~/videotext
VideoText Studio
Texterkennung auf laufendem Video — im Browser, mit 4-facher Echtzeit auf einem Laptop, als zeitgestempeltes Transkript. ( Full-Stack · Data Science · ML/KI · Cybersicherheit · Design · Open Source )
Kontakt aufnehmenStudio
Video ablegen, den Bereich mit dem Text markieren, die Filter einstellen, bis die Vorschau sauber ist, dann scannen. Alles läuft auf diesem Gerät — die Datei wird nie hochgeladen.
Video ablegen und starten
MP4, WebM oder MOV — Verarbeitung auf diesem Gerät
Leertaste = Play/Pause · ←/→ = ein Bild · Shift+←/→ = eine Sekunde · J/L = zwei Sekunden · Home/End = Anfang/Ende
Im Video ziehen, um den Textbereich zu markieren. Gestrichelt = Bereich, durchgezogen = erkannte Zeilen.
Spur
Verarbeitung
Liest das aktuelle Bild mit voller Auflösung und Positionsmodell — für den einen Marker, der zählt.
Quelle & Engine
Backend
Szene & Körper
Erst das ganze Bild benennen (80 Klassen), dann Personen, dann den Marker suchen.
Hebt kleine Marker auf das Vierfache, bevor gelesen wird — budgetiert pro Track.
Zweitmeinung je Zeichenposition; zählt nur, wenn sie die Grammatik besteht.
Bildfilter
Messwerte
Szene-Objekte: 0 · Skelett: 0
Video und Transkript bleiben in diesem Tab. Kein Upload, kein Server, kein Konto.
Transkript
Noch keine Cues — Video laden und Scannen drücken.
Szene-Objekte
0 · Skelett 0Noch keine Objekte — Video laden oder Scan starten.
Datensatz-Generator
Erzeugt gültige Kennzeichen als Trainings- und Referenzbilder — Reinzeichnung bis Reel-Szene, mit exakten Labels im ZIP. Alles im Browser, kein Upload.
Erzeugung
Stufe L0: Reinzeichnung
Grammatik
- Berlin5 StellenHerkunft · Einheit · Zug · Gruppe · Person — — gültige Kombinationen
- BPStandort + TaktikBLU, MK, HU … plus Hundertschaft, Zug, Gruppe
- 15×Land + 3–5 Zeichenstrukturell korrekt, Ziffernsemantik je Land unterschiedlich
- SymboleGruppenführer (2 Punkte) · Zugführer (3 Punkte) · EHu-Führungsgruppe (1 Balken) · BPA-Führungsstab (2 Balken)PDV 102, weiß auf Klettfeld
Vorschau
Noch nichts erzeugt — Anzahl und Stufe wählen, dann „Datensatz erzeugen“.
Nachschlagewerk: Kennzeichen
Nur zur Erklärung — das ist kein Scan-Ergebnis. Der Simulator zeigt, wie ein Abzeichen aufgebaut ist; Ergebnisse erscheinen ausschließlich oben im Studio.
Die Vorschau zeigt den typischen Aufbau, nicht ein amtliches Druckmuster: Behördenkennung, Einheitsnummer, Funktionsfeld mit Klettfläche, optionale Individualnummer und Reflexstreifen.
Steuerung
Auflösung
SystematikErste Ziffer = Direktion/Abteilung, zweite = Einsatzhundertschaft, dritte = Zug, vierte = Gruppe, fünfte = individuelle Kennung. Nicht benötigte Stellen werden mit 0 aufgefüllt.
Funktionskürzel
- BeSiBeweissicherungDokumentiert Straftaten und Einsatzverläufe mit Kamera und Foto.
- BFEBeweissicherungs- und FestnahmeeinheitSpeziell geschulte Zugriffseinheit für gezielte Festnahmen aus Menschenmengen.
- SanSanitäterErstversorgung von Verletzten — Beamte und Bürger.
- GeSaGefangenensammelstelleTransport und Bearbeitung vorläufig festgenommener Personen.
- PFPolizeiführerGesamtleitung eines Einsatzabschnitts oder des gesamten Einsatzes.
So funktioniert es
Nur Erkennung — kein Detektor im Frame-Loop. Allein diese Entscheidung bringt den Faktor 28 an gemessener OCR-Zeit.
- 01
Lokalisieren
Otsu-Binarisierung und eine Zeilenprojektion finden die Textzeilen im Bereich. Kosten: unter einer Millisekunde, ohne Modell.
- 02
Erkennen
Jede gepolsterte Zeile geht durch PP-OCR auf ONNX Runtime, ein Durchlauf, keine Layout-Analyse. Rund 15 ms pro Band auf einer Laptop-CPU.
- 03
Verschmelzen
Aufeinanderfolgende Frames mit gleichem Text werden zu einem Cue zusammengefasst; das Medoid der Stichproben gewinnt, damit ein einzelner Fehlgriff das Transkript nicht vergiftet.
- Erkennung bleibt aus dem Frame-Loop: Sie kostet 10- bis 20-mal so viel wie die Erkennung.
- Zeilenboxen werden auf etwa das 1,8-Fache der Texthöhe gepolstert — enge Zuschnitte sind langsamer und ungenauer.
- Die Abtastrate ist ein Kompromiss, den Sie steuern: 1 Hz liest einen Zwei-Sekunden-Cue einmal, 8 Hz übersteht schnellere Schnitte.
- Export als SRT, VTT, JSON und Klartext, mit Zeitstempeln aus der Videouhr.
Gemessen
Zahlen aus dem Benchmark-Harness dieses Repos — gleiche Clips, gleiche Maschine, bekannte Ground Truth.
| Schritt | Eingabe | Zeit |
|---|---|---|
| Erkennung | Untertitelband 1280x116 | 15,4 ms |
| Detektion | Vollbild 720p | 150,8 ms |
| Detektion | dasselbe Band, zugeschnitten | 300,3 ms |
| Erkennung, enger Zuschnitt | Zeile 1280x46 | 43 ms und falscher Text |
| Erkennung, gepolstert | Zeile 1280x81 | 18 ms, exakter Text |
| Pipeline | 40-s-Clip bei 12 Hz | 7,3-fache Echtzeit |
| Pipeline | 40-s-Clip bei 1 Hz | 23,8-fache Echtzeit |
M1 Max, ONNX Runtime CPU-Provider, PP-OCRv6 / Latin-Recognizer. Reproduzierbar mit tools/ocr-bench.
Trainingslauf
Stufe A ist kein Modell, sondern ein Instanzgedächtnis: Deskriptor plus Nachbarvergleich. Der Lauf protokolliert jede Runde — hier stehen nur die Zahlen aus denselben Laufdateien, die auch die Detailseite liest.
Datenschutz
Video-OCR heißt sonst: Filmmaterial auf einen fremden GPU-Server hochladen. Hier nicht.