preloader

30–60 FPS Objekterkennung auf NVIDIA Jetson Orin – ohne Cloud

YOLOv-Modelle trainieren, TensorRT-optimieren (INT8/FP16) und auf NVIDIA Jetson Orin deployen – wir übernehmen die komplette Pipeline vom Labeling bis zur Inbetriebnahme.

Performance-Eckdaten

Metrik Wert Plattform
Inferenz-Latenz < 10 ms Jetson Orin NX 16 GB
Objekterkennung 30–60 FPS Full HD, YOLOv8, Jetson Orin NX
KI-Rechenleistung 20–100 TOPS ORINHSN4 bis ORINHSX16
Quantisierung INT8 / FP16 TensorRT-optimiert
Betrieb 24/7, offline Kein Cloud-Zwang

Unsere Leistungen

Modelltraining & TensorRT-Optimierung

Training auf eigener GPU-Hardware, Optimierung für Edge-Deployment via TensorRT (INT8/FP16-Quantisierung). Typische Ergebnisse: 3–5× schnellere Inferenz gegenüber nicht-optimierten Modellen.

Kamerasystem-Entwicklung

Auswahl und Integration von CMOS-Kameras für industrielle und wissenschaftliche Anwendungen. Fokus auf Sony IMX-Sensoren, Auflösungen ab 4 Megapixel, USB3 und GigE-Vision.

Eigene Bildverarbeitungsalgorithmen

Maßgeschneiderte Lösungen: Debayering, Noise Reduction, Multiscale Fusion für HDR, Projektionsalgorithmen. Kein Lizenz-Overhead, kein Vendor-Lock-in.

Datenannotation & Modellqualität

Strukturiertes Labeling mit LabelStudio, Qualitätssicherung der Trainingsdaten, Klassenbalancierung. Typischer Datenbedarf: 500–5.000 annotierte Bilder je nach Komplexität.

Embedded-KI & Systemintegration

Integration auf NVIDIA Jetson Orin als DIN-Hutschienenmodul (OrinHS). Industrielle I/O, OTA-Updates, SSH-Fernzugriff – betriebsbereit ab Lieferung.

Technologien & Sensoren

KI-Stack:

Schicht Technologien
Annotation LabelStudio
Training YOLOv8, PyTorch, TensorFlow
Optimierung TensorRT (INT8/FP16), CUDA C/C++
Deployment NVIDIA Jetson Orin (JetPack, DeepStream)
Inferenz 30–60 FPS, < 10 ms Latenz

Sensortypen:

  • Monochrom (höhere Empfindlichkeit, NIR-Option)
  • One-Shot-Color (OSC) mit Sony IMX-Sensoren
  • Nahinfrarot (NIR) für spezielle Spektralbereiche
/images/services/gallery1/01.jpg
/images/services/gallery1/02.jpg
/images/services/gallery1/03.jpg
/images/services/gallery1/04.jpg
/images/services/gallery1/05.jpg

Warum eigene Algorithmen statt Standardsoftware?

OpenCV und Halcon decken viele Fälle ab – aber bei Edge-Deployment auf eingebetteter Hardware gelten andere Regeln:

  • Latenz: Eigene Algorithmen, optimiert für CUDA-Architektur und TensorRT
  • Keine Lizenzen: Volle Kontrolle über den Code, kein Lizenz-Overhead auf jedem Gerät
  • Qualität: Feinabstimmung auf Sensoreigenschaften und Anwendungsfall
  • Langzeit: Keine Abhängigkeit von Softwareanbietern über 10+ Jahre Produktlaufzeit

Projektbeispiele

Autonome Allsky-Kamera zur Himmelsüberwachung NVIDIA Jetson Orin Nano als Steuereinheit – Hochauflösende Scene-Detektion, < 10 ms Inferenz, 24/7-Betrieb ohne Cloud. Erkennung von Wolken, Flugzeugen und astronomischen Ereignissen in Echtzeit. Leistungen: Optikdesign, Kamerasystem, Embedded-KI, Bildverarbeitungsalgorithmen.

Schmidt-Kameras für astronomische Bildgebung Entwicklung lichtempfindlicher 5,5"- und 8"-Schmidt-Kameras mit modernen CMOS-Sensoren und eigener Bildverarbeitungspipeline für wissenschaftliche Astrofotografie. Stückzahl: 4 Systeme.

FAQ

Auf einem NVIDIA Jetson Orin NX erreichen wir mit optimierten YOLOv8-Modellen 30–60 FPS bei Full-HD-Auflösung. Die Inferenz-Latenz liegt bei unter 10 ms. Die genaue Performance hängt von Modellgröße, Bildauflösung und Quantisierungsstufe (INT8/FP16) ab. Für Ihre Anwendung können wir Benchmarks mit realen Daten erstellen.

Für einfache Klassifikationsaufgaben reichen oft 100–500 Bilder pro Klasse. Für komplexe Objekterkennung empfehlen wir 1.000–5.000 annotierte Bilder. Die genaue Anzahl hängt von der Variabilität der Objekte und den Umgebungsbedingungen ab. Wir unterstützen auch beim Aufbau geeigneter Trainingsdatensätze.

Wir fokussieren auf Edge-KI – die Auswertung läuft direkt auf dem Gerät, ohne Cloud-Abhängigkeit. Das garantiert Latenzen unter 10 ms, funktioniert offline und vermeidet Datenschutzprobleme. Für Anwendungen mit zentraler Auswertung können wir aber auch Cloud-Anbindungen implementieren.

Ja, wir analysieren bestehende Systeme und identifizieren Optimierungspotenzial: bessere Algorithmen, TensorRT-Optimierung vorhandener Modelle oder schnellere Hardware. Oft lassen sich mit gezielten Anpassungen deutliche Verbesserungen bei Erkennungsrate oder Geschwindigkeit erzielen.

Wir integrieren und qualifizieren Optik-Komponenten, entwickeln aber keine eigenen Objektive. Bei der Auswahl von Objektiven, Filtern und Beleuchtung unterstützen wir Sie basierend auf unserer Erfahrung aus Projekten wie den Schmidt-Kameras. Für Spezialanwendungen arbeiten wir mit Optik-Partnern zusammen.

Sie brauchen Edge AI oder Bildverarbeitung?

Von der Sensorauswahl bis zur TensorRT-optimierten Inferenz auf Jetson Orin – wir entwickeln die komplette Pipeline.

Projekt anfragen

Copyright (c) 2026 LyconSys GmbH & Co.KG