{"id":3446011,"date":"2026-11-17T13:50:37","date_gmt":"2026-11-17T11:50:37","guid":{"rendered":"https:\/\/datanorth.ai\/?p=3446011"},"modified":"2026-11-17T13:51:20","modified_gmt":"2026-11-17T11:51:20","slug":"wat-is-objectclassificatie","status":"publish","type":"post","link":"https:\/\/datanorth.ai\/nl\/blog\/wat-is-objectclassificatie","title":{"rendered":"Wat is objectclassificatie? Zo werkt het, met voorbeelden en een stappenplan"},"content":{"rendered":"\n<p class=\"wp-block-paragraph\">Laat iemand een foto van een fruitschaal zien en binnen een seconde wijst hij de banaan aan. Objectclassificatie is de manier waarop een computer dezelfde keuze maakt. Het model kent een categorie toe, zoals \u201cappel\u201d, \u201cbanaan\u201d of \u201cdruiven\u201d, aan een beeld of aan een object daarin. Dat doet het op basis van visuele patronen die het heeft geleerd van gelabelde voorbeelden.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Een computer begint met niets meer dan een raster van getallen, dus hij moet leren hoe een banaan eruitziet. Dit artikel legt uit hoe dat leren werkt, wat het verschil is met detectie en segmentatie, waar het wordt gebruikt, waarom het fouten maakt en hoe je zelf een project start. E\u00e9n voorbeeld loopt er als een rode draad doorheen: appels, bananen en druiven sorteren.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Wat is objectclassificatie?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Objectclassificatie is een machine learning-taak waarbij een model visuele input indeelt in een vaste set categorie\u00ebn die je vooraf bepaalt. Het model leert van voorbeelden die mensen hebben gelabeld, en daarmee is het een vorm van supervised learning.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Drie begrippen komen steeds terug. Een categorie, ook wel klasse genoemd, is een van de opties waaruit het model kiest: appel, banaan of druiven. Een label is de juiste categorie die een mens aan een trainingsbeeld koppelt. Een voorspelling is de categorie die het model kiest voor een nieuw beeld, meestal met een score voor elke optie.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De meeste classifiers werken op hele beelden. Beeldclassificatie (image classification) geeft \u00e9\u00e9n label aan de hele afbeelding, dus een foto van \u00e9\u00e9n banaan op tafel krijgt gewoon het label \u201cbanaan\u201d. Een foto van een volle fruitschaal krijgt alleen een label voor de hele sc\u00e8ne, tenzij een andere stap eerst elk stuk fruit vindt en uitsnijdt. Het classificeren van die losse uitsneden is wat mensen meestal bedoelen met objectclassificatie.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Single-label of multi-label?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Bij single-label classificatie krijgt elk beeld precies \u00e9\u00e9n categorie: een appel, een banaan of druiven. Bij multi-label classificatie kan een beeld meerdere labels tegelijk krijgen, dus een fruitschaal kan zowel \u201cappel\u201d als \u201cbanaan\u201d krijgen. Ook multi-label output vertelt je alleen wat er te zien is. Het zegt niet waar elk stuk fruit ligt of hoeveel het er zijn.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Classificatie, detectie en segmentatie: de belangrijkste verschillen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Classificatie, detectie en segmentatie beantwoorden drie verschillende vragen over hetzelfde beeld, en elk antwoord is gedetailleerder dan het vorige. Classificatie noemt de categorie. Detectie vindt elk object en de plek waar het staat. Segmentatie geeft precies aan welke pixels bij wat horen.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Taak<\/th><th>Welke vraag beantwoordt het?<\/th><th>Typische output<\/th><th>Voorbeeld fruitschaal<\/th><\/tr><\/thead><tbody><tr><td>Classificatie<\/td><td>Tot welke categorie hoort dit beeld of object?<\/td><td>E\u00e9n label, of meerdere bij multi-label, elk met een score<\/td><td>\u201cBanaan: 0,91\u201d<\/td><\/tr><tr><td>Detectie<\/td><td>Welke objecten staan erop, en waar?<\/td><td>Een kader om elk object, met een label en een score<\/td><td>Drie kaders: twee appels en \u00e9\u00e9n banaan<\/td><\/tr><tr><td>Segmentatie<\/td><td>Welke pixels horen bij welke categorie of welk object?<\/td><td>Een masker dat elke pixel aan een categorie of object toewijst<\/td><td>De exacte omtrek van elk stuk fruit<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" width=\"1024\" height=\"486\" src=\"https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/1-foto-drie-vragen-1024x486.png\" alt=\"1 foto, drie vragen\" class=\"wp-image-3446016\" srcset=\"https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/1-foto-drie-vragen-1024x486.png 1024w, https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/1-foto-drie-vragen-300x142.png 300w, https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/1-foto-drie-vragen-767x364.png 767w, https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/1-foto-drie-vragen-1536x729.png 1536w, https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/1-foto-drie-vragen.png 2048w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><figcaption class=\"wp-element-caption\"><em><em>Classificatie benoemt, detectie lokaliseert, segmentatie tekent de omtrek.<\/em><\/em><\/figcaption><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Detectie omvat meestal ook classificatie: het lokaliseert elk object en labelt het daarna, zoals onze uitleg over <a href=\"https:\/\/datanorth.ai\/nl\/blog\/wat-is-object-detectie\" target=\"_blank\" rel=\"noopener\">objectdetectie<\/a> laat zien. Segmentatie is de juiste keuze als de exacte vorm telt, bijvoorbeeld om een plek op een appel op te meten.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">De termen beeldherkenning en objectherkenning worden losser gebruikt. Sommige schrijvers bedoelen classificatie, andere alle drie de taken. Belooft een product \u201cherkenning\u201d, kijk dan of het een label, een kader of een masker teruggeeft.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Hoe werkt objectclassificatie?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Een objectclassifier werkt in twee aparte fases. Tijdens de training bestudeert een model gelabelde voorbeelden en past het zichzelf aan tot zijn gokken overeenkomen met de labels. Tijdens het gebruik, vaak inferentie genoemd, bekijkt het afgeronde model een nieuw beeld en geeft het een voorspelling zonder nog iets bij te leren. De zes stappen hieronder volgen het fruitvoorbeeld van een lege map tot een werkende voorspelling.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">1. Bepaal de categorie\u00ebn en verzamel representatieve beelden<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Bepaal eerst precies welke categorie\u00ebn het model uit elkaar moet houden. \u201cAppel, banaan, druiven\u201d is duidelijk, \u201cfruit dat we verkopen\u201d niet, omdat niemand daar consequent op kan labelen. Beslis ook wat er gebeurt met beelden die nergens bij passen, zoals een citroen of een lege band. Een classifier kan alleen kiezen uit de opties die je hem geeft, dus een extra categorie \u201coverig\u201d helpt vaak.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Verzamel daarna beelden die lijken op wat het model in de praktijk ziet. Hangt de camera boven een lopende band, dan heb je weinig aan studiofoto\u2019s op een witte achtergrond. Je hebt dezelfde hoeken, belichting en achtergronden nodig, en de hele variatie aan rassen en rijpheid, inclusief groene bananen en appels met een sticker.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">2. Label en prepareer de data<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Labelen betekent dat je aan elk beeld de juiste categorie koppelt. Bij single-label classificatie kan dat zo simpel zijn als foto\u2019s in drie mappen sorteren. Fouten in deze stap neemt het model letterlijk over: staat een op de twintig druivenfoto\u2019s per ongeluk bij de appels, dan leert het model die fout alsof hij klopt.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Daarna worden de beelden geschaald naar het formaat dat het model verwacht. Veel teams gebruiken ook data-augmentatie: ze maken extra varianten door bestaande beelden te spiegelen, te draaien of iets lichter te maken. Zo leert het model dat een banaan ook een banaan is als hij andersom ligt.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">3. Scheid training-, validatie- en testdata<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Verdeel de gelabelde beelden v\u00f3\u00f3r de training in drie groepen. Het model leert van de trainingsset. Met de validatieset vergelijk je tijdens de ontwikkeling instellingen en bepaal je wanneer je stopt. De testset blijft tot het eind onaangeroerd. Dan gebruik je hem \u00e9\u00e9n keer, om in te schatten hoe het model presteert op beelden die het echt nooit heeft gezien.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Dat is belangrijk, omdat een model zijn trainingsbeelden kan onthouden en daarop veel beter lijkt dan het is. Houd de sets ook onafhankelijk. Komen bijna identieke foto\u2019s van dezelfde appel in zowel de trainingsset als de testset, dan valt de score te gunstig uit. Splits daarom per partij, dag of camera, en niet puur willekeurig.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">4. Train een model om bruikbare visuele patronen te leren<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Trainen is een lange reeks gokken en correcties. Het model voorspelt een categorie voor een batch trainingsbeelden en vergelijkt zijn antwoorden met de labels. Waar het fout zat, worden de interne instellingen, de parameters, een klein beetje bijgesteld, zodat dezelfde fout minder waarschijnlijk wordt. Dat herhaalt zich vele keren over de hele trainingsset.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Niemand vertelt het model dat het moet letten op \u201cgeel en gebogen\u201d. Het ontdekt zelf welke patronen de categorie\u00ebn scheiden. In een neuraal netwerk reageren de eerste lagen meestal op randen en kleurovergangen, terwijl diepere lagen die combineren tot texturen, vormen en onderdelen van objecten.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">5. Voorspel op nieuwe beelden<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Na de training liggen de parameters vast. Een nieuw beeld gaat \u00e9\u00e9n keer door het model en komt eruit als een lijst scores, \u00e9\u00e9n per categorie. Bij een single-label classifier tellen die scores meestal op tot 1, en de hoogste wint. Het fruitmodel geeft bijvoorbeeld appel 0,03, druiven 0,06 en banaan 0,91, en voorspelt dus \u201cbanaan\u201d.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">In deze stap leert het model niets. Blijft het een nieuw appelras verkeerd inschatten, dan corrigeert het zichzelf niet. Je verbetert het door nieuwe voorbeelden te labelen en opnieuw te trainen.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" width=\"1024\" height=\"486\" src=\"https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/eenmalig-leren-vele-malen-voorspellen-1024x486.png\" alt=\"eenmalig leren, vele malen voorspellen\" class=\"wp-image-3446018\" srcset=\"https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/eenmalig-leren-vele-malen-voorspellen-1024x486.png 1024w, https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/eenmalig-leren-vele-malen-voorspellen-300x142.png 300w, https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/eenmalig-leren-vele-malen-voorspellen-767x364.png 767w, https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/eenmalig-leren-vele-malen-voorspellen-1536x729.png 1536w, https:\/\/datanorth.ai\/wp-content\/uploads\/2026\/11\/eenmalig-leren-vele-malen-voorspellen.png 2048w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<h3 class=\"wp-block-heading\">6. Lees de scores met verstand<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Een score van 0,91 lijkt op 91 procent kans dat het klopt, maar het is geen garantie. Onderzoek van <a href=\"https:\/\/arxiv.org\/abs\/1706.04599\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">Guo en collega\u2019s<\/a> liet zien dat moderne neurale netwerken vaak slecht gekalibreerd zijn: hun zekerheid komt niet overeen met hoe vaak ze echt gelijk hebben. Een model kan dus vol overtuiging fout zitten, vooral bij beelden die afwijken van zijn trainingsdata.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Daarom werken systemen in de praktijk met een drempelwaarde. Voorspellingen daarboven worden automatisch afgehandeld, en twijfelgevallen gaan naar een mens. Waar je die drempel legt, hangt af van wat een fout antwoord kost. Test hem dus op representatieve data in plaats van een rond getal te kiezen.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">De belangrijkste methoden en modellen<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Vier benaderingen dekken het meeste wat je tegenkomt: klassieke machine learning, convolutionele neurale netwerken, vision transformers en transfer learning. In november 2026 is geen van de vier voor elke taak de beste. De juiste keuze hangt af van je data, je hardware en de nauwkeurigheid die de taak vraagt.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Klassieke machine learning met handmatig ontworpen kenmerken<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">V\u00f3\u00f3r deep learning bepaalden engineers zelf welke metingen ertoe deden, zoals gemiddelde kleur, rondheid en oppervlaktetextuur. Een algoritme zoals een beslisboom leerde vervolgens welke combinaties bij welke categorie horen. Dat werkt nog steeds als de omstandigheden strak onder controle zijn, en de uitkomsten zijn makkelijk uit te leggen. Het loopt vast als belichting, hoeken en achtergronden wisselen, omdat iemand elk bruikbaar kenmerk vooraf moet bedenken.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Convolutionele neurale netwerken<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Een convolutioneel neuraal netwerk, of CNN, leert zijn eigen kenmerken. Het schuift kleine aangeleerde filters over het beeld om lokale patronen op te pikken en stapelt veel van die lagen, zodat eenvoudige patronen samen complexe vormen. CNN\u2019s zijn al meer dan tien jaar het werkpaard van beeldclassificatie, en compacte varianten draaien op telefoons.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Vision transformers<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Een vision transformer knipt een beeld in kleine stukjes, patches, en verwerkt die met de transformer-architectuur die oorspronkelijk voor taal is ontwikkeld. Zo kan elke patch zich tot elke andere patch verhouden. Het <a href=\"https:\/\/arxiv.org\/abs\/2010.11929\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">oorspronkelijke paper over de vision transformer<\/a> liet zien dat deze aanpak sterke CNN\u2019s kan evenaren of verslaan op classificatiebenchmarks. Er was wel een voorwaarde: pretraining op zeer grote datasets. Alleen getraind op een middelgrote dataset scoorde het model een paar punten lager dan vergelijkbare CNN\u2019s.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Transfer learning en voorgetrainde modellen<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">De meeste projecten trainen niet vanaf nul. Ze beginnen met een model dat is voorgetraind op een grote dataset, zoals ImageNet met zo\u2019n 1,4 miljoen beelden in 1.000 categorie\u00ebn, en passen dat aan op hun eigen categorie\u00ebn. De <a href=\"https:\/\/www.tensorflow.org\/tutorials\/images\/transfer_learning\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">transfer learning-tutorial van TensorFlow<\/a> laat de gebruikelijke aanpak zien: behoud de voorgetrainde feature extractor, vervang de laatste laag en train die op je eigen beelden. Omdat het model randen, texturen en vormen al kent, heeft het veel minder fruitfoto\u2019s nodig dan een model dat bij nul begint.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Met welke modellen begin je?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Geen enkel model is voor elk project de beste keuze. In november 2026 zijn de modellen hieronder breed in gebruik, goed gedocumenteerd en beschikbaar als voorgetrainde gewichten. Elk model past bij een andere situatie.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Model<\/th><th>Type<\/th><th>Van<\/th><th>Het sterkst als<\/th><th>Let op<\/th><\/tr><\/thead><tbody><tr><td>ResNet-50<\/td><td>Convolutioneel neuraal netwerk<\/td><td>Microsoft Research, 2015<\/td><td>Je een bekende baseline wilt die elk framework ondersteunt<\/td><td>Ouder ontwerp: nieuwere modellen van vergelijkbare grootte scoren meestal hoger<\/td><\/tr><tr><td>MobileNetV4<\/td><td>Effici\u00ebnt CNN, ook als hybride variant<\/td><td>Google, 2024<\/td><td>Het model op een telefoon, camera of ander klein apparaat moet draaien<\/td><td>De kleinste versies leveren wat nauwkeurigheid in voor snelheid<\/td><\/tr><tr><td>ConvNeXt<\/td><td>Gemoderniseerd CNN<\/td><td>Meta (FAIR) en UC Berkeley, 2022<\/td><td>Je de eenvoud van een CNN wilt met een nauwkeurigheid dicht bij transformers<\/td><td>Grotere versies hebben een GPU nodig voor fine-tunen<\/td><\/tr><tr><td>ViT<\/td><td>Vision transformer<\/td><td>Google, 2020<\/td><td>Je een versie fine-tunet die op een zeer grote dataset is voorgetraind<\/td><td>Zwak als je hem vanaf nul traint op een bescheiden dataset<\/td><\/tr><tr><td>DINOv3<\/td><td>Self-supervised backbone, in ViT- en ConvNeXt-versies<\/td><td>Meta, 2025<\/td><td>Je weinig labels hebt: train een kleine classifier op zijn features<\/td><td>Uitgebracht onder Meta\u2019s eigen DINOv3 License, dus check eerst de voorwaarden<\/td><\/tr><tr><td>CLIP en SigLIP 2<\/td><td>Vision-language-modellen<\/td><td>OpenAI, 2021, en Google, 2025<\/td><td>Je categorie\u00ebn vaak veranderen of je nog geen gelabelde data hebt<\/td><td>Nauwkeurigheid zonder training verschilt per taak, dus test op je eigen beelden<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">Een praktische vuistregel: begin met een voorgetraind ConvNeXt- of ViT-model voor de meeste serverprojecten, met MobileNetV4 als het model op het apparaat zelf moet draaien, met DINOv3-features als labels schaars zijn en met SigLIP 2 als je categorie\u00ebn eerst in gewone tekst wilt uitproberen voordat je iets labelt. De papers achter <a href=\"https:\/\/arxiv.org\/abs\/2404.10518\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">MobileNetV4<\/a>, <a href=\"https:\/\/arxiv.org\/abs\/2201.03545\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">ConvNeXt<\/a>, <a href=\"https:\/\/ai.meta.com\/research\/dinov3\/\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">DINOv3<\/a> en <a href=\"https:\/\/arxiv.org\/abs\/2502.14786\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">SigLIP 2<\/a> publiceren hun eigen benchmarkresultaten. Gebruik die als shortlist, en laat je eigen testset de uiteindelijke keuze maken.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Objectclassificatie in de praktijk: van fabriek tot fotoalbum<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Objectclassificatie is nuttig overal waar mensen herhaaldelijk naar beelden kijken om iets te sorteren, te controleren of te tellen. Bij elk voorbeeld hieronder staan de input, de voorspelde categorie\u00ebn en de opbrengst, en waar ook detectie nodig is.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Kwaliteitscontrole in de productie<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Een camera fotografeert elk product aan de lijn, en een classifier labelt het als \u201cgoed\u201d of \u201cafwijking\u201d, of benoemt de afwijking, zoals \u201ckras\u201d of \u201cdeuk\u201d. Met vaste belichting en een vaste productpositie toont elk beeld \u00e9\u00e9n product op dezelfde plek, dus classificatie alleen kan dan genoeg zijn. De opbrengst is een consistente controle van elk product op lijnsnelheid, met twijfelgevallen apart voor een inspecteur.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Wildlife monitoring<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Wildcamera\u2019s met bewegingssensor maken enorme aantallen foto\u2019s, en op veel daarvan staat helemaal geen dier. In een <a href=\"https:\/\/pmc.ncbi.nlm.nih.gov\/articles\/PMC6016780\/\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">studie uit 2018 binnen het Snapshot Serengeti-project<\/a> trainden onderzoekers neurale netwerken om 48 soorten te herkennen in 3,2 miljoen beelden. De eerste stap was zelf een classificatie: staat er een dier op deze foto? Volgens de onderzoekers bespaart het systeem op die dataset meer dan acht jaar aan menselijk labelwerk. Dieren tellen of lokaliseren vraagt meer dan classificatie.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Landbouw en voedselsortering<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Hier speelt het voorbeeld uit dit artikel zich af. Fruit gaat onder een camera door, en een classifier geeft elk stuk een soort of een kwaliteitsklasse, zoals \u201cklasse I\u201d of \u201cafkeur\u201d. Liggen er meerdere stukken tegelijk in beeld, dan is eerst detectie nodig, of een opstelling die elk stuk apart aanvoert. De opbrengst is snellere en consistentere sortering. Een model dat op \u00e9\u00e9n ras, seizoen of bedrijf is getraind, kan het elders wel slechter doen, dus test het op lokale data.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Foto\u2019s ordenen<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Foto-apps en beeldbanken taggen beelden met categorie\u00ebn zoals \u201cstrand\u201d, \u201ceten\u201d of \u201cdocument\u201d, meestal als multi-label classificatie van het hele beeld. De opbrengst is dat grote collecties doorzoekbaar worden zonder handmatig taggen. Gezichten zijn een ander verhaal: foto\u2019s groeperen per persoon gaat over biometrische gegevens, en die zijn onder de AVG bijzondere persoonsgegevens als ze worden gebruikt om mensen te identificeren.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Hoe nauwkeurig is het, en waarom maakt het fouten?<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Er bestaat geen algemeen nauwkeurigheidspercentage voor objectclassificatie. De prestaties hangen af van de categorie\u00ebn, de data en de omstandigheden, dus een score zegt alleen iets over de testset waarop hij is gemeten. Hetzelfde fruitmodel kan uitstekend werken onder bekende belichting en moeite hebben in een ander magazijn.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Accuracy, precision, recall en de confusion matrix<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Accuracy, of nauwkeurigheid, is het aandeel van alle voorspellingen dat klopte. Precision vraagt: van alles wat het model \u201cdruiven\u201d noemde, hoeveel waren echt druiven? Recall vraagt: van alle druivenfoto\u2019s in de testset, hoeveel heeft het model gevonden? De <a href=\"https:\/\/developers.google.com\/machine-learning\/crash-course\/classification\/accuracy-precision-recall\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">Machine Learning Crash Course van Google<\/a> legt deze metrics verder uit.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Een confusion matrix laat zien waar die getallen vandaan komen. Elke rij is de echte categorie en elke kolom de voorspelling, dus elk type fout heeft een eigen cel. Deze illustratieve matrix komt van een testset van 300 fruitfoto\u2019s.<\/p>\n\n\n\n<figure class=\"wp-block-table\"><table><thead><tr><th>Echte categorie<\/th><th>Voorspeld: appel<\/th><th>Voorspeld: druiven<\/th><th>Voorspeld: banaan<\/th><\/tr><\/thead><tbody><tr><td>Appel (100 foto\u2019s)<\/td><td>92<\/td><td>6<\/td><td>2<\/td><\/tr><tr><td>Druiven (100 foto\u2019s)<\/td><td>9<\/td><td>89<\/td><td>2<\/td><\/tr><tr><td>Banaan (100 foto\u2019s)<\/td><td>1<\/td><td>3<\/td><td>96<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n<p class=\"wp-block-paragraph\">De totale accuracy is 277 van de 300, ongeveer 92 procent, maar de matrix zegt meer. Bananen worden zelden verward, terwijl appels en druiven 15 keer door elkaar worden gehaald. De recall voor druiven is 89 procent, en de precision is 89 van de 98, ongeveer 91 procent. De volgende ronde trainingsfoto\u2019s moet dus over appels en druiven gaan, niet over bananen.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Waarom accuracy kan misleiden<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Accuracy misleidt als de categorie\u00ebn ongelijk verdeeld zijn. Stel je een sorteerlijn voor waar 990 van elke 1.000 appels goed zijn en 10 een plek hebben. Een model dat elke appel \u201cgoed\u201d noemt, haalt 99 procent accuracy en vindt geen enkele beschadigde appel. Kijk bij zeldzame maar belangrijke categorie\u00ebn dus naar precision en recall per categorie.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Waarom maakt een classifier fouten?<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">De meeste fouten komen voort uit een verschil tussen de trainingsdata en de echte wereld. Dit zijn de gebruikelijke oorzaken:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li><strong>Belichting.<\/strong> Schaduwen, schittering en kleurzweem veranderen hoe kleur en textuur eruitzien.<\/li>\n\n\n\n<li><strong>Kijkhoek.<\/strong> Een banaan die je van de punt ziet, is een gele cirkel en geen boog.<\/li>\n\n\n\n<li><strong>Afscherming.<\/strong> Een appel die half achter een banaan ligt, geeft het model minder om mee te werken.<\/li>\n\n\n\n<li><strong>Categorie\u00ebn die op elkaar lijken.<\/strong> Een kleine rode appel en een close-up van rode druiven zijn lastig uit elkaar te houden, zelfs voor mensen.<\/li>\n\n\n\n<li><strong>Slechte labels.<\/strong> Verkeerde trainingslabels leren het model verkeerde antwoorden, en verkeerde testlabels maken de score onbetrouwbaar.<\/li>\n\n\n\n<li><strong>Niet-representatieve data.<\/strong> Lag elke trainingsbanaan op een witte tafel, dan leert het model misschien deels op de tafel te letten.<\/li>\n\n\n\n<li><strong>Onbekende omstandigheden.<\/strong> Een nieuwe camera, leverancier of nieuw ras kan de prestaties na de livegang verlagen. Dat heet ook wel distribution shift. <\/li>\n<\/ul>\n\n\n\n<h3 class=\"wp-block-heading\">Bias, privacy en menselijke controle<\/h3>\n\n\n\n<p class=\"wp-block-paragraph\">Die verschillen wegen zwaarder als er mensen op de beelden staan. De <a href=\"https:\/\/proceedings.mlr.press\/v81\/buolamwini18a.html\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">Gender Shades-studie<\/a> testte drie commerci\u00eble systemen die geslacht classificeren. Ze vond foutpercentages tot 34,7 procent bij vrouwen met een donkere huidskleur, tegenover hooguit 0,8 procent bij mannen met een lichte huidskleur. De les geldt voor elke classifier: test de prestaties apart per relevante groep of omstandigheid, niet alleen gemiddeld.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Verzamel en bewaar alleen de beelden die je nodig hebt, zeker als mensen herkenbaar zijn. Laat een mens meekijken bij beslissingen die mensen raken of echt geld kosten, en stuur twijfelgevallen via de drempelwaarde naar die persoon.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Aan de slag met objectclassificatie<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">De betrouwbaarste manier om te beginnen is klein: \u00e9\u00e9n smalle vraag, beelden die passen bij de echte omstandigheden, een voorgetraind model en een eerlijke test op beelden die het model nooit heeft gezien. Een realistisch eerste project volgt vijf stappen.<\/p>\n\n\n\n<ol class=\"wp-block-list\">\n<li><strong>Kies een smal probleem.<\/strong> \u201cIs deze banaan klaar voor verzending?\u201d werkt beter dan \u201cherken alles in ons magazijn\u201d. Schrijf de categorie\u00ebn op, wat er bij elke categorie hoort en welke fout het meest kost.<\/li>\n\n\n\n<li><strong>Verzamel geschikte beelden.<\/strong> Gebruik de camera, hoeken en belichting die je in de praktijk gebruikt. Laat twee mensen dezelfde steekproef labelen om te checken of ze het eens zijn.<\/li>\n\n\n\n<li><strong>Kies een voorgetraind model of een tool.<\/strong> Kun je programmeren, dan is transfer learning vanaf een voorgetraind model meestal de snelste route. Kun je dat niet, dan train je met een no-codeplatform een classifier in de browser.<\/li>\n\n\n\n<li><strong>Evalueer op representatieve, nieuwe data.<\/strong> Gebruik testbeelden van een andere dag, partij of locatie, en bekijk de confusion matrix en de beelden die het model fout heeft.<\/li>\n\n\n\n<li><strong>Draai een pilot met menselijke controle.<\/strong> Laat het model meelopen naast het huidige proces en automatiseer alleen de gevallen waarin het betrouwbaar is gebleken.<\/li>\n<\/ol>\n\n\n\n<p class=\"wp-block-paragraph\">Je hebt minder nodig dan veel mensen denken: een duidelijke vraag, iemand die de categorie\u00ebn goed genoeg kent om ze te labelen, representatieve beelden en basiskennis van Python of een no-codetool. In de meeste projecten kost de data meer tijd dan het model.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Conclusie: data en evaluatie bepalen de uitkomst<\/h2>\n\n\n\n<p class=\"wp-block-paragraph\">Objectclassificatie kent een categorie toe aan een beeld of een object daarin. Een model leert van gelabelde voorbeelden, wordt getest op beelden die het niet kent en voorspelt daarna met een score die helpt maar niets garandeert. Representatieve data, zorgvuldige labels en een eerlijke evaluatie wegen zwaarder dan de keuze van het model.<\/p>\n\n\n\n<p class=\"wp-block-paragraph\">Modellen die categorie\u00ebn als tekst accepteren, maken classificatie flexibeler, en kleinere modellen brengen het steeds vaker naar camera\u2019s en apparaten. De basis verandert niet. Lees voor het grotere plaatje onze uitleg over <a href=\"https:\/\/datanorth.ai\/nl\/blog\/wat-is-computer-vision\" target=\"_blank\" rel=\"noopener\">computer vision<\/a>, of vraag de <a href=\"https:\/\/datanorth.ai\/nl\/dienst\/ontwikkeling-implementatie\/computer-vision\">computer vision-specialisten<\/a> van DataNorth of classificatie bij jouw vraagstuk past.<\/p>\n\n\n\n<h2 class=\"wp-block-heading\">Veelgestelde vragen over objectclassificatie<\/h2>\n\n\n\n<div class=\"wp-block-wpseopress-faq-block-v2 is-layout-flow wp-block-wpseopress-faq-block-v2-is-layout-flow\">\n<details id=\"how-much-training-data-do-i-need-for-object-classification\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Hoeveel trainingsdata heb je nodig voor objectclassificatie?<\/strong><\/summary>\n<p class=\"wp-block-paragraph\">Daar bestaat geen vast getal voor. Het hangt af van het aantal categorie\u00ebn, hoeveel ze op elkaar lijken en hoe sterk de omstandigheden in de praktijk wisselen. Met een voorgetraind model heb je veel minder gelabelde beelden nodig dan zonder. Begin met een bescheiden, gevarieerde set, meet op een aparte testset en vul aan waar het model moeite heeft.<\/p>\n<\/details>\n\n\n\n<details id=\"can-a-model-recognise-a-category-it-was-not-trained-on\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Kan een model een categorie herkennen waarop het niet is getraind?<\/strong><\/summary>\n<p class=\"wp-block-paragraph\">Een gewone classifier kan dat niet. Hij kiest altijd een van zijn getrainde categorie\u00ebn, dus een citroen kan met een hoge score \u201cbanaan\u201d worden. Vision-language-modellen zoals <a href=\"https:\/\/arxiv.org\/abs\/2103.00020\" target=\"_blank\" rel=\"noopener noreferrer nofollow\">CLIP<\/a> krijgen de categorienamen als tekst, zodat je \u201ccitroen\u201d toevoegt zonder opnieuw te trainen. De nauwkeurigheid verschilt per taak, dus test eerst op je eigen beelden.<\/p>\n<\/details>\n\n\n\n<details id=\"can-object-classification-work-in-real-time\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Werkt objectclassificatie in realtime?<\/strong><\/summary>\n<p class=\"wp-block-paragraph\">Vaak wel. E\u00e9n beeld classificeren is \u00e9\u00e9n keer door het model, en compacte modellen draaien op telefoons of kleine apparaten naast de camera. Of het bijhoudt, hangt af van de modelgrootte, de beeldresolutie, de hardware en het aantal beelden per seconde. Meet de snelheid op de echte hardware en reken extra tijd als er ook detectie nodig is.<\/p>\n<\/details>\n\n\n\n<details id=\"do-i-need-to-know-how-to-code-to-build-an-image-classifier\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Moet je kunnen programmeren om een beeldclassifier te bouwen?<\/strong><\/summary>\n<p class=\"wp-block-paragraph\">Niet voor een eerste prototype. Met verschillende no-codeplatforms upload je gelabelde beelden, train je een classifier en test je hem in de browser. Programmeren wordt handig als je het model aan andere systemen wilt koppelen, precies wilt bepalen hoe je het evalueert of het op eigen hardware wilt draaien. Het werk aan data en evaluatie blijft hetzelfde.<\/p>\n<\/details>\n\n\n\n<details id=\"can-i-use-chatgpt-claude-or-gemini-to-classify-images\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Kun je ChatGPT, Claude of Gemini gebruiken om beelden te classificeren?<\/strong><\/summary>\n<p class=\"wp-block-paragraph\">Ja, voor kleine aantallen en snelle tests. Je uploadt een beeld, noemt de toegestane categorie\u00ebn en vraagt het model er \u00e9\u00e9n te kiezen. Bij duizenden beelden per dag is een eigen classifier meestal sneller, goedkoper per beeld en consistenter, omdat hij elke keer hetzelfde soort antwoord geeft. Test beide op dezelfde gelabelde beelden.<\/p>\n<\/details>\n\n\n\n<details id=\"how-much-does-it-cost-to-build-an-object-classifier\" class=\"wp-block-details is-layout-flow wp-block-details-is-layout-flow\"><summary><strong>Wat kost het om een objectclassifier te bouwen?<\/strong><\/summary>\n<p class=\"wp-block-paragraph\">De kosten hangen meer af van de scope dan van het model. Een voorgetraind model aanpassen aan je eigen beelden is meestal het kleinste deel. Het grootste deel van het budget gaat naar het verzamelen en labelen van representatieve beelden, goed testen en de koppeling met je bestaande systemen. Een smalle pilot maakt die kosten vroeg zichtbaar.<\/p>\n<\/details>\n<\/div>\n<script type=\"application\/ld+json\">{\"@context\":\"https:\/\/schema.org\",\"@type\":\"FAQPage\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/wat-is-objectclassificatie\",\"@id\":\"https:\/\/datanorth.ai\/nl\/blog\/wat-is-objectclassificatie\",\"mainEntity\":[{\"@type\":\"Question\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/wat-is-objectclassificatie#how-much-training-data-do-i-need-for-object-classification\",\"name\":\"Hoeveel trainingsdata heb je nodig voor objectclassificatie?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"\\u003Cp\\u003EDaar bestaat geen vast getal voor. Het hangt af van het aantal categorie\u00ebn, hoeveel ze op elkaar lijken en hoe sterk de omstandigheden in de praktijk wisselen. Met een voorgetraind model heb je veel minder gelabelde beelden nodig dan zonder. Begin met een bescheiden, gevarieerde set, meet op een aparte testset en vul aan waar het model moeite heeft.\\u003C\/p\\u003E\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/wat-is-objectclassificatie#can-a-model-recognise-a-category-it-was-not-trained-on\",\"name\":\"Kan een model een categorie herkennen waarop het niet is getraind?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"\\u003Cp\\u003EEen gewone classifier kan dat niet. Hij kiest altijd een van zijn getrainde categorie\u00ebn, dus een citroen kan met een hoge score \u201cbanaan\u201d worden. Vision-language-modellen zoals \\u003Ca href=\\u0022https:\/\/arxiv.org\/abs\/2103.00020\\u0022 target=\\u0022_blank\\u0022 rel=\\u0022noopener\\u0022\\u003ECLIP\\u003C\/a\\u003E krijgen de categorienamen als tekst, zodat je \u201ccitroen\u201d toevoegt zonder opnieuw te trainen. De nauwkeurigheid verschilt per taak, dus test eerst op je eigen beelden.\\u003C\/p\\u003E\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/wat-is-objectclassificatie#can-object-classification-work-in-real-time\",\"name\":\"Werkt objectclassificatie in realtime?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"\\u003Cp\\u003EVaak wel. E\u00e9n beeld classificeren is \u00e9\u00e9n keer door het model, en compacte modellen draaien op telefoons of kleine apparaten naast de camera. Of het bijhoudt, hangt af van de modelgrootte, de beeldresolutie, de hardware en het aantal beelden per seconde. Meet de snelheid op de echte hardware en reken extra tijd als er ook detectie nodig is.\\u003C\/p\\u003E\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/wat-is-objectclassificatie#do-i-need-to-know-how-to-code-to-build-an-image-classifier\",\"name\":\"Moet je kunnen programmeren om een beeldclassifier te bouwen?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"\\u003Cp\\u003ENiet voor een eerste prototype. Met verschillende no-codeplatforms upload je gelabelde beelden, train je een classifier en test je hem in de browser. Programmeren wordt handig als je het model aan andere systemen wilt koppelen, precies wilt bepalen hoe je het evalueert of het op eigen hardware wilt draaien. Het werk aan data en evaluatie blijft hetzelfde.\\u003C\/p\\u003E\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/wat-is-objectclassificatie#can-i-use-chatgpt-claude-or-gemini-to-classify-images\",\"name\":\"Kun je ChatGPT, Claude of Gemini gebruiken om beelden te classificeren?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"\\u003Cp\\u003EJa, voor kleine aantallen en snelle tests. Je uploadt een beeld, noemt de toegestane categorie\u00ebn en vraagt het model er \u00e9\u00e9n te kiezen. Bij duizenden beelden per dag is een eigen classifier meestal sneller, goedkoper per beeld en consistenter, omdat hij elke keer hetzelfde soort antwoord geeft. Test beide op dezelfde gelabelde beelden.\\u003C\/p\\u003E\"}},{\"@type\":\"Question\",\"url\":\"https:\/\/datanorth.ai\/nl\/blog\/wat-is-objectclassificatie#how-much-does-it-cost-to-build-an-object-classifier\",\"name\":\"Wat kost het om een objectclassifier te bouwen?\",\"answerCount\":1,\"acceptedAnswer\":{\"@type\":\"Answer\",\"text\":\"\\u003Cp\\u003EDe kosten hangen meer af van de scope dan van het model. Een voorgetraind model aanpassen aan je eigen beelden is meestal het kleinste deel. Het grootste deel van het budget gaat naar het verzamelen en labelen van representatieve beelden, goed testen en de koppeling met je bestaande systemen. Een smalle pilot maakt die kosten vroeg zichtbaar.\\u003C\/p\\u003E\"}}]}<\/script>\n\n<div class=\"brxe-container newsletter-sign-up-blog\"><div class=\"brxe-div newsletter-sign-up-blog__headings-div\"><div class=\"brxe-div newsletter-sign-up-blog__heading-icon-div\"><i id=\"brxe-xdnylt\" class=\"fa fa-envelope brxe-icon newsletter-sign-up-blog__icon\"><\/i><div class=\"brxe-heading newsletter-sign-up-blog__heading\">Schrijf je in voor onze Nieuwsbrief<\/div><\/div><div id=\"brxe-yrmmzb\" class=\"brxe-heading newsletter-sign-up-blog__subheading\">Blijf op de hoogte van onze nieuwste AI blogs, onderzoeken, diensten en nog veel meer!<\/div><\/div><div class=\"brxe-shortcode newsletter-sign-up-blog__shortcode form--light\"><div class='fluentform ff-default fluentform_wrapper_15 ffs_default_wrap'><form data-form_id=\"15\" id=\"fluentform_15\" class=\"frm-fluent-form fluent_form_15 ff-el-form-top ff_form_instance_15_1 ff-form-loading ffs_default\" data-form_instance=\"ff_form_instance_15_1\" method=\"POST\" ><fieldset  style=\"border: none!important;margin: 0!important;padding: 0!important;background-color: transparent!important;box-shadow: none!important;outline: none!important; min-inline-size: 100%;\">\n                    <legend class=\"ff_screen_reader_title\" style=\"display: block; margin: 0!important;padding: 0!important;height: 0!important;text-indent: -999999px;width: 0!important;overflow:hidden;\">Newsletter Sign Up Form (Blog) (NL)<\/legend><input type='hidden' name='__fluent_form_embded_post_id' value='3446011' \/><input type=\"hidden\" id=\"_fluentform_15_fluentformnonce\" name=\"_fluentform_15_fluentformnonce\" value=\"2695f52822\" \/><input type=\"hidden\" name=\"_wp_http_referer\" value=\"\/nl\/wp-json\/wp\/v2\/posts\/3446011\" \/><div class='ff-el-group ff-el-form-hide_label'><div class=\"ff-el-input--label ff-el-is-required asterisk-right\"><label for='ff_15_email' id='label_ff_15_email'>Email<\/label><\/div><div class='ff-el-input--content'><input type=\"email\" name=\"email\" id=\"ff_15_email\" class=\"ff-el-form-control\" placeholder=\"E-mailadres\" data-name=\"email\"  aria-invalid=\"false\" aria-required=true><\/div><\/div><div class='ff-el-group ff-el-form-hide_label'><div class=\"ff-el-input--label ff-el-is-required asterisk-right\"><label  >Radio Field<\/label><\/div><div class='ff-el-input--content'><div class='ff-el-form-check ff-el-form-check-'><label class='ff-el-form-check-label' for='input_radio_bd9f69c68522e897f56ef7ec461525b3'><input  type=\"radio\" name=\"input_radio\" data-name=\"input_radio\" class=\"ff-el-form-check-input ff-el-form-check-radio\" value=\"Ik wil graag marketing gerelateerde e-mails ontvangen van DataNorth\"  id='input_radio_bd9f69c68522e897f56ef7ec461525b3' aria-label='Ik wil graag marketing gerelateerde e-mails ontvangen van DataNorth' aria-invalid='false' aria-required=true> <span>Ik wil graag marketing gerelateerde e-mails ontvangen van DataNorth<\/span><\/label><\/div><\/div><\/div><div class='ff-form-inline-style' hidden><style>form.fluent_form_15 .ff-btn-submit:not(.ff_btn_no_style) { background-color: var(--fluentform-primary); color: #ffffff; }<\/style><\/div><div class='ff-el-group ff-text-left ff_submit_btn_wrapper'><button type=\"submit\" class=\"ff-btn ff-btn-submit ff-btn-md ff_btn_style\"  aria-label=\"Aanmelden!\">Aanmelden!<\/button><\/div><\/fieldset><\/form><div id='fluentform_15_errors' class='ff-errors-in-stack ff_form_instance_15_1 ff-form-loading_errors ff_form_instance_15_1_errors'><\/div><\/div>            <script type=\"text\/javascript\">\n                window.fluent_form_ff_form_instance_15_1 = {\"id\":\"15\",\"ajaxUrl\":\"https:\\\/\\\/datanorth.ai\\\/wp-admin\\\/admin-ajax.php\",\"settings\":{\"layout\":{\"labelPlacement\":\"top\",\"helpMessagePlacement\":\"with_label\",\"errorMessagePlacement\":\"inline\",\"cssClassName\":\"\",\"asteriskPlacement\":\"asterisk-right\"},\"restrictions\":{\"denyEmptySubmission\":{\"enabled\":false}}},\"form_instance\":\"ff_form_instance_15_1\",\"form_id_selector\":\"fluentform_15\",\"rules\":{\"email\":{\"required\":{\"value\":true,\"message\":\"This field is required\",\"global_message\":\"This field is required\",\"global\":true},\"email\":{\"value\":true,\"message\":\"This field must contain a valid email\",\"global_message\":\"This field must contain a valid email\",\"global\":true}},\"input_radio\":{\"required\":{\"value\":true,\"message\":\"This field is required\",\"global_message\":\"This field is required\",\"global\":true}}},\"debounce_time\":300,\"file_upload_settings\":[]};\n                            <\/script>\n            <\/div><\/div>\n","protected":false},"excerpt":{"rendered":"<p>Met objectclassificatie kent een computer een categorie toe, zoals appel, banaan of druiven, aan een beeld of een object daarin. Deze gids legt uit hoe modellen leren van gelabelde foto\u2019s, wat het verschil is met detectie en segmentatie, waar het wordt gebruikt, waarom het fouten maakt en hoe je een eerste project start.<\/p>\n","protected":false},"author":23,"featured_media":3446023,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[70],"tags":[],"class_list":["post-3446011","post","type-post","status-publish","format-standard","has-post-thumbnail","category-ai-tools-frameworks-nl"],"meta_box":{"faq_item":[]},"_links":{"self":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/posts\/3446011","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/users\/23"}],"replies":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/comments?post=3446011"}],"version-history":[{"count":1,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/posts\/3446011\/revisions"}],"predecessor-version":[{"id":3446188,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/posts\/3446011\/revisions\/3446188"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media\/3446023"}],"wp:attachment":[{"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/media?parent=3446011"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/categories?post=3446011"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/datanorth.ai\/nl\/wp-json\/wp\/v2\/tags?post=3446011"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}