P-001 · 2025 · Hackathon
Erkennung beschädigter Dachziegel mit YOLOv8
24-Stunden-Prototyp vom ChefTreff AI Hackathon: Ein YOLOv8-Modell erkennt beschädigte Dachziegel auf Fotos, bereitgestellt über FastAPI-Upload und Weboberfläche.
Vom Baustellenfoto zur Vorhersage in 24 Stunden
- VorbereitungNotebooks zur Bildsammlung und Vorverarbeitung
- AnnotationCVAT-Labels im YOLO-Format exportiert
- ErkennungsmodellUltralytics YOLOv8, trainiert auf beschädigte Ziegel
- AnwendungFastAPI-Endpunkt und HTML-Client in Docker
Nutzer laden ein Foto über den Web-Client hoch
Die Aufgabe
Das Projekt untersuchte, wie Baustellenbilder bei der Erkennung beschädigter Dachziegel helfen können. Innerhalb des 24-stündigen Hackathons sollte ein Modell sichtbare Schäden im Bild erkennen und seine Vorhersage über eine kleine Anwendung bereitstellen.
Daten und Modell
Der Ablauf umfasst Notebooks zur Bildsammlung und Vorverarbeitung, die Annotation mit CVAT und den Export der Labels im YOLO-Format. Ein Ultralytics-YOLOv8-Modell wurde für die Erkennung beschädigter Dachziegel trainiert. Das Repository enthält den trainierten Checkpoint und Vorhersageausgaben.
Vom Modell zur Anwendung
Ein FastAPI-Endpunkt nimmt ein hochgeladenes Bild entgegen, wandelt es in RGB um und führt die Erkennung aus. Die implementierte Antwort gibt an, ob ein beschädigter Dachziegel erkannt wurde und wie viele Erkennungen vorliegen. Eine einfache HTML-Oberfläche ermöglicht den Upload. Docker bündelt die Anwendung und ihre Abhängigkeiten.
Was der Prototyp zeigt
Das Projekt verbindet Datenaufbereitung, Objekterkennung und eine Anwendungsoberfläche in einem Ablauf. Es handelt sich um einen Hackathon-Prototyp. Ein trainiertes Modell und eine Demo belegen noch keine Eignung für den Baustelleneinsatz. Dafür wäre eine breitere Validierung bei unterschiedlichen Lichtverhältnissen, Blickwinkeln und Schadensarten erforderlich.
Quellcode auf GitHub ansehen ↗