WebODM

Kurzfazit

WebODM ist die führende Open-Source-Photogrammetrie für Drohnen: Du lädst überlappende Luftbilder hoch, und die Software rechnet daraus per Structure-from-Motion Orthomosaike, Punktwolken, Geländemodelle und texturierte 3D-Modelle. Der entscheidende Vorteil gegenüber Agisoft Metashape oder Pix4D ist der Preis und die Datenhoheit: Selbst-gehostet via Docker kostet WebODM keinen Cent, und alle Bilder bleiben auf deinem eigenen Server. Dafür zahlst du mit Einrichtungs- und Wartungsaufwand, etwas niedrigerer Genauigkeit und spürbar längeren Rechenzeiten bei großen Datensätzen. Wer eine bequeme Cloud ohne Server-Administration will, nimmt WebODM Lightning. Wichtig zur Einordnung: WebODM ist klassische Computer-Vision-Photogrammetrie, keine generative oder lernbasierte KI-Bildanalyse.

Für wen ist WebODM?

Forschung & Hochschulen: Wer ohne Lizenzbudget arbeitet, bekommt mit WebODM ein vollwertiges Photogrammetrie-Werkzeug, das sich frei auf eigene Infrastruktur installieren lässt. Die AGPL-Lizenz und die offene Codebasis erlauben Anpassungen und reproduzierbare Pipelines, ein echtes Argument für wissenschaftliche Arbeiten.

Forst- und Landwirtschaft: Saisonale Drohnenflüge zu Orthomosaiken verarbeiten, Vegetationsindizes wie NDVI aus Multispektralbildern berechnen, Schadflächen kartieren. Für kleinere Betriebe ist WebODM der kostengünstigste Einstieg in die Drohnen-Photogrammetrie.

Vermesser & Ingenieurbüros mit Datenschutzauflagen: Sobald Bilddaten aus rechtlichen Gründen den eigenen Server nicht verlassen dürfen, ist die On-Premise-Installation Gold wert. Volumenmessungen für Halden, Geländemodelle für Baustellen, alles lokal.

Cloud-Nutzer ohne Server-Know-how: WebODM Lightning bringt dieselbe Engine als gemanagte Cloud. Upload, Verarbeitung, Download, ohne Docker, ohne Wartung. Wer nur gelegentlich Karten braucht, fährt mit Pay-As-You-Go gut.

Weniger geeignet für: Profis mit Anforderung an höchste Genauigkeit und Geschwindigkeit bei sehr großen Befliegungen, Teams, die einen kommerziellen Support mit garantierten Reaktionszeiten brauchen, und alle, die einen Ein-Klick-Installer ohne jede Administration erwarten.

Preise im Detail

Plan	Preis	Was du bekommst
Selbst-gehostet (Docker)	0 USD	Vollständige Funktion, AGPL-3.0, eigene Hardware, eigener Aufwand
Lightning Pay-As-You-Go	variabel (Credits)	Pay-Per-Map, bis 1.500 Bilder/Karte, bis 30 parallele Tasks, temporärer Speicher
Lightning Starter	24 USD/Monat	12 Karten je 30 Tage, dann Pay-Per-Map, bis 1.500 Bilder, 1 Task, 25 GB Speicher
Lightning Pro	35 USD/Monat	Unbegrenzte Karten, bis 1.500 Bilder, 2 parallele Tasks, 100 GB Speicher
Lightning Business	99 USD/Monat	Unbegrenzte Karten, bis 3.000 Bilder, 4 parallele Tasks, 1.000 GB Speicher

Einordnung: Der selbst-gehostete Weg ist und bleibt vollständig kostenlos, das ist das Kernversprechen. Du brauchst dafür Hardware (RAM ist der Engpass, GPU hilft) und Docker-Kenntnisse. WebODM Lightning rechnet jährlich ab und stellt eine Pause-Funktion bereit, mit der du die Abrechnung bis zu 120 Tage einfrieren kannst, sinnvoll bei saisonaler Nutzung. Zum Start gibt es 150 Gratis-Credits. Der Anbieter stellt den Lightning-Preis von rund 420 USD im Jahr den 2.990 bis 4.188 USD vergleichbarer kommerzieller Dienste gegenüber. Diese Rechnung ist Marketing, illustriert aber die Marschrichtung: WebODM ist die Budget-Option im Markt.

Stärken im Detail

Kostenlos und quelloffen. Der selbst-gehostete Weg kostet keine Lizenzgebühr. Unter AGPL-3.0 ist der Code offen, anpassbar und reproduzierbar. Für Hochschulen, NGOs und budgetbewusste Betriebe ist das der eigentliche Grund, WebODM überhaupt zu evaluieren.

Volle Datenhoheit. Bei der On-Premise-Installation verlassen weder Rohbilder noch Ergebnisse deinen Server. Das ist ein harter Vorteil gegenüber jeder Cloud-Lösung, sobald Datenschutz, Geheimhaltung oder vertragliche Auflagen im Spiel sind.

Breites Output-Spektrum. WebODM erzeugt Orthomosaike, digitale Geländemodelle (DEM), texturierte 3D-Modelle, Punktwolken, Plant-Health-Maps und PDF-Reports. Multispektral- und Thermalbilder werden verarbeitet, Vegetationsindizes wie NDVI lassen sich berechnen, und Volumenmessungen (etwa für Schüttgut-Halden) sind möglich.

Saubere GIS-Anbindung. Ergebnisse exportierst du als GeoTIFF und arbeitest direkt in QGIS weiter. Das macht WebODM zum natürlichen Baustein in einem freien Geodaten-Stack, ohne Insellösung und ohne proprietäre Dateiformate.

Wahlfreiheit bei der Betriebsart. Du musst dich nicht festlegen: erst lokal testen, später bei Spitzenlast in die Cloud (Lightning) auslagern. Beide nutzen dieselbe OpenDroneMap-Engine, die Ergebnisse sind vergleichbar.

Schwächen ehrlich betrachtet

Einrichtung ist nichts für Laien. Der freie Weg setzt Docker voraus. Wer noch nie ein Terminal geöffnet hat, scheitert ohne Hilfe. Ein bequemer Ein-Klick-Installer gehört nicht zum kostenlosen Standardpfad. Workaround: WebODM Lightning umgeht das vollständig, dann zahlst du aber für die Bequemlichkeit.

Langsam bei großen Datensätzen. Bei mehreren Tausend Bildern ist WebODM spürbar langsamer als Agisoft Metashape, und der RAM-Bedarf steigt schnell. Auf schwacher Hardware ohne GPU werden aus Stunden schnell ein halber Tag. Workaround: Datensätze aufteilen, GPU nutzen oder rechenintensive Jobs in die Lightning-Cloud verlagern.

Genauigkeit unter den Marktführern. Für Sichtkontrolle, Lagekartierung und die meisten landwirtschaftlichen und forstlichen Anwendungen reicht die Qualität. Für hochpräzise Vermessung oder Einzelbaum-Analysen liegen Metashape und Pix4D weiterhin vorn.

Keine tiefe Automatisierung per API. Metashape bietet ein ausgereiftes Python-API für vollautomatische Verarbeitungs-Pipelines. Ein gleichwertiges, dokumentiertes API für professionelle Stapelverarbeitung fehlt bei WebODM auf dem freien Weg.

Support nur über die Community. Beim kostenlosen Weg gibt es Foren und GitHub-Issues, aber keinen kommerziellen Support mit garantierten Reaktionszeiten. Für produktionskritische Workflows ist das ein Risiko.

Keine KI-Bildanalyse. WebODM ist klassische Structure-from-Motion-Photogrammetrie. Es erkennt keine Objekte, klassifiziert keine Schäden und segmentiert keine Bäume per Machine Learning. Wer automatische Erkennung erwartet, braucht zusätzliche Werkzeuge oder eine andere Plattform.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Maximale Genauigkeit und ein ausgereiftes Python-API brauchst
Eine integrierte Cloud-Plattform mit Flugplanung und Analytik willst
Speziell Agrar-Auswertung mit Indexkarten brauchst
Ergebnisse in einem GIS weiterverarbeiten willst

Erwähnenswert ohne eigene Tool-Seite: Pix4D (modulare Profi-Suite mit Cloud) und OpenDroneMap (ODM), die reine Kommandozeilen-Engine, die unter der Haube von WebODM läuft, ohne Weboberfläche. WebODM ist die richtige Wahl, wenn Datenhoheit und Kostenfreiheit über Komfort und letzten Prozentpunkt Genauigkeit gehen.

So steigst du ein

Schritt 1: Installiere Docker Desktop (Windows, macOS oder Linux). Führe dann den offiziellen Startbefehl aus, zum Beispiel docker run -ti -p 8000:8000 -v /my/projects:/webodm/app/media opendronemap/webodm. Nach dem ersten Download (mehrere GB) ist WebODM im Browser unter localhost:8000 erreichbar. Wer keine Lust auf Administration hat, registriert sich stattdessen bei WebODM Lightning und nutzt die 150 Gratis-Credits.

Schritt 2: Lege eine neue Task an, lade deine überlappenden Drohnenbilder hoch und wähle ein Preset. Für forstliche Schadkartierung eignet sich ein hochauflösendes Preset mit Multispektral-Option. Achte auf ausreichende Bildüberlappung (Faustregel: 70 bis 80 Prozent), sonst leidet die Rekonstruktion. Die Verarbeitung von rund 1.000 Bildern dauert je nach Hardware mehrere Stunden.

Schritt 3: Exportiere das Ergebnis als GeoTIFF und öffne es in QGIS. Berechne dort Vegetationsindizes aus den Multispektral-Bändern, setze Schwellenwerte zur Erkennung geschwächter Baumkronen oder vermesse Flächen und Volumen. Sichere Rohbilder und Ergebnisse, gerade beim selbst-gehosteten Weg liegt das Backup in deiner Verantwortung.

Ein konkretes Beispiel

Eine Forstbetriebsgemeinschaft aus dem Harz nutzt WebODM auf einem älteren Workstation-PC (16 GB RAM, keine dedizierte GPU) für die Verarbeitung saisonaler Drohnenflüge. Für 800 Bilder eines 150 Hektar großen Areals braucht die Software rund vier Stunden Rechenzeit. Die Ergebnisqualität reicht für Sichtkontrolle und Lagekartierung von Schadholz, ist aber nicht für hochpräzise Einzelbaum-Analysen gedacht. Entscheidend für die Gemeinschaft ist der Preis: null Lizenzkosten, und weil alles lokal läuft, verlassen die Aufnahmen nie den eigenen Rechner. In der Hochsaison, wenn mehrere Befliegungen gleichzeitig anfallen, lagern sie einzelne große Jobs in WebODM Lightning aus und zahlen nur für die tatsächlich verarbeiteten Karten.

DSGVO & Datenschutz

• Selbst-gehostet: Bei der Docker-Installation liegen alle Daten auf deiner eigenen Infrastruktur. Es findet keine Übertragung an Dritte statt, du bist allein verantwortlich für Hosting, Zugriffsschutz und Backups. Das ist die datenschutzfreundlichste Variante und für DSGVO-sensible Szenarien klar zu bevorzugen.
• WebODM Lightning (Cloud): Bei der gemanagten Cloud werden Bilder und Ergebnisse auf der Infrastruktur des Anbieters (MasseranoLabs) verarbeitet und temporär gespeichert. Prüfe vor produktivem Einsatz den Serverstandort und die Vertragsbedingungen direkt beim Anbieter.
• Personenbezug: Drohnenbilder können personenbezogene Daten enthalten (erkennbare Personen, Kennzeichen, Privatgrundstücke). Das ist unabhängig vom Tool zu beachten, der Verantwortliche bist du.
• Auftragsverarbeitung (AVV): Für die Cloud-Nutzung mit personenbezogenen Daten ist ein AVV mit dem Anbieter zu klären. Beim selbst-gehosteten Weg entfällt das, weil kein Dritter verarbeitet.
• Empfehlung für Unternehmen: Bei sensiblen Daten die On-Premise-Installation wählen. Wer Lightning nutzt, sollte Standort, AVV und Löschfristen vorab schriftlich klären und keine vertraulichen Aufnahmen ohne Prüfung hochladen.

Gut kombiniert mit

• für die Weiterverarbeitung der GeoTIFF-Exporte: Vegetationsindizes berechnen, Flächen und Volumen vermessen, Karten gestalten und exportieren. WebODM liefert die Geodaten, QGIS macht die Analyse.
• OpenDroneMap (ODM) als Kommandozeilen-Engine für Nutzer, die ihre Verarbeitung skripten und in eigene Pipelines einbinden wollen, ohne die Weboberfläche. WebODM ist letztlich die komfortable GUI über genau dieser Engine.
• Drohnen-Flugplanungs-Apps (etwa für gleichmäßige Überlappung und automatische Wegpunkte) sorgen schon beim Flug für saubere Eingangsdaten, das ist der größte Hebel für gute Ergebnisse, denn schlechte Bilddaten kann keine Photogrammetrie reparieren.

Unser Testurteil

WebODM verdient 3 von 5 Sternen. Als kostenlose, quelloffene Photogrammetrie mit voller Datenhoheit ist es in seiner Nische konkurrenzlos: kein anderes ausgereiftes Werkzeug kombiniert freie Lizenz, On-Premise-Betrieb und ein so breites Output-Spektrum. Die Sterne kosten der Einrichtungsaufwand (Docker statt Ein-Klick), die langsamere Verarbeitung bei großen Datensätzen, die etwas niedrigere Genauigkeit gegenüber Metashape und Pix4D, das fehlende professionelle Automatisierungs-API und der reine Community-Support auf dem freien Weg. Für Hochschulen, NGOs, kleinere Forst- und Landwirtschaftsbetriebe und alle mit Datenschutzauflagen ist WebODM trotzdem die erste Wahl. Wer maximale Präzision, Geschwindigkeit und kommerziellen Support braucht, ist bei den kostenpflichtigen Marktführern besser aufgehoben.

Was wir bemerkt haben

• Juni 2026 — WebODM Lightning rechnet die Abo-Pläne jährlich ab (Starter 24 USD, Pro 35 USD, Business 99 USD pro Monat) und bietet eine Pause-Funktion, mit der sich die Abrechnung bis zu 120 Tage einfrieren lässt, ein faires Modell für saisonale Drohnennutzung.
• Juni 2026 — Neue Lightning-Nutzer erhalten 150 Gratis-Credits zum Start, mit denen sich ein erstes Projekt ohne Kosten testen lässt, bevor man sich für Pay-As-You-Go oder ein Abo entscheidet.
• Hinweis zur Einordnung — WebODM wird häufig als KI-Werkzeug einsortiert, basiert aber auf klassischer Structure-from-Motion-Photogrammetrie, nicht auf generativer oder lernbasierter Bildanalyse. Objekt- oder Schadenserkennung per Machine Learning ist nicht eingebaut und muss über separate Werkzeuge ergänzt werden.