Dieses Repository enthält eine einsatzbereite Web-Applikation zur KI-gestützten Objekterkennung und Segmentation. Das Projekt wurde als Proof-of-Concept entwickelt, um die effiziente Integration von Deep-Learning-Modellen in industrielle Workflows zu demonstrieren.
Im Fokus steht die automatisierte Analyse von Infrastrukturschäden (z. B. Risse in Beton- oder Asphaltflächen), um Inspektionsprozesse zu beschleunigen und menschliche Fehlerquellen zu minimieren.
- Echtzeit-Segmentation: Hochoptimierte Inferenzzeiten für CPU- und GPU-Umgebungen mittels YOLOv8/v10.
- Custom Precision Model: Integration eines spezifisch trainierten Modells (
best.pt) zur Erkennung feinster Oberflächenanomalien. - Industrial UI: Schlankes Dashboard für den einfachen Upload und die sofortige visuelle Auswertung von Bilddaten.
- Metrik-Extraktion: Automatisierte Berechnung von Schadensflächen und statistische Aufbereitung der Befunde.
- Modularer Aufbau: Clean-Code-Architektur in
app.pyfür maximale Skalierbarkeit und einfache Wartung.
- Core: Ultralytics YOLO (State-of-the-Art Computer Vision)
- Interface: Streamlit (Reactive Web Framework)
- Processing: OpenCV, Pillow, NumPy
- Analysis: Pandas für den Daten-Export (CSV/JSON)
git clone [https://github.com/SmokyDangs/k2-bewerbungsprojekt.git](https://github.com/SmokyDangs/k2-bewerbungsprojekt.git)
cd k2-bewerbungsprojekt