Kategorien durchsuchen
Entdecken
Fiverr Pro
Deutsch
$
USD
Ich werde YOLOv8 RTSP-Objekt-Tracking als FastAPI-Backend bereitstellen
AI-Ingenieur für Computer Vision und generative KI
Ich bin ein erfahrener AI-Ingenieur und Python-Entwickler, der skalierbare, end-to-end AI-Lösungen entwirft. Ich schließe die Lücke zwischen Computer Vision und Generative AI.
Kernkompetenzen:
• Comp...
Über diesen Service
Hast du Schwierigkeiten, YOLOv8 RTSP-Objekt-Tracking in ein zuverlässiges, produktionsfertiges FastAPI-Backend zu integrieren?
Die meisten Computer-Vision-Skripte funktionieren in einem Jupyter-Notebook einwandfrei, aber sobald du sie mit Live-RTSP-Kamerastreams verbindest, verlieren sie Frames, Tracking-IDs oder stürzen den Server ab.
Was ich entwickle:
- Live RTSP Verarbeitung: Nahtlose IP-Kamera-Integration mit Handling von verlorenen Frames.
- Fortgeschrittenes Tracking: ByteTrack/BoT-SORT für konsistente Multi-Objekt-IDs in überfüllten Szenen (Verkehr/Einzelhandel).
- Edge-Case-Optimierung: SAHI für kleine Objekte & Nacht-/Winkel-Vorverarbeitung.
- Produktionsbereitstellung: Sauberes FastAPI-Backend, containerisiert mit Docker.
- Inferenzbeschleunigung: ONNX/TensorRT-Optimierung für eingeschränkte GPUs.
Technologie-Stack:
Python | YOLO | OpenCV | FastAPI | Docker | ONNX | CUDA
Warum ich?
Ich trainiere nicht nur Modelle, sondern entwickle widerstandsfähige Systeme. Mit professioneller MLOps-Erfahrung liefere ich skalierbaren Code, der für die tatsächliche Geschäfts-Integration gebaut ist, nicht für fragile Experimente.
Wichtig: Hardware- & Kamera-Setups variieren. Bitte kontaktiere mich vor der Bestellung, um FPS, GPU-Beschränkungen und Architektur zu besprechen.
Programmiersprache:
Python
•
Colab
•
MLflow
•
Amazon SageMaker
Frameworks:
scikit-learn
•
Google ML Kit
•
keras
•
PyTorch
•
Panda
Mein Portfolio
FAQ
Automatische Übersetzung
Welche Hardware benötige ich, um dieses RTSP-Pipeline reibungslos laufen zu lassen?
Das hängt von der Anzahl der gleichzeitigen Streams und der gewünschten FPS ab. Für optimale Leistung empfehle ich eine NVIDIA-GPU. Um die Fähigkeiten deiner Hardware zu maximieren, optimiere ich die Modelle mit ONNX Runtime oder TensorRT, um eine effiziente Inferenz auch bei begrenzten Ressourcen zu gewährleisten.
Kann dein System mehrere RTSP-Streams gleichzeitig verarbeiten?
Ja. Ich entwickle die Pipeline mit effizientem Multi-Threading und Batching. Wenn sie in ein FastAPI-Backend eingebunden ist, kann das System gleichzeitige RTSP-Streams verarbeiten, vorausgesetzt, deine Hardware hat die Rechenleistung, um die Last zu tragen.
Meine Kameras sind sehr hoch montiert. Kannst du kleine Objekte genau erkennen?
Ja. Bei steilen Winkeln oder entfernten Objekten hat YOLOv8 oft Schwierigkeiten. Ich setze SAHI (Slicing Aided Hyper Inference) zusammen mit maßgeschneiderten Vorverarbeitungs-Pipelines ein, um kleine Objekte (wie entfernte Fahrzeuge oder Menschenmengen) genau zu erkennen und zu verfolgen, ohne die Bildrate zu verlieren.
Wie gehst du mit Tracking-IDs um, wenn Kameras verzögern oder Frames verlieren?
RTSP-Streams sind in realen Netzwerken bekanntlich instabil. Ich nutze robuste Tracking-Algorithmen wie ByteTrack und BoT-SORT, kombiniert mit eigener Logik, um die ID-Konsistenz zu wahren, auch wenn die Kamera temporär stockt oder Frames verliert.
Wie erhalte ich das endgültige Ergebnis?
Du erhältst nicht nur ein rohes Python-Skript. Du bekommst ein vollständig containerisiertes Docker-Image mit einem FastAPI-Backend, klare API-Dokumentation und Anweisungen, um es auf deinem lokalen Server oder in der Cloud zu starten.
Muss ich den Datensatz für die benutzerdefinierte Objekterkennung bereitstellen?
Für Standardobjekte (Autos, Menschen usw.) können wir vortrainierte YOLOv8-Gewichte verwenden. Wenn du benutzerdefinierte/nischen Objekte verfolgen möchtest, musst du annotierte Daten bereitstellen. Bei Rohbildern kann ich bei automatisierter Bildannotation helfen, um den Prozess zu beschleunigen.
