Entwicklung einer automatisierten Startnummernerkennung für Motorradrennen – End-to-End-Inferenzpipeline mit YOLO-basierter Erkennung, OCR-Finetuning und .NET-Integration.
Auftraggeber
Christian Engelhardt Softwareentwicklung
Dauer
6 Monate
Produkt
Software
Expertise
Softwareentwicklung
Für einen Softwareentwickler im Bereich Motorsport sollte eine automatisierte Pipeline zur Erkennung von Startnummern auf Motorrädern entwickelt werden. Die Lösung musste zuverlässig unter realen Rennbedingungen funktionieren – mit variablen Lichtverhältnissen, Bewegungsunschärfe und unterschiedlichen Schriftarten auf den Nummernfeldern – und in eine bestehende .NET-Anwendung unter Windows integrierbar sein.
Die Hauptherausforderung lag in der Variabilität der Eingabedaten: Startnummern auf Motorrädern erscheinen in unterschiedlichen Größen, Winkeln, Schriftarten und Lichtsituationen. Modelle mussten robust gegenüber diesen Schwankungen sein, ohne auf spezialisierte GPU-Hardware angewiesen zu sein.
Das Finetuning der OCR-Modelle auf motorsportspezifische Schriftarten und Bildbedingungen erforderte sorgfältige Datenpflege und iterative Evaluierung, um eine zuverlässige Ziffernerkennung in der Praxis sicherzustellen.
Programmiersprachen
Python, C#
Technologien
YOLO, TensorRT, ONNX, OpenCV, PythonNET
Inferenzpipeline zur Startnummernerkennung mit Detektionsbounding-Box und OCR-Ausgabe.
Ähnliches Problem?
Es entstand eine vollständige End-to-End-Pipeline zur Startnummernerkennung, die stabil auf CPU läuft und nahtlos in die bestehende .NET-Anwendung des Kunden integriert ist. Die Kombination aus YOLO-Detektion und gefinetuntem OCR-Modell liefert zuverlässige Ergebnisse unter realen Renneinsatzbedingungen.
RIM2D ist ein bestehendes, hocheffizientes 2D-hydraulisches Simulationsmodell für fluviale, pluviale und urbane Hochwasser. Wir unterstützten im Rahmen einer strategischen Partnerschaft dabei, den Forschungscode um eine Webanwendung und eine cloudbasierte GPU-Simulationsumgebung zu erweitern und so den Transfer in ein marktfähiges Produkt zu ermöglichen.
Wir entwickelten eine S3-basierte Open-Source Datalake-Lösung zur zentralen Erfassung, Kategorisierung und Durchsuchbarkeit von Daten. Ziel war es, die manuelle Datenverwaltung durch eine integrierte Architektur mit Workflowsteuerung, Datenkatalog und Zugriffsschutz zu automatisieren und zu verbessern.