Dokumentation

1. Datensatz erstellen

Erstelle eine CSV-Datei mit zwei Spalten: text (dein Eingabetext) und label (die Kategorie). Beispiel:

text,label
"Das ist ein positiver Review",positive
"Mir hat das nicht gefallen",negative
"Sehr zufrieden mit dem Produkt!",positive

2. Modell wählen

Für Textklassifikation empfehlen wir:

• •bert-base-uncased – gut für Englisch, schnell
• •deepset/gbert-base – gut für Deutsch
• •distilbert-base-uncased – kleiner & schneller als BERT

3. Parameter einstellen

Empfohlene Startparameter für dieses Beispiel:

4. Training beobachten

Während des Trainings siehst du:

• 📈 Training Loss - sollte stetig sinken
• 📊 Validation Accuracy - sollte gegen 90%+ steigen
• ⚡ GPU-Auslastung - sollte bei 80-100% liegen
• 💾 Restzeit - geschätzte Trainingszeit

Seit Version 1.2.46 öffnet FrameTrain nach dem Login die Startseite statt der Modellübersicht. Sie beantwortet eine einzige Frage: Was ist passiert, während du weg warst? Über den Home-Button oben links in der Seitenleiste kommst du jederzeit zurück. Jede Karte ist ein Sprung in den zugehörigen Bereich – die Startseite ist bewusst kein zweites Menü.

Braucht Aufmerksamkeit

Der Hinweisbereich am Kopf der Seite arbeitet rein regelbasiert – keine KI, keine Tokens, keine Kosten. Er meldet sich nur, wenn es etwas zu melden gibt, und zeigt höchstens fünf Hinweise auf einmal. Ein Klick springt direkt an die Stelle, an der sich das Problem beheben lässt:

• Ein Training läuft, aber der Ruhezustand ist nicht unterdrückt – der Rechner könnte mitten im Nachtlauf einschlafen.
• Der letzte Lauf eines Modells ist fehlgeschlagen oder wurde gestoppt, ohne dass es seitdem einen neuen Versuch gab (pro Modell getrennt).
• Overfitting-Verdacht: Im jüngsten abgeschlossenen Lauf liegt der Validation Loss mehr als 1,5-mal so hoch wie der Training Loss.
• Schwaches Testergebnis: Der jüngste Test kommt auf weniger als 60 % Accuracy.
• Modelle, für die es noch keinen abgeschlossenen Test gibt.
• Datasets, die noch nie in einem Training benutzt wurden.

KI-Briefing

Auf Knopfdruck fasst der eingerichtete KI-Anbieter den Stand in wenigen Sätzen zusammen: kurze Einleitung, Stichpunkte und eine hervorgehobene Handlungsempfehlung. Das Briefing wird zusammen mit einer Prüfsumme der zugrunde liegenden Fakten gespeichert – solange sich nichts Wesentliches ändert, wird der gespeicherte Text angezeigt, statt erneut Tokens zu verbrauchen. Ohne eingerichteten KI-Assistenten bleibt die Karte sichtbar, aber inaktiv.

Funktionen

Modell importieren

So importierst du ein Modell von HuggingFace:

1. 1.Öffne den Model Manager Tab
2. 2.Klicke auf "Neues Modell" oder "HuggingFace Import"
3. 3.Gib die Model-ID ein (z.B. meta-llama/Llama-3-8B)
4. 4.Klicke auf Herunterladen – FrameTrain lädt automatisch alle nötigen Dateien

Empfohlene Startermodelle

Training-Workflow

Training-Steuerung

• Training starten: Startet das Training mit den aktuellen Einstellungen. Alle Parameter werden vor dem Start validiert.
• Training stoppen: Das Training kann jederzeit gestoppt werden. Der letzte Checkpoint wird als neue Version gespeichert.
• Ruhezustand verhindern: Solange ein Training läuft, hält FrameTrain den Rechner wach (Anti-Sleep), damit Nachtläufe nicht abbrechen.

Templates

FrameTrain bringt eingebaute Templates für häufige Ausgangslagen mit (Auswahl, alle im Abschnitt „Presets“):

Unterstützte Formate

So lädst du deinen Datensatz hoch

1. 1.Klicke auf "Dataset" im linken Panel
2. 2.Wähle "Datei hochladen" oder "HuggingFace Dataset"
3. 3.Wähle deine CSV/JSONL-Datei
4. 4.FrameTrain validiert die Datei und zeigt eine Vorschau
5. 5.Konfiguriere Text-Spalte und Label-Spalte

Dataset-Vorbereitung

Wichtige Hinweise zur Datenvorbereitung:

• Mindestgröße: Mindestens 100 Beispiele pro Klasse für sinnvolle Ergebnisse.
• Klassen-Balance: Versuche, ungefähr gleich viele Beispiele pro Klasse zu haben.
• Textlänge: Texte können variieren, aber sehr kurze Texte (<5 Wörter) können die Qualität verschlechtern.
• Train/Val-Split: FrameTrain teilt den Datensatz automatisch (80/20). Du kannst den Split manuell anpassen.

Der Ablauf

Die Werkstatt ist kein Einweg-Import, sondern ein Kreislauf: Nach dem Training zeigt das Labor, wo dein Modell danebenliegt – genau diese Samples gehen zurück zum Beschriften.

1. 01

   Sammeln

   Ordner, Mikrofon, Web, KI

2. 02

   Beschriften

   Tastatur, 1 bis 9

3. 03

   Vorschlagen lassen

   Unsicherste zuerst

4. 04

   Qualität prüfen

   Dubletten, Balance

5. 05

   Exportieren

   Aufteilung ohne Lecks

6. 06

   Trainieren

   Passendes Plugin

7. 07

   Im Labor testen

   Richtig oder falsch?

Falsche und unsichere Ergebnisse aus dem Labor gehen als neue Arbeit zurück in die Werkstatt.

Sieben Projektarten

Du wählst, was du trainieren willst – nicht ein Dateiformat. Jede Projektart exportiert genau das Format, das das passende Trainings-Plugin liest.

Ist noch kein passendes Modell da, nennt die App beim Export eines zum Herunterladen – etwa MCG-NJU/videomae-base für Video oder openai/whisper-small für Transkripte.

Alle Funktionen

Daten aus dem Netz – mit Anstand

FrameTrain sammelt Bilder, Audio, Video und Textabsätze aus dem Netz wie ein höflicher Besucher: robots.txt wird befolgt, jeder Server bekommt Pausen, und jede Datei behält ihre Herkunft. Es werden Originale geholt, keine Vorschaubilder.

Die Regeln, die immer gelten

• robots.txt wird gelesen und befolgt, inklusive Crawl-delay; Untersagtes steht im Bericht.
• Mindestens eine Sekunde Abstand je Server.
• Allowlist für Domains; ohne Allowlist bleibt ein Crawl auf den Domains der Startadressen.
• Größenlimit je Datei; große Dateien gehen als Stream direkt auf die Platte.
• Startwerte: Bilder 500 Dateien à 25 MB, Audio 300 à 200 MB, Video 100 à 4 GB, Texte 2000 Absätze.
• Symbole und Zählpixel fallen weg; bei Text fallen Navigation, Kopf- und Fußzeilen weg.
• Jede Datei trägt Adresse, Fundseite und die angegebene Lizenz; Samples einer Seite bleiben beim Aufteilen zusammen.
• Anhalten jederzeit – was bis dahin geholt ist, bleibt.

Wichtige Metriken

Häufige Probleme

Funktionen

• Direkte Eingabe: Gib beliebigen Text ein und sieh die Modell-Vorhersage sofort.
• Confidence Scores: Zeigt die Wahrscheinlichkeit für jede Klasse an.
• Batch-Testing: Teste mehrere Texte auf einmal aus einer Datei.
• Versionsvergleich: Vergleiche Vorhersagen verschiedener Modellversionen.

Beispiel

Was wird versioniert?

FrameTrain speichert nach jedem Training automatisch: Modell-Gewichte, Trainingsparameter, Metriken, Datensatz-Referenz und Timestamp.

Versioning-Workflow

Trainingshistorie

Im Historien-Panel siehst du alle vergangenen Trainings mit:

• •Datum & Uhrzeit
• •Verwendetes Modell & Datensatz
• •Finale Loss und Accuracy
• •Verwendete Hyperparameter
• •Dauer des Trainings

Anbieter und API-Keys

Zur Wahl stehen Claude (Anthropic), OpenAI, Groq und Ollama. Für Claude, OpenAI und Groq brauchst du einen eigenen API-Key des Anbieters. Ollama läuft ohne Key komplett auf deinem Rechner.

• Ein Key pro Anbieter: Claude, OpenAI und Groq behalten jeweils ihren eigenen Key. Ein Wechsel des Anbieters verliert keinen Key mehr, die Anbieter-Kacheln zeigen „Key hinterlegt“. Keys aus älteren Versionen werden automatisch übernommen.
• Sicher gespeichert: Keys liegen im Schlüsselbund des Betriebssystems (macOS Keychain, Windows Credential Manager), nicht im Klartext, und werden nie an FrameTrain übertragen.
• Nichts geht versehentlich verloren: Änderungen greifen erst nach „Speichern“. Speichern mit leerem Key-Feld löscht keinen hinterlegten Key. „Verbindung testen“ prüft Key und Modell.
• Eigene Modell-ID: Hat ein Anbieter ein Modell abgekündigt, trägst du die neue ID selbst ein. Reasoning-Modelle von OpenAI (o-Serie, GPT-5) werden unterstützt.
• Ollama: Das Kontextfenster wächst mit dem Prompt, statt still abzuschneiden. Fehlt das gewählte Modell lokal, erklärt die App, was zu tun ist. Interne <think>-Blöcke erscheinen nicht im Chat.

Token-Budget

Das Token-Budget steuert für alle KI-Funktionen gleichzeitig, wie lang Antworten werden, wie gründlich das Modell nachdenkt, wie viel Kontext mitgeschickt wird und wie viel Chat-Verlauf erhalten bleibt. Bei Claude skaliert der Denk-Aufwand mit dem Budget. Jede Stufe funktioniert vollständig: Minimal heißt kurz, nicht kaputt – keine leeren Berichte, leeren Chat-Blasen oder abgebrochenen Antworten.

KI-Coach

Der Coach ist ein Chatfenster, das du auf jeder Seite öffnen kannst. Er kennt bei jeder Nachricht den aktuellen Zustand der Seite, etwa deine Trainings-Konfiguration, die Analyse-Kennzahlen (Loss-Reduktion, Overfitting-Gap, Gradient-Norm, Dauer, Status) oder den Stand auf der Startseite, und antwortet darauf bezogen statt allgemein. Hinweise nennt er im Wortlaut der Seite, und jeder Chat bleibt mit seinem Verlauf erhalten.

Skills: vorbereitete Fragen per /

Tippst du im Eingabefeld des Coaches ein /, öffnet sich eine Liste mit vorbereiteten Fragen, die zur aktuellen Seite passen. Du wählst per Pfeiltasten und Enter, mit Tab oder per Klick. Skills kosten keine zusätzlichen Tokens – sie stellen die Frage nur präziser als „hilf mir mal“.

KI in den einzelnen Bereichen

• Code-Assistent (Dev Train, Dev Test): Schlägt Änderungen an deinem Skript als Diff vor. Übernommener Code enthält keine Markdown- oder Protokoll-Reste. Passt ein Vorschlag nicht zum Skript, wird er rot als „nicht anwendbar“ markiert und das Skript bleibt unverändert. Pfade schreibt er nach App-Konvention über os.environ.get(...).
• Metrik-Assistent (Training): Empfiehlt Trainingsparameter inklusive Plugin-Parametern, zum Beispiel bei YOLO, und zeigt nur echte Änderungen gegenüber deiner aktuellen Konfiguration.
• Trainingsanalyse: Erstellt einen Bericht zu einer Modellversion. Die Tiefe skaliert mit dem Budget, lange Trainings gehen als Stichprobe ein. Rückfragen im Analyse-Chat werden direkt beantwortet, statt jedes Mal einen neuen Gesamtbericht zu schreiben.
• Synapse Magic: Baut oder ändert Graphen im Synapse Builder und meldet danach „Fertig – N Änderungen am Canvas“.
• Laboratory und Startseite: Der Labor-Assistent hilft beim Experimentieren mit einzelnen Samples, das KI-Briefing fasst den Projektstand auf Knopfdruck zusammen.

Fine-Tuning vs. From Scratch

Epochs & Batches

Epoch: Ein vollständiger Durchlauf durch den gesamten Datensatz. Batch: Eine Teilmenge des Datensatzes, die gleichzeitig verarbeitet wird. Steps: Anzahl der Parameteraktualisierungen = Datensatzgröße / Batch-Size.

Loss & Accuracy

Wichtige Hyperparameter

Was ist LoRA?

LoRA (Low-Rank Adaptation) ist eine Methode, Sprachmodelle mit einem Bruchteil des VRAM eines vollständigen Fine-Tunings anzupassen. Statt alle Modellparameter zu aktualisieren, fügt LoRA kleine "Adapter"-Matrizen ein.

Diese Adapter werden trainiert, während das Originalkörpermodell eingefroren bleibt. Ergebnis: 70-90% weniger VRAM bei vergleichbarer Qualität.

LoRA vs. Full Fine-Tuning

LoRA Konfiguration

CSV-Format

Einfachstes Format. Erste Zeile = Header. Pflichtfelder: text, label.

text,label
"Dies ist positiv",positive
"Das gefällt mir nicht",negative
"Sehr gut!",positive
"Schrecklich",negative

JSONL-Format

Ein JSON-Objekt pro Zeile. Flexibler als CSV für komplexe Strukturen.

{
  "text": "Dies ist positiv",
  "label": "positive",
  "source": "review"
}
{
  "text": "Das gefällt mir nicht",
  "label": "negative",
  "source": "comment"
}

Best Practices

• Datenmenge: Mindestens 100, idealerweise 500+ Beispiele pro Klasse.
• Klassen-Balance: Ähnliche Anzahl Beispiele pro Klasse für ausgewogenes Training.
• Datensätze splitten: 80% Training, 20% Validation. FrameTrain macht dies automatisch.
• Text bereinigen: Entferne HTML-Tags, sonderzeichen, doppelte Leerzeichen.
• Labels konsistent: Schreibweise der Labels muss konsistent sein ("positive" != "Positive").

Live-Monitoring Panel

Während des Trainings zeigt FrameTrain folgende Echtzeit-Informationen:

• GPU-Auslastung: VRAM-Verbrauch und GPU-Temperatur in Echtzeit
• Loss-Kurven: Training Loss und Validation Loss als interaktive Linien-Charts
• Accuracy-Chart: Accuracy-Verlauf und Gradient Norm
• Zeitschätzung: Vergangene Zeit und geschätzte Restzeit

Automatische Checkpoints

FrameTrain speichert automatisch Checkpoints:

• Am Ende jeder Epoch
• Bei Verbesserung des Validation Loss (Best Model Saving)
• Bei manuellen Stops
• Als vollständige Modell-Snapshots

Batch-Size Optimierung

Die Batch-Size ist der wichtigste Faktor für VRAM-Verbrauch und Trainingsgeschwindigkeit:

LoRA vs. Full Fine-Tuning

Für die meisten Anwendungsfälle ist LoRA die bessere Wahl:

Gradient Checkpointing

Aktiviere Gradient Checkpointing in den Trainingseinstellungen um ~30-40% VRAM zu sparen. Das Training wird etwas langsamer, aber du kannst größere Modelle trainieren.

Beispiel: 7B Modell mit LoRA: 18 GB VRAM → mit Gradient Checkpointing: 12 GB VRAM

NVIDIA CUDA Setup

FrameTrain erkennt NVIDIA-GPUs automatisch. Voraussetzungen:

Apple Silicon (M1-M4)

Apple Silicon wird vollständig unterstützt – keine zusätzliche Konfiguration nötig. FrameTrain nutzt automatisch Metal Performance Shaders (MPS) für GPU-Beschleunigung.

Unterstützte Hardware

Was exportiert wird

Weiterverwenden

• In FrameTrain: Die Version direkt unter Tests oder im Laboratory an echten Samples prüfen.
• HuggingFace Transformers: HuggingFace-Modelle lädst du aus dem exportierten Ordner mit from_pretrained().
• Eigene Anwendung: Den exportierten Ordner in eigene Python-Skripte oder Services einbinden.
• SphereNet: Das Teilen von Modellen mit der Community ist in Vorbereitung.

Häufige Fehler

Alle Einstellungen

Dunkle Themes

16 dunkle Farbschemata, Standard ist Purple Passion:

Helle Themes

Für taghelles Arbeiten:

Eingebaute Templates

Automatische Updates

FrameTrain prüft beim Start automatisch, ob eine neue Version verfügbar ist.

• Windows und Linux: Auf Wunsch lädt die App das signierte Update herunter, installiert es und startet neu.
• macOS: Die App weist auf die neue Version hin, den Download findest du im Dashboard auf frame-train.com.
• Unter Einstellungen → Updates siehst du installierte und verfügbare Version und kannst jederzeit neu prüfen.
• Einstellungen und Daten bleiben bei einem Update erhalten.

Version prüfen

Aktuelle Version findest du unter: