CS / 02Case-Study
Private Computer-Vision-Plattform für latenzarme Objekterkennung mit austauschbaren Inferenz-Runtimes und einer seriellen Mikrocontroller-Schnittstelle.
01 / System
01 / Kontext
Die Case-Study konzentriert sich ausschließlich auf die technische Umsetzung: Capture, Preprocessing, neuronale Inferenz, Postprocessing, Runtime-Auswahl und Hardware-Kommunikation. Produktname, Einsatzzweck, Modelle und betrieblicher Kontext bleiben bewusst privat.
02 / Problem
Eine Echtzeit-Vision-Pipeline muss auf sehr unterschiedlicher Hardware niedrige und stabile Latenzen liefern. Capture, Preprocessing, Inferenz und Postprocessing dürfen sich dabei nicht gegenseitig blockieren, und ein fehlendes GPU-Backend darf die Anwendung nicht unbrauchbar machen.
03 / Umsetzung
Ein standardisierter Frame-Flow verbindet Capture, normalisiertes Preprocessing, YOLO-Inferenz, Confidence-Filter und Non-Maximum Suppression. Die Runtime wird anhand der vorhandenen Hardware gewählt. Strukturierte Ergebnisse werden anschließend über ein versioniertes serielles Protokoll an einen Arduino-basierten Hardware-Layer übergeben.
04 / Vertiefung
Der belegbare Schwerpunkt liegt auf Echtzeit-Computer-Vision, YOLO-Inferenz, ONNX-Modellformaten, TensorRT-Optimierung, OpenVINO, OpenCV, Provider-Fallbacks, Desktop-UI und Arduino-Kommunikation.
02 / Decisions
Nicht nur was gebaut wurde, sondern warum das System genau diese Form bekommen hat.
TensorRT nutzt NVIDIA-Hardware maximal aus, ONNX Runtime deckt CUDA, DirectML und CPU ab, OpenVINO Intel-Systeme. Die fachliche Pipeline bleibt dabei unverändert und damit testbar.
Beim Start werden verfügbare Provider geprüft und nach Eignung gewählt. Fehlt der schnellste Pfad, läuft dieselbe Pipeline kontrolliert auf einem kompatiblen Backend weiter.
Resize, Normalisierung, Tensor-Layout, Confidence-Filter und NMS sind unabhängig vom Modellaufruf. Das erleichtert Profiling, Austausch und reproduzierbare Tests.
Die Desktop-Anwendung sendet strukturierte Befehle, während Firmware und Transport getrennt bleiben. Dadurch lassen sich Software- und Hardware-Layer unabhängig entwickeln und diagnostizieren.
03 / Delivery
Technologien
Ehrliche Grenze
Privates proprietäres Projekt. Produktname, konkreter Einsatzzweck, Datensätze, Modellgewichte, Konfigurationen und ausführbare Artefakte werden absichtlich nicht veröffentlicht.
Nächstes Projekt
UnitFly