Projektübersicht
TESSIER (Technical Extraction and Synthesis System for Image-Enhanced Recognition) ist ein modulares Bilderkennungssystem für Museen, Galerien und historische Archive. Das System ermöglicht automatische Klassifikation von Kunstwerken nach Stil, Epoche und Künstler sowie Objekterkennung in historischen Dokumenten.
Herausforderung
Museen und Archive besitzen oft Millionen von digitalisierten Objekten, die manuell katalogisiert werden müssen. Diese Arbeit ist zeitintensiv, fehleranfällig und schwer skalierbar. Ein automatisiertes System zur Vorklassifikation kann den Workflow erheblich beschleunigen.
Technische Lösung
BentoML für Production Model Serving
- Multi-Modell-Architektur: ResNet für Klassifikation, YOLOv8 für Objekterkennung
- GPU-optimierte Batch-Inference: Effiziente Verarbeitung großer Bildmengen
- Model Versioning: Nachvollziehbare Modellversionen und A/B-Testing
- Horizontale Skalierung: Mehrere Worker für parallele Verarbeitung
Modulare Service-Architektur
- FastAPI Backend: REST und GraphQL APIs für flexible Integration
- Async Processing: Nicht-blockierende Verarbeitung für große Bildarchive
- Node-RED Integration: Low-Code Workflow-Automation für Archive
- PostgreSQL: Persistente Speicherung von Klassifikationsergebnissen
Spezialisierte Modelle
- Fine-tuned Vision Transformer: Trainiert auf Kunsthistorischen Datensätzen
- Multi-Label Klassifikation: Stil, Epoche, Technik, Künstler gleichzeitig
- Confidence Scores: Transparente Bewertung der Klassifikationssicherheit
Features
Bildverarbeitung
- Hochauflösende Bilder bis 50 Megapixel
- Patch-basierte Verarbeitung für Detailerkennung
- Automatische Formatkonvertierung und Normalisierung
Integration
- REST API für Einzelbilder
- GraphQL für komplexe Abfragen
- Batch-Upload für Massenverarbeitung
- Webhook-Benachrichtigungen
Deployment
- Docker-Container für einfaches Deployment
- GPU-Support (NVIDIA CUDA)
- On-Premise oder Cloud-Installation
- Ansible-basierte Automatisierung
Ergebnisse
- 95%+ Genauigkeit bei Epoche-Klassifikation
- 10x schnellere Katalogisierung gegenüber manueller Arbeit
- Konsistente Klassifikation ohne subjektive Schwankungen
- Skalierbar von Hunderten bis Millionen von Objekten
Technologie-Stack
| Komponente | Technologie |
|---|---|
| ML Serving | BentoML |
| Backend | FastAPI, GraphQL (Strawberry) |
| Modelle | PyTorch, ResNet-50, YOLOv8 |
| Datenbank | PostgreSQL |
| Deployment | Docker, Ansible |
| GPU Runtime | NVIDIA CUDA |