christian
c11fe9ab04
Eine Kamera am Vogelhaus, ein Rechner der erkennt wer da war — und eine Sammlung, die sich von allein fuellt. Zwei neuronale Netze: eines findet den Vogel im Bild, eines bestimmt die Art. 148 heimische Arten, auf Deutschland eingeschraenkt und neu normiert — ohne diese Einschraenkung wird aus einer Kohlmeise eine nordamerikanische Schwesterart. Daraus entsteht ein Sammelalbum: nummerierte Seiten, gefundene Arten in Farbe, fehlende als Schatten, dazu Erstfang, Punkte, Stufen und 15 Abzeichen. Laeuft vollstaendig auf eigener Hardware. Kein Cloud-Dienst, kein Konto, keine Telemetrie; die Bilder verlassen das eigene Netz nicht. Zwei getrennt deploybare Teile: die Sammlung als Django-Anwendung, die Erkennung als eigener Dienst. Der Erkennungs-Dienst fragt selbst an und braucht deshalb weder eine erreichbare Adresse noch einen offenen Port — er laeuft hinter einem gewoehnlichen Router. Dabei: Firmware fuer Raspberry Pi und ESP32-S3, Anbindung an Home Assistant ueber MQTT, Oberflaeche auf Deutsch und Englisch, Einstellungen je Kamera aus dem Browser, und ein Weg fuer Fotos von unterwegs. AGPL-3.0.
2.5 KiB
2.5 KiB
Die Vogelalbum-Dokumentation
Das README beantwortet, was Vogelalbum ist und wie man es in drei Zeilen startet. Hier steht alles andere.
Wie es aussieht
 |
 |
| Die Sammlung — 148 Arten, gesehene in Farbe, der Rest als Schatten mit Fragezeichen | Eine Art — Foto, Steckbrief, Erstfang und alle Besuche |
 |
 |
| Die Sichtungen — jeder Besuch mit Foto, Dauer und Sicherheit | Die Abzeichen — fünfzehn Stück, vom Erstfang bis zu tausend Besuchen |
 |
 |
| Dunkel — folgt dem System, umschaltbar im Kopf | Auf dem Telefon — dieselbe Seite, keine eigene App nötig |
Einrichten
| Kapitel | worum es geht |
|---|---|
| Installation | mit und ohne Docker, Schritt für Schritt |
| Die Kamera anschließen | Stream-Formate, Schwellwerte, Nachtabschaltung — und wie groß ein Vogel im Bild sein muss |
| Einstellungen | alle Umgebungsvariablen, und was stattdessen im Admin geht |
Die Kameraseiten haben eigene Anleitungen, weil sie auf eigener Hardware laufen: Raspberry Pi und ESP32-S3.
Verstehen
| Kapitel | worum es geht |
|---|---|
| Wie die Erkennung funktioniert | drei Stufen, der Kniff mit dem Artenfilter, was das Modell nicht kann |
| Wie gut ist das wirklich | gemessene Zahlen — und was im Feld tatsächlich passiert ist |
Betreiben
| Kapitel | worum es geht |
|---|---|
| Betrieb | mehrere Kameras, Live-Bild, Detector auf eigenem Host, Deployment |
| Coolify-Deployment | der ganze Weg inklusive Datenumzug |
Mitarbeiten
| Kapitel | worum es geht |
|---|---|
| Entwicklung | Tests, Übersetzungen, Layoutprüfung, Artenkatalog erweitern |
| Datenquellen und Lizenzen | woher Modelle und Fotos kommen, und warum AGPL |
| CONTRIBUTING | Spielregeln und Rechteeinräumung |
Die Bilder in diesem Ordner sind Aufnahmen der Live-Instanz https://vogelalbum.gaertner.onl, erzeugt mit Playwright. Nach einer Änderung an der Oberfläche gehören sie neu gemacht — alte Screenshots sind das Erste, was einem Besucher auffällt.