Entwicklung einer KI-Trainingsdaten-Erfassungsplattform für Computer Vision

Der Kunde stand vor der Herausforderung, Trainingsdaten für ein Computer-Vision-Modell effizient und strukturiert zu erfassen. Die bestehende Lösung auf Basis von Node.js entsprach nicht mehr den Anforderungen hinsichtlich Wartbarkeit, Erweiterbarkeit und Benutzerfreundlichkeit. Bilddaten mussten bislang umständlich manuell aufgenommen und Metadaten nachträglich ergänzt werden, wodurch qualitative und strukturelle Inkonsistenzen entstanden. Ein Monitoring der Datenerfassung war nicht vorhanden, was den Fortschritt und die Qualitätssicherung des Machine-Learning-Prozesses stark beeinträchtigte. Zudem erschwerte die fehlende Integration von Live-Kamerastreams die direkte Bilderfassung, und es gab keine konsistente Möglichkeit, Metadaten systematisch und sicher in eine zentrale Datenbank zu überführen. Auch fehlten geeignete Mechanismen zur sicheren und skalierbaren Bereitstellung der Anwendung.

Unsere Lösung war die komplette Migration der Altsysteme nach Laravel unter Nutzung moderner Containerisierung mit Docker für den reibungslosen CI/CD-Betrieb. Wir haben eine benutzerfreundliche Webplattform mit einem modularen Backend und einem performanten Dashboard entwickelt, das sowohl die strukturierte Aufnahme von Bilddaten aus Live-Kamerastreams als auch die automatisierte und manuelle Erfassung von Metadaten unterstützt. Die Vorverarbeitung des Bildmaterials erfolgt direkt bei der Aufnahme (u. a. Zuschneiden, Maskierung, Filterung), während alle Informationen eindeutig referenzierbar und sicher in einer Datenbank gespeichert werden. Ein speziell entwickeltes Dashboard ermöglicht die Visualisierung und Überwachung der Datenerfassungsprozesse in Echtzeit sowie eine fortschrittliche Analyse der Datenverteilung und des Erfassungsfortschritts. Die Anwendung ist vollständig containerisiert und kann flexibel in verschiedene Umgebungen und Workflows integriert werden. Die Migration ermöglichte stabile Wartbarkeit, erhöhte Sicherheit und einfachere Erweiterbarkeit.

Zentrale Herausforderungen bestanden in der Migration der bestehenden Node.js-Lösung zu einer nachhaltigen Laravel-Basis sowie der Integration eines reaktionsschnellen Live-Kamerastreams für verschiedenste Endgeräte und Browser. Die Optimierung der Datenbank- und Systemstruktur für eine konsistente Referenzierung von Bilddaten und zugehörigen Metadaten war komplex, ebenso wie die Implementierung robuster Bildvorverarbeitungsalgorithmen für Echtzeit-Anwendungsfälle. Die Entwicklung eines benutzerfreundlichen Dashboards mit Echtzeit-Visualisierungen erforderte eine durchdachte Datenbankarchitektur und flexible Schnittstellen zwischen Front- und Backend. Die Sicherstellung einer zuverlässigen und sicheren Bereitstellung per Docker und die Einbindung in CI/CD-Pipelines waren essenziell für Skalierbarkeit und Wartbarkeit. Zusätzlich mussten verschiedene Datenschutzanforderungen im Umgang mit Bild- und Benutzerdaten berücksichtigt werden.

Die Plattform ermöglicht nun die strukturierte und effiziente Erfassung, Verwaltung und Analyse von Computer-Vision-Trainingsdaten aus unterschiedlichsten Quellen. Die Migration von Node.js zu Laravel führte zu verbesserter Codequalität, Wartbarkeit und Sicherheit. Durch die neue Dashboard-Lösung haben Nutzer jederzeit Überblick über Datenqualität und -menge. Die Implementierung des Live-Kamerastreams und der Vorverarbeitung bietet maximale Flexibilität für zukünftige Machine-Learning-Projekte. Das containerisierte Deployment garantiert eine einfache Integration und Skalierung der Anwendung. Das Projekt legt die Basis für eine nachhaltige datengetriebene Entwicklung im Bereich Computer Vision und steigert den Wert der Trainingsdaten für KI-Modelle erheblich.

[Keine Angabe]. Kunde ist im Bereich Forschung & Entwicklung mit Schwerpunkt auf maschinellem Lernen und Computer Vision tätig, vermutlich Standort Deutschland. Eingesetzter Stack: Laravel, Docker, vite, CI/CD, Bootstrap, SCSS. Anwendung primär für KI-Trainingsdatenmanagement und Bildanalyse konzipiert.