Créer un système d’inspection visuelle par caméra sans expertise en IA

Chaque produit que nous utilisons, qu’il s’agisse d’un téléphone, d’un article emballé ou d’une pièce automobile, fait l’objet d’une forme ou d’une autre d’inspection qualité avant de nous parvenir, à nous, consommateurs finaux. Cette inspection était traditionnellement effectuée manuellement ou à l’aide de systèmes simples fondés sur des règles. Bien que ces méthodes fonctionnent, elles sont souvent lentes, irrégulières et difficiles à adapter à l’augmentation de la production.

Pour améliorer le processus d’inspection qualité, de nombreux secteurs se tournent vers la vision par ordinateur, une branche de l’intelligence artificielle qui aide les machines à comprendre les images et les vidéos. Par exemple, les modèles d’IA visuelle comme Ultralytics YOLO26 peuvent aider à détecter, classifier et localiser les défauts avec une grande précision.

Dans les environnements de production réels, ces modèles peuvent analyser des images capturées directement sur des chaînes de montage à grande vitesse. À mesure que les produits passent par les différentes étapes, des caméras industrielles les suivent et le système détecte des problèmes comme des rayures, des pièces manquantes ou des défauts d’alignement. La détection des défauts gagne ainsi en rapidité et en cohérence, tout en permettant des inspections à haut débit.

Auparavant, la création de ces systèmes nécessitait plusieurs outils et une solide expertise technique, ce qui rendait le processus complexe et chronophage. Ultralytics Platform, notre nouvelle solution de bout en bout pour la vision par ordinateur, simplifie le processus en réunissant la préparation des données, l’annotation, l’entraînement des modèles et le déploiement au même endroit.

Dans cet article, nous allons voir comment utiliser Ultralytics Platform pour créer des systèmes pratiques d’inspection visuelle par caméra, sans expertise approfondie en IA. C’est parti !

Le rôle de la vision par ordinateur dans le contrôle qualité#

Avant de voir comment Ultralytics Platform facilite la création de systèmes d’inspection, prenons un peu de recul pour comprendre le rôle de la vision par ordinateur dans l’inspection qualité.

L’inspection est une étape essentielle du processus de fabrication qui garantit que les produits répondent aux normes de qualité et sont exempts de défauts. Toutefois, les résultats peuvent varier, surtout lors de longs quarts de travail ou pendant une production à grand volume.

Pour rendre l’inspection plus fiable, de nombreux secteurs utilisent la vision par ordinateur, également appelée vision industrielle, afin d’analyser les images de la chaîne de production et d’identifier les défauts. Ces systèmes reposent sur l’apprentissage profond, dans lequel les modèles et les algorithmes apprennent des motifs à partir de grands ensembles d’images étiquetées de haute qualité.

Pendant l’entraînement, un modèle reçoit des exemples de produits normaux et de différents types de défauts. Avec le temps, il apprend à reconnaître ces motifs par lui-même. Une fois entraîné, un modèle peut inspecter de grands volumes de produits et appliquer les mêmes critères de manière cohérente, ce qui améliore la précision.

Tâches courantes de vision par ordinateur utilisées pour l’inspection qualité#

Les applications de vision industrielle sont rendues possibles par des modèles de vision par ordinateur comme les modèles Ultralytics YOLO, qui prennent en charge différents types de tâches de vision. Voici un aperçu de l’utilisation de ces tâches d’IA visuelle dans les processus d’inspection automatisés :

• Classification d’images : cette tâche consiste à attribuer une seule étiquette à une image entière, par exemple « conforme » ou « défectueux ». Elle fournit une évaluation globale de la qualité du produit sans indiquer l’emplacement des défauts.
• Détection d’objets : cette tâche permet de repérer les défauts dans une image et de les localiser à l’aide de boîtes englobantes. Il devient ainsi possible de détecter et de localiser des problèmes comme des fissures, des rayures ou des composants manquants.
• Segmentation d’instances : allant au-delà de la détection d’objets, cette tâche prédit des masques au niveau du pixel pour chaque défaut détecté. Elle permet d’analyser précisément la forme, la taille et les contours des défauts.
• Suivi d’objets : en suivant les produits sur plusieurs images, cette tâche suit les articles à mesure qu’ils avancent sur la chaîne de production. Elle garantit la cohérence du suivi et évite que des défauts ne passent inaperçus.
• Détection par boîtes englobantes orientées (OBB) : cette tâche détecte les objets à l’aide de boîtes englobantes pivotées plutôt qu’alignées sur les axes. Elle est particulièrement utile lorsque les défauts ou les composants apparaissent sous différents angles et permet une localisation plus précise.

Aperçu des applications de l’inspection qualité dans différents secteurs#

La vision par ordinateur est largement utilisée dans tous les secteurs pour maintenir la qualité des produits, respecter les normes et réduire le besoin d’inspections manuelles. Elle assure des fonctions essentielles telles que la détection des défauts, la classification, la reconnaissance d’objets, la mesure et la détection d’anomalies.

Fig. 1. Exemple de détection et de suivi de produits à l’aide de systèmes de vision industrielle (Source)

Voici quelques exemples d’applications dans des situations réelles :

• Fabrication : la détection des défauts de surface permet de repérer les problèmes comme les rayures, les bosses, les fissures et les décolorations en analysant les images des produits sur la chaîne de production. Elle détecte les défauts en ligne et peut aussi repérer en temps réel les pièces manquantes ou les erreurs d’assemblage, pour assurer une inspection continue.
• Automobile : les systèmes de vision par ordinateur analysent les pièces de moteur et les panneaux de carrosserie pour vérifier leur alignement et détecter les dommages. Ils sont particulièrement efficaces pour inspecter les formes complexes et les zones difficiles d’accès, souvent en association avec des systèmes robotisés pour un positionnement précis et une inspection automatisée.
• Électronique et semi-conducteurs : ces systèmes détectent les petits défauts des composants comme les cartes de circuits imprimés (PCBs), notamment les problèmes de soudure, les microfissures et les circuits endommagés. L’analyse d’images haute résolution permet de repérer des défauts très fins qui échappent souvent à l’inspection manuelle.
• Emballage et logistique : les systèmes visuels lisent les codes-barres et les étiquettes des produits, et vérifient la qualité de l’emballage. Ils s’assurent que les produits sont correctement emballés, scellés et prêts à être expédiés, ce qui réduit les erreurs.
• Agroalimentaire : les systèmes d’inspection équipés de caméras ou de capteurs visuels analysent l’apparence des produits pour repérer des problèmes comme un scellage incorrect, des risques de contamination, un étiquetage erroné ou des incohérences visuelles, contribuant ainsi au maintien de la qualité et de la sécurité.
• Industrie pharmaceutique : la vision par ordinateur sert à inspecter les comprimés, les flacons et les emballages afin de détecter des défauts comme les fissures, la contamination, un étiquetage incorrect ou des niveaux de remplissage irréguliers. Elle garantit le respect de normes réglementaires strictes et la sécurité des produits.

Simplifier les processus d’inspection visuelle avec Ultralytics Platform#

Prenons l’exemple d’une chaîne de fabrication où les produits passent par différentes étapes tandis que des caméras capturent continuellement des images à des fins d’inspection. Ces images servent à détecter des défauts comme des rayures, des pièces manquantes ou des problèmes d’alignement.

Jusqu’à présent, la création et la gestion de tels systèmes d’inspection nécessitaient plusieurs outils et une expertise technique considérable.

Chez Ultralytics, nous avons souvent reçu des retours de la communauté de l’IA visuelle soulignant à quel point ce processus peut être fragmenté et chronophage. Parmi les principaux goulots d’étranglement figurent la dispersion des outils, la configuration complexe des environnements, l’inefficacité des processus d’étiquetage des données, les retards dans l’entraînement des modèles et les difficultés de déploiement. Ces retours ont joué un rôle essentiel dans la conception d’Ultralytics Platform.

Fig. 2. Aperçu d’Ultralytics Platform (Source)

Avec Ultralytics Platform, l’ensemble du processus de développement et de déploiement peut être géré au même endroit. Les données brutes peuvent être téléversées et annotées pour créer des jeux de données d’entraînement, qui servent ensuite à entraîner des modèles à détecter les défauts. Une fois entraînés, ces modèles peuvent être déployés pour analyser de nouvelles images de la chaîne de production, et des outils intégrés permettent de suivre leurs performances au fil du temps.

En plus de réunir l’ensemble du processus au même endroit, Ultralytics Platform est conçue pour être facile à utiliser. Même les utilisateurs ayant peu d’expérience en apprentissage automatique peuvent passer rapidement de l’idée à la mise en production.

Étiqueter les défauts dans les images avec Ultralytics Platform#

Maintenant que nous avons vu comment Ultralytics Platform réunit les différentes étapes du processus, voyons comment l’utiliser à chaque étape du pipeline d’IA visuelle, en commençant par le téléversement des données et l’étiquetage des défauts.

Gestion des jeux de données d’inspection sur Ultralytics Platform#

La première étape consiste à importer les données dans la plateforme. Tu peux téléverser des images, des vidéos ou des archives de jeux de données au format ZIP, TAR ou GZ. Les formats courants comme YOLO et COCO sont pris en charge, ce qui permet d’importer des jeux de données existants sans étape supplémentaire.

Tu peux aussi démarrer plus rapidement en utilisant des jeux de données partagés par la communauté. Tu peux les explorer et les cloner dans ton espace de travail pour t’appuyer sur des données existantes au lieu de partir de zéro. Une fois clonés, ils peuvent être mis à jour et enrichis selon ton cas d’usage.

Si tu travailles sur plusieurs expériences, tu peux réutiliser les jeux de données en les important sous forme de fichiers NDJSON, ce qui facilite leur recréation ou leur partage sans conversion supplémentaire.

Une fois les données téléversées, la plateforme les prépare automatiquement. Elle vérifie les formats de fichiers, traite les annotations, redimensionne les images si nécessaire et génère des statistiques de base sur le jeu de données. Les vidéos sont découpées en images pour pouvoir servir à l’entraînement, et les images sont optimisées pour faciliter leur consultation et leur analyse.

Annotation des données avec Ultralytics Platform#

Une fois les données prêtes, l’étape suivante consiste à effectuer l’annotation des données. C’est à cette étape que les défauts sont étiquetés afin que le modèle apprenne à les détecter. Ultralytics Platform intègre un éditeur d’annotation qui prend en charge des tâches comme la détection d’objets, la segmentation d’instances, la classification d’images, l’estimation de pose et la détection par boîtes englobantes orientées.

Tu peux étiqueter les données manuellement à l’aide d’outils comme les boîtes englobantes, les polygones ou les points clés, selon ton cas d’usage. Pour accélérer le processus, la plateforme propose également une annotation assistée par l’IA.

Par exemple, l’annotation intelligente basée sur SAM te permet d’étiqueter des objets par de simples clics. En sélectionnant les régions à inclure ou à exclure, le système génère un masque en temps réel, que tu peux ensuite ajuster si nécessaire.

Fig. 3. Annotation intelligente pilotée par SAM dans Ultralytics Platform (Source)

De plus, l’annotation intelligente basée sur YOLO peut générer automatiquement des étiquettes à partir des prédictions du modèle. Tu peux ensuite les vérifier et les affiner, ce qui facilite le traitement de grands jeux de données sans tout étiqueter manuellement.

L’éditeur d’annotation comprend également des fonctionnalités telles que la gestion des classes, la modification des annotations, les raccourcis clavier et les options d’annulation et de rétablissement. Elles facilitent le maintien de la cohérence et la vérification des annotations à mesure que ton jeu de données s’enrichit.

Pendant que tu étiquettes les données, la plateforme fournit des informations comme la répartition des classes et le nombre d’annotations. Ces données aident à repérer les lacunes, à corriger les incohérences et à améliorer la qualité du jeu de données avant de passer à l’entraînement.

Entraîner YOLO26 à détecter les défauts sur Ultralytics Platform#

L’étape suivante consiste à entraîner un modèle à détecter automatiquement les défauts à partir des données étiquetées. Ultralytics Platform prend en charge l’entraînement avec les modèles Ultralytics YOLO, notamment YOLO26, qui peut être utilisé pour des tâches comme la détection d’objets, la segmentation d’instances et la classification d’images.

L’entraînement est géré depuis un tableau de bord unifié où tu peux configurer, lancer et suivre les tâches d’entraînement au même endroit. Pour commencer, tu peux sélectionner un jeu de données : un jeu que tu as téléversé, annoté sur la plateforme, obtenu parmi les jeux de données publics qui y sont disponibles ou cloné depuis la communauté.

Une fois sélectionné, le jeu de données est automatiquement associé à l’exécution d’entraînement, ce qui facilite le suivi des expériences et le maintien de la cohérence.

Tu peux ensuite configurer les paramètres d’entraînement, comme le nombre d’époques, la taille de lot, la taille des images et le taux d’apprentissage. Ces paramètres déterminent comment le modèle apprend et influent directement sur la durée et les performances de l’entraînement.

Lancer et suivre l’entraînement#

Tu peux ensuite choisir la méthode d’entraînement. La plateforme prend en charge l’entraînement dans le cloud sur des GPU gérés, l’entraînement local sur ton propre matériel et les processus basés sur un navigateur dans des environnements comme Google Colab.

Lors de l’entraînement dans le cloud, tu peux choisir parmi plusieurs options de GPU, comme les RTX 2000 Ada et RTX A4500 pour les expériences de moindre ampleur, les RTX 4090 ou RTX A6000 pour les charges de travail plus exigeantes, et des options hautes performances comme les A100 ou H100 pour l’entraînement à grande échelle.

Lorsque l’entraînement commence, tu peux suivre la progression directement sur la plateforme. Le tableau de bord offre une visibilité en temps réel sur les métriques clés, comme les courbes de perte et les métriques de performance, ainsi que sur l’utilisation du système et les journaux d’entraînement. Tu peux ainsi comprendre facilement comment le modèle apprend et détecter rapidement les problèmes potentiels.

Fig. 4. Tu peux facilement suivre la progression de l’entraînement avec Ultralytics Platform (Source)

À mesure que tu réalises plusieurs expériences, la plateforme conserve au même endroit les configurations, les jeux de données et les résultats. Tu peux ainsi comparer facilement différents entraînements, évaluer les performances à l’aide de métriques comme la précision, le rappel et mAP, puis sélectionner le modèle le plus performant pour le déploiement.

Déployer un modèle de vision avec Ultralytics Platform#

Après l’entraînement, l’étape suivante consiste à valider les performances du modèle entraîné sur de nouvelles données inédites avant de passer au déploiement. Ultralytics Platform intègre un onglet Predict qui te permet de tester les modèles directement dans le navigateur, sans aucune configuration.

Tu peux téléverser des images, utiliser des exemples de données ou capturer des entrées avec une webcam ; les résultats s’affichent instantanément avec des superpositions visuelles et des scores de confiance. Tu peux ainsi vérifier rapidement les performances du modèle et repérer les problèmes avant de l’intégrer dans des systèmes réels.

Une fois le modèle validé, tu peux le déployer de différentes façons, selon ton cas d’usage. Voici un aperçu des options de déploiement des modèles prises en charge par Ultralytics Platform :

• Inférence partagée : cette option te permet d’accéder au modèle via une REST API, ce qui facilite son intégration dans des applications ou des workflows. Elle fonctionne sur un système mutualisé réparti dans quelques régions clés, où les requêtes sont automatiquement acheminées vers le service disponible le plus proche. C’est une solution adaptée au développement, aux tests et à une utilisation modérée avant le passage en production.
• Points de terminaison dédiés : pour une utilisation en production, tu peux déployer les modèles sur des points de terminaison dédiés disposant de leurs propres ressources de calcul. Ils fonctionnent comme des services à locataire unique dans 43 régions du monde, ce qui contribue à réduire la latence en les déployant plus près des utilisateurs finaux. Ils prennent également en charge la mise à l’échelle automatique et la réduction à zéro, afin d’ajuster automatiquement les ressources en fonction du trafic.
• Exportation de modèles : tu peux exporter les modèles et les exécuter en dehors de la plateforme, sur des systèmes locaux ou des appareils edge. La plateforme prend en charge 17 formats, dont ONNX, TensorRT, OpenVINO, CoreML et TensorFlow Lite. Les options d’exportation prennent également en charge des optimisations comme la quantification FP16 et INT8, qui réduisent la taille des modèles et améliorent la vitesse d’inférence sur différents types de matériel.

Surveiller les modèles déployés avec Ultralytics Platform#

Le cycle de vie d’une solution de traitement d’image ou de vision par ordinateur ne s’arrête pas au déploiement du modèle. C’est également vrai pour les systèmes d’inspection visuelle. Une fois le modèle en production, tu dois le surveiller en continu pour garantir sa fiabilité malgré l’évolution des conditions.

Ultralytics Platform fournit un tableau de bord de surveillance intégré qui te donne une vue claire des performances des modèles déployés. Depuis une interface unique, tu peux suivre l’activité des requêtes, consulter les journaux et vérifier l’état de santé de chaque déploiement. Tu peux comprendre comment les modèles sont utilisés et comment leur comportement évolue au fil du temps.

Le tableau de bord comprend des métriques clés comme le nombre total de requêtes, les taux d’erreur et la latence, qui t’aident à évaluer les performances et la réactivité. Ces métriques sont mises à jour régulièrement et fournissent des informations sur les habitudes d’utilisation et la fiabilité du système.

Une carte du monde intégrée montre la répartition des requêtes et des déploiements dans les différentes régions. Grâce à la prise en charge des déploiements dans plusieurs régions du monde, cette vue t’aide à suivre l’utilisation géographique et à comprendre les performances des modèles dans différents environnements.

Fig. 5. Surveillance des modèles déployés sur Ultralytics Platform (Source)

Pour approfondir l’analyse, chaque déploiement comprend des journaux détaillés avec des horodatages, les détails des requêtes et les messages d’erreur. Tu peux filtrer les journaux par niveau de gravité, ce qui facilite le débogage et la détection rapide des défaillances. De plus, les contrôles d’état fournissent des indicateurs en temps réel qui montrent si un déploiement fonctionne comme prévu ou nécessite une intervention.

La surveillance joue également un rôle important dans l’optimisation. Les performances peuvent varier lorsque les données d’entrée, le trafic ou les habitudes d’utilisation évoluent. En suivant les métriques et les journaux, tu peux détecter des problèmes comme une latence élevée, une hausse des taux d’erreur ou des limites de mise à l’échelle, puis agir pour maintenir des performances constantes.

Avantages de l’utilisation d’Ultralytics Platform pour créer des solutions de vision#

Voici quelques-uns des principaux avantages d’Ultralytics Platform pour créer et faire évoluer des systèmes d’inspection visuelle :

• Optimisée pour les applications réelles : des fonctionnalités comme les points de terminaison à mise à l’échelle automatique, le déploiement edge et l’exportation de modèles garantissent la fiabilité du système en production.
• Cycles de développement plus rapides : les outils intégrés et les configurations par défaut permettent de passer plus efficacement des données brutes à un système opérationnel.
• Facilité d’utilisation : des interfaces intuitives, des workflows simplifiés et une configuration minimale rendent la plateforme accessible aux débutants comme aux utilisateurs expérimentés.
• Moins de tâches manuelles : des fonctionnalités comme l’annotation assistée par l’IA et le traitement automatisé des données réduisent le temps consacré aux tâches répétitives.
• Évolutive dans le temps : à mesure que les besoins changent, tu peux mettre à jour le système en ajoutant de nouvelles données et en réentraînant les modèles, afin de l’adapter à de nouveaux types de défauts, à de nouvelles conditions et à des configurations multicaméras.

Points clés à retenir#

Créer un système d’inspection visuelle à partir de caméras n’a pas à être complexe ni à nécessiter une expertise approfondie en IA. Avec Ultralytics Platform, tu peux passer des données brutes à un système opérationnel, puis surveiller ses performances, le tout au même endroit. Cela simplifie la création, l’amélioration et l’exploitation des systèmes d’inspection dans des conditions réelles.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur l’IA appliquée à la vision. Consulte nos options de licence pour lancer tes projets de vision par ordinateur. Les innovations comme l’IA dans l’industrie manufacturière ou la vision par ordinateur dans l’industrie automobile t’intéressent ? Consulte nos pages consacrées aux solutions pour en savoir plus.