relevant object: overslaan. Alleen als het model dit beeld ten onrechte als jouw doel herkende, is het een kandidaat-foutvoorbeeld.
• Heel donker of wazig beeld: kun jij het object zelf nog duidelijk herkennen? Dan mag het als positief — nachtbeelden zijn juist waardevol. Moet je gokken? Overslaan.
• Dubbele beelden: bijna identieke beelden uit hetzelfde moment voegen weinig toe. Bewaar er één (de duidelijkste) en sla de rest over.

4. Boxen tekenen: wat is een goede box?

Bij een positief voorbeeld hoort een box: het kader dat aangeeft wáár het object staat. De kwaliteit van je boxen bepaalt direct hoe goed het model leert kijken.

De basisregels

• Strak om het object. De box volgt de randen van het object, niet de omgeving eromheen.
• Niet te veel achtergrond. Een box met een halve oprit erin leert het model dat de oprit bij de auto hoort — dat wil je niet.
• Niet te klein. Snijd geen zichtbare delen van het object af; een box die alleen het dak van de auto pakt, is te krap.

Object deels zichtbaar of half buiten beeld

• Wel gebruiken als dit in de praktijk vaak zo voorkomt en het object duidelijk herkenbaar blijft. Rijdt de auto van Alex altijd half het beeld in voordat hij parkeert? Dan zijn juist die halve beelden waardevol — teken de box om het zichtbare deel.
• Overslaan als er zo weinig zichtbaar is dat jij het zelf alleen “weet” doordat je de context kent. Een bumperhoekje is geen goed voorbeeld.

Lastige omstandigheden

• Reflecties en ramen: teken geen box om een spiegeling of reflectie; dat is niet het object zelf.
• Schaduwen: de schaduw hoort niet bij het object. Box om de auto, niet om auto plus schaduw.
• Regen en nacht: prima voorbeelden zolang het object herkenbaar is. Koplampen met veel schittering waardoor alleen lichtvlekken zichtbaar zijn: overslaan.

Meerdere objecten in één beeld

Staan er meerdere relevante objecten in beeld — de auto van Alex én de kat van de buren — teken dan per object een eigen box en kies per box het juiste detectiedoel. Objecten die geen detectiedoel hebben, krijgen géén box.

5. Detectiedoelen als gekleurde labels

Tijdens het beoordelen werken je detectiedoelen als labels: bij elke box kies je welk doel erbij hoort, bijvoorbeeld “Auto van Alex” of “Kat van buren”. Elk detectiedoel heeft een eigen kleur, en de box neemt die kleur over — zo zie je in één oogopslag wat je hebt gelabeld.

• Kies per box altijd bewust het detectiedoel; de kleur is je visuele controle.
• Elk goedgekeurd voorbeeld komt in de verzameling (dataset) van dat specifieke detectiedoel terecht — voorbeelden van “Auto van Alex” trainen dus nooit per ongeluk mee voor “Kat van buren”.
• In Dataset zie je later per detectiedoel terug wat je hebt verzameld: hoeveel positieve voorbeelden, hoeveel foutvoorbeelden.
• In Modelbeheer zie je per detectiedoel welke modelversies ermee getraind zijn.

6. Hoeveel voorbeelden heb je nodig?

Er is geen magisch getal, maar deze richtlijnen kloppen in de praktijk meestal:

Belangrijker dan het aantal is de kwaliteit en variatie van de voorbeelden. Dertig verschillende, goed gelabelde beelden verslaan honderd bijna identieke. Zie het volgende hoofdstuk.

7. Variatie: liever verschillend dan veel hetzelfde

Een model leert van verschillen. Veel bijna identieke beelden leren het model maar één situatie — en zodra de werkelijkheid daar iets van afwijkt (ander licht, andere hoek), herkent het niets meer. Nuttige variatie is bijvoorbeeld:

• dag / avond / nacht;
• regen / droog weer;
• dichtbij / ver weg;
• volledig zichtbaar / deels zichtbaar;
• verschillende hoeken (aan komen rijden, geparkeerd, wegrijdend);
• met en zonder koplampen aan;
• het object naast andere objecten (auto naast een bezoekersauto, kat naast de vuilnisbak);
• verschillende seizoenen en lichtomstandigheden (laagstaande zon, sneeuw, herfstbladeren).

Slechte datasetverrijking

30 frames uit één video van dezelfde parkeeractie toevoegen. Het zijn 30 “voorbeelden”, maar het model leert er één situatie van — en jouw teller staat misleidend hoog.

Goede datasetverrijking

Uit 5 verschillende video’s (ochtend, avond, regen, andere parkeerplek, met bezoek ernaast) elk 1–2 goede frames kiezen. Tien beelden, vijf situaties: daar wordt een model écht beter van.

8. Welk frame kies je uit een video?

Uit één video krijg je vaak meerdere kandidaat-frames te zien, elk met een confidence-score (hoe zeker het model is). Belangrijk om te weten:

• Kies niet automatisch het frame met de hoogste confidence. Heeft één frame confidence 90 en een ander 70, dan zegt dat alleen iets over wat het húidige model makkelijk vindt — niet over wat een goed lesvoorbeeld is.
• Kies het frame dat het object het duidelijkst, volledigst en meest representatief toont.
• Confidence is een hulpmiddel, geen waarheid. Een frame met lagere confidence kan juist waardevoller zijn: het toont bijvoorbeeld een hoek of lichtsituatie die het model nog moeilijk vindt — precies wat het moet bijleren.
• Gebruik niet te veel bijna identieke frames uit dezelfde video; kies liever enkele goede, verschillende frames.

9. Foutvoorbeelden gebruiken

Een foutvoorbeeld is een beeld dat op je detectiedoel lijkt, maar het niet is. Denk aan: een andere (vergelijkbare) auto op de oprit, de vuilnisbak op de plek waar de kat altijd zit, een schaduw met de vorm van een persoon, een fiets die het model voor een bezorger aanziet, een struik die in de wind beweegt.

• Foutvoorbeelden zijn vooral nuttig nadat er al een eerste model is: dan zie je waar het model zich concreet in vergist, en corrigeer je precies die vergissingen.
• Niet elk slecht beeld is een foutvoorbeeld. Een wazig of onduidelijk beeld dat het model óók niet aanzag voor je doel, sla je gewoon over. Foutvoorbeeld gebruik je alleen als het model (of jijzelf op het eerste gezicht) het beeld ten onrechte voor het doel hield.
• Foutvoorbeelden horen bij een specifiek detectiedoel: “andere auto” is een foutvoorbeeld voor “Auto van Alex”, niet voor “Kat van buren”.
• Gebruik foutvoorbeelden gericht om valse meldingen te verminderen: elke terugkerende vergissing die je als foutvoorbeeld toevoegt, wordt in de volgende modelversie onwaarschijnlijker.

10. Dataset controleren

In Dataset zie je per detectiedoel wat je hebt verzameld:

• Positieve voorbeelden — beelden met een box en label die het model als “dit is het” gebruikt;
• Foutvoorbeelden — beelden die het model als “dit is het níet” gebruikt;
• de verdeling per detectiedoel, zodat je ziet welk doel nog aandacht nodig heeft.

Loop je dataset af en toe rustig door, zeker vóór een training. Let op:

• Genoeg voorbeelden? Zie de richtlijnen in hoofdstuk 6.
• Te veel dezelfde beelden? Series bijna identieke frames kun je beter uitdunnen.
• Verkeerde labels? Een kat gelabeld als auto vergiftigt beide doelen tegelijk.
• Slechte boxen? Te ruim, te krap of om de schaduw heen — herstel ze of verwijder het voorbeeld.
• Foutvoorbeelden die eigenlijk positief zijn? Eén echt-positief beeld tussen de foutvoorbeelden werkt actief tegen je model.
• Detectiedoel verwisseld? Check op afwijkende kleuren tussen vergelijkbare beelden.

11. Trainen: wanneer en waarom?

Trainen betekent: Cam-Wise bouwt met je huidige dataset een nieuwe modelversie. De vorige versie blijft bestaan; je kunt altijd vergelijken en terug.

• Train niet na elk los voorbeeld. Eén nieuw beeld verandert weinig; trainen kost tijd en levert dan vooral een bijna identieke versie op.
• Train na een nuttige batch — bijvoorbeeld na 10–20 nieuwe, gevarieerde voorbeelden, of nadat je gericht foutvoorbeelden hebt toegevoegd.

Goede momenten om opnieuw te trainen:

• je hebt genoeg nieuwe positieve voorbeelden verzameld;
• je hebt foutvoorbeelden toegevoegd voor een terugkerende vergissing;
• het huidige model mist regelmatig iets dat het zou moeten zien;
• het huidige model detecteert regelmatig iets dat het niet zou moeten zien.

12. Epochs simpel uitgelegd

Epochs = hoe vaak Cam-Wise tijdens de training door al je voorbeelden heen oefent. Bij 10 epochs bekijkt het model elke foto in je dataset 10 keer, telkens net iets beter afgesteld.

• Te weinig epochs: het model heeft te weinig geoefend en leert de voorbeelden mogelijk niet goed genoeg.
• Te veel epochs: het model gaat te veel op precies jóuw voorbeelden lijken — het kent ze uit het hoofd, maar wordt juist slechter in nieuwe, net iets andere situaties.

Veilige richtlijnen:

• Twijfel je? Gebruik de standaardinstelling. Die is gekozen om voor de meeste datasets goed te werken.
• Eerste model: houd het op standaard of laag — je wilt eerst zien wáár het misgaat, niet meteen maximaal trainen.
• Grotere, gevarieerdere dataset: iets langer trainen kan dan zinvol zijn.
• Verhoog nooit willekeurig naar extreme waarden “omdat meer wel beter zal zijn” — dat werkt vaak averechts.

13. Batch simpel uitgelegd

Batch = hoeveel voorbeelden Cam-Wise tegelijk verwerkt tijdens het trainen. Vergelijk het met afwassen: je kunt drie borden tegelijk pakken of één voor één — het eindresultaat is schoon servies, maar het tempo en de belasting verschillen.

• Grotere batch: kan sneller trainen, maar vraagt meer geheugen van je computer.
• Kleinere batch: langzamer, maar veiliger op lichtere pc’s.

Advies:

• Twijfel je? Laat de standaardwaarde staan.
• Loopt de training vast of geeft je computer geheugenproblemen? Verlaag de batch.
• Werkt de training stabiel? Niets aanpassen. Batch is geen knop waarmee je het model slimmer maakt.

14. Modelbeheer en versies

Elke training levert een nieuwe versie op: Model V1, V2, V3, enzovoort. De versienummers horen bij een detectiedoel — het detectiedoel is de naam van wát je herkent, de versie is hoe ver de herkenning gevorderd is.

• Een nieuwe versie wordt niet automatisch actief. Jij bepaalt welke versie je camera’s gebruiken.
• Je kunt altijd terug naar een vorige versie als de nieuwe tegenvalt.
• Vergelijk niet op één beeld. Eén gelukt of mislukt beeld zegt weinig; bekijk meerdere situaties (dag, nacht, dichtbij, ver weg) voordat je een oordeel velt.

Is de nieuwe versie slechter? Dat gebeurt soms, en het is geen ramp:

1. Zet de vorige versie terug als actieve versie.
2. Kijk in welke situaties de nieuwe versie de fout in ging.
3. Voeg voor precies die situaties voorbeelden of foutvoorbeelden toe.
4. Train opnieuw en vergelijk weer.

15. Wat als Cam-Wise iets niet detecteert?

De auto stond op de oprit, maar Cam-Wise zag hem niet. Loop dan deze stappen in volgorde af — de oorzaak zit vaker aan het begin van de keten dan aan het eind.

Stap 1: Heeft de camera het object gezien?

• Staat het object echt in het beeld van déze camera, of net buiten de kijkhoek?
• Was de camera op dat moment actief?
• Heeft de camera of de koppeling een opname gemaakt van dat moment? Geen opname = niets om te detecteren.

Stap 2: Is het beeld bruikbaar?

• Te donker om zelf iets te herkennen?
• Object te ver weg of te klein in beeld?
• Bewegingsonscherpte (vegen in het beeld)?
• Reflectie, vuil op de lens of een raam ertussen?

Als jij het object zelf amper kunt zien, kan het model het ook niet. Dat is dan geen modelprobleem maar een beeldprobleem.

Stap 3: Staat dit soort situatie in de dataset?

• Heb je voorbeelden van dít soort moment — nacht, regen, deze afstand?
• Zit deze hoek of lichtsituatie al in je dataset, of is dit nieuw voor het model?

Stap 4: Is het juiste detectiedoel gekozen?

• Niet per ongeluk beoordeeld onder het verkeerde doel (label “Kat van buren” op de auto)?
• Kloppen de boxen van de bestaande voorbeelden?

Stap 5: Staat de gevoeligheid te streng?

• Een lagere reviewdrempel laat meer kandidaten zien — handig om te ontdekken of het model het object wél zag maar net onder de drempel bleef.
• Zet de triggerdrempel (voor meldingen en acties) niet te vroeg te hoog; doe dat pas als het model bewezen stabiel is.

Stap 6: Train opnieuw met betere voorbeelden

• Voeg enkele goede voorbeelden toe van precies de gemiste situatie.
• Voeg foutvoorbeelden toe als er verwarring is met iets dat erop lijkt.
• Train een nieuwe modelversie en vergelijk voordat je activeert.

16. Wat als Cam-Wise te veel valse meldingen geeft?

Het model ziet de auto van Alex in elke witte auto, of meldt de kat bij elke schaduw. Werk deze stappen af:

1. Controleer je boxen. Te ruime boxen zijn de klassieke oorzaak: het model heeft achtergrond meegeleerd en reageert nu op die achtergrond.
2. Voeg gerichte foutvoorbeelden toe. Markeer precies de beelden waarin het model zich vergist (die andere witte auto, die schaduw) als foutvoorbeeld bij het juiste detectiedoel.
3. Verhoog de triggerdrempel voorzichtig. Een kleine verhoging filtert twijfelgevallen weg; een grote verhoging maskeert het probleem alleen maar en kost je echte detecties.
4. Voeg meer variatie toe aan je positieve voorbeelden, zodat het model scherper leert wat het object wél uniek maakt.
5. Check of je detectiedoel te breed is. “Auto” geeft logischerwijs meldingen bij elke auto; “Auto van Alex” niet.
6. Train een nieuwe versie en vergelijk met de vorige voordat je overstapt.

17. Wat als Review te veel beelden oplevert?

Honderden kandidaten per dag beoordelen is niet vol te houden — en ook niet nodig. Zo krijg je het behapbaar:

1. Verhoog de reviewdrempel voorzichtig. Dan zie je alleen kandidaten waar het model zekerder over is. Doe dit stapje voor stapje, anders mis je juist de leerzame twijfelgevallen.
2. Sla ruimhartig over. Slechte beelden en duplicaten hoef je niet te beoordelen; overslaan is gratis.
3. Beoordeel in batches. Eén keer per dag of per paar dagen 10 minuten gericht beoordelen werkt beter dan continu bijhouden.
4. Gebruik foutvoorbeelden alleen waar ze echt nuttig zijn (terugkerende verwarring) — niet als afhandelknop voor elk irrelevant beeld.
5. Check je scanner- en importinstellingen. Staat de aanvoer te ruim afgesteld (bijvoorbeeld alles bij elke beweging), dan dweil je met de kraan open.

18. Veelgemaakte fouten

• Te veel identieke frames gebruiken — hoge aantallen, weinig leereffect (zie hoofdstuk 7).
• Te ruime boxen tekenen — het model leert achtergrond mee en gaat daarop reageren.
• Halve of onduidelijke objecten altijd bewaren — deels zichtbaar mag, maar alleen als het herkenbaar blijft.
• Foutvoorbeeld gebruiken waar overslaan beter is — foutvoorbeelden zijn voor concrete verwarring, niet voor rommel.
• Trainen met te weinig voorbeelden — onder de ±15 wordt het gokwerk; verzamel eerst iets meer.
• Een nieuw model direct vertrouwen zonder vergelijken — nieuwe versie ≠ betere versie.
• Detectiedoelen te breed maken — “alles wat beweegt” is geen doel maar een probleem.
• Verkeerde kleur/label kiezen tijdens review — check de boxkleur voor je opslaat.
• Trainen voor de verkeerde camera — voorbeelden van de achtertuincamera helpen het voordeurmodel niet; elk gezichtspunt is z’n eigen situatie.

19. Aanbevolen werkwijze per fase

Eerste start

Verzamel rustig 15–30 goede, gevarieerde positieve voorbeelden. Nog niet trainen op 5 beelden; nog geen foutvoorbeelden nodig.

Eerste model

Train, en ga daarna vooral fouten bekijken: wat mist het model, waar vergist het zich? Dat bepaalt je volgende stap — niet het verzamelen van nóg meer van hetzelfde.

Verbeterfase

Voeg gericht toe wat ontbreekt: foutvoorbeelden voor terugkerende vergissingen, positieve voorbeelden voor gemiste situaties (nacht, regen, andere hoek). Train per nuttige batch, vergelijk versies.

Stabiele fase

Het model werkt naar tevredenheid: train alleen nog als er echt iets verandert — een nieuw seizoen, een andere parkeerplek, een nieuwe terugkerende vergissing. Af en toe de dataset doorlopen is genoeg onderhoud.

Meerdere detectiedoelen

Bouw doelen één voor één op. Breng het eerste doel naar de verbeter- of stabiele fase voordat je vol op het tweede inzet; zo blijft het beoordelen overzichtelijk en de kwaliteit hoog.

20. Korte checklist vóór trainen

• ✓Juiste camera gekozen.
• ✓Juiste detectiedoel gekozen.
• ✓Genoeg positieve voorbeelden (richtlijn: minimaal 15–30).
• ✓Voldoende variatie (licht, afstand, hoek, weer).
• ✓Slechte en dubbele beelden overgeslagen, niet gelabeld.
• ✓Foutvoorbeelden gecontroleerd (zit er niets positiefs tussen?).
• ✓Dataset kort doorlopen op labels en boxen.
• ✓Traininginstellingen op standaard, tenzij je een concrete reden hebt om af te wijken.

21. Korte checklist na trainen

• ✓Nieuwe modelversie bekeken op echte beelden.
• ✓Vergeleken met de vorige versie, in meerdere situaties.
• ✓Niet automatisch geactiveerd zonder die controle.
• ✓Bij twijfel: vorige versie actief gehouden.
• ✓Gevonden fouten terugvertaald naar Review en Dataset (nieuwe voorbeelden of foutvoorbeelden).

22. Veelgestelde vragen