Construis un système d'inspection visuelle basé sur 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, subit une forme d'inspection qualité avant de nous atteindre, nous, le consommateur final. Traditionnellement, cela se faisait par des contrôles manuels ou des systèmes simples basés sur des règles. Bien que ces méthodes fonctionnent, elles sont souvent lentes, incohérentes et difficiles à adapter à mesure que la production augmente.

Pour améliorer le processus d'inspection qualité, de nombreuses industries 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 de vision comme Ultralytics YOLO26 peuvent t'aider à détecter, classer et localiser les défauts avec un haut niveau de précision.

Dans des environnements de production réels, ces modèles peuvent être utilisés pour analyser des images capturées directement depuis des chaînes d'assemblage à haute vitesse. À mesure que les produits franchissent différentes étapes, des caméras industrielles les suivent, et le système vérifie les problèmes tels que les rayures, les pièces manquantes ou le mauvais alignement. Cela rend la détection des défauts plus rapide et plus cohérente tout en prenant en charge une inspection à haut débit.

Par le passé, la construction de ces systèmes nécessitait de multiples outils et une solide expertise technique, ce qui rendait le processus complexe et chronophage. Ultralytics Platform, notre nouvelle solution complète de vision par ordinateur, simplifie cela en regroupant la préparation des données, l'annotation, l'entraînement des modèles et le déploiement en un seul endroit.

Dans cet article, nous allons explorer comment tu peux utiliser Ultralytics Platform pour construire des systèmes d'inspection visuelle pratiques basés sur des caméras sans avoir besoin d'une expertise approfondie en IA. Commençons !

Link to this sectionLe rôle de la vision par ordinateur dans le contrôle qualité#

Avant de plonger dans la façon dont Ultralytics Platform facilite la construction de systèmes d'inspection, prenons un peu de recul et comprenons le rôle de la vision par ordinateur dans l'inspection qualité.

L'inspection est une partie clé du processus de fabrication qui garantit que les produits respectent les normes de qualité et sont exempts de défauts. Cependant, les résultats peuvent varier, surtout pendant les longs quarts de travail ou la production à grand volume.

Pour rendre l'inspection plus fiable, de nombreuses industries utilisent la vision par ordinateur, également appelée vision industrielle, pour analyser les images provenant de la chaîne de production et identifier les défauts. Ces systèmes utilisent l'apprentissage profond, où les modèles et les algorithmes apprennent des modèles à partir de grands ensembles d'images étiquetées de haute qualité.

Pendant l'entraînement du modèle, on montre au modèle des exemples de produits normaux et différents types de défauts. Au fil du temps, il apprend à reconnaître ces modèles par lui-même. Une fois entraîné, un modèle peut inspecter de grands volumes de produits et appliquer les mêmes critères de manière cohérente, améliorant ainsi la précision.

Link to this sectionTâches courantes de vision par ordinateur utilisées dans l'inspection qualité#

Les applications de vision industrielle sont rendues possibles par des modèles de vision par ordinateur comme les modèles Ultralytics YOLO qui peuvent prendre en charge différents types de tâches visuelles. Voici un aperçu de la manière dont ces tâches d'IA visuelle sont utilisées pour les flux de travail d'inspection automatisés :

• Classification d'images : Cette tâche est utilisée pour attribuer une étiquette unique à une image entière, comme « bon » ou « défectueux ». Elle fournit une évaluation de haut niveau de la qualité du produit sans indiquer l'emplacement des défauts.
• Détection d'objets : Elle aide à identifier les défauts dans une image et à les localiser à l'aide de boîtes englobantes (bounding boxes). Cela permet de détecter et de localiser des problèmes tels que des fissures, des rayures ou des composants manquants.
• Segmentation d'instance : Allant un pas plus loin que la détection d'objets, elle prédit des masques au niveau du pixel pour chaque défaut détecté. Cela permet une analyse précise de la forme, de la taille et des limites des défauts.
• Suivi d'objets (Object tracking) : Lors du suivi de produits sur plusieurs images, cela suit les éléments à mesure qu'ils se déplacent sur la chaîne de production. Cela maintient la cohérence et garantit que les défauts ne sont pas manqués.
• Détection par boîte englobante orientée (OBB) : Cette tâche détecte les objets à l'aide de boîtes englobantes pivotées au lieu de celles alignées sur les axes. C'est particulièrement utile lorsque les défauts ou les composants apparaissent sous différents angles, permettant une localisation plus précise.

Link to this sectionUn regard sur les applications d'inspection qualité à travers les industries#

La vision par ordinateur est largement utilisée dans les industries pour maintenir la qualité des produits, respecter les normes et réduire le besoin d'inspection manuelle. Elle remplit des fonctions clés telles que la détection de défauts, la classification, la reconnaissance d'objets, la mesure et la détection d'anomalies.

Fig 1. Un exemple de détection et de suivi de produits à l'aide de systèmes de vision industrielle (Source)

Voici quelques exemples de cas d'utilisation réels où elle est appliquée :

• Fabrication : La détection des défauts de surface est utilisée pour identifier des problèmes tels que des rayures, des bosses, des fissures et une décoloration en analysant des images de produits sur la chaîne de production pour une détection de défauts en ligne. Elle peut également détecter des pièces manquantes ou des erreurs d'assemblage en temps réel, prenant en charge une inspection continue.
• Automobile : Les systèmes de vision par ordinateur analysent les pièces de moteur et les panneaux de carrosserie pour vérifier l'alignement et détecter les dommages. Ils sont particulièrement efficaces pour inspecter des formes complexes et des zones difficiles d'accès, travaillant souvent aux côtés de systèmes robotiques pour un positionnement précis et une inspection automatisée.
• Électronique et semi-conducteurs : Ces systèmes détectent de petits défauts dans des composants tels que les circuits imprimés (PCB), y compris les problèmes de soudure, les micro-fissures et les circuits endommagés. Grâce à l'analyse d'images haute résolution, même des défauts très fins, souvent manqués lors de l'inspection manuelle, peuvent être détectés.
• Emballage et logistique : Les systèmes visuels effectuent la lecture de codes-barres, lisent les étiquettes de produits et vérifient la qualité de l'emballage. Ils garantissent que les produits sont correctement emballés, scellés et prêts à l'expédition, réduisant ainsi les erreurs.
• Alimentation et boissons : Les systèmes d'inspection alimentés par des caméras de vision ou des capteurs de vision analysent l'apparence du produit pour identifier des problèmes tels qu'un scellage inadéquat, des risques de contamination, un étiquetage incorrect ou des incohérences visuelles, aidant ainsi à maintenir la qualité et la sécurité.
• Produits pharmaceutiques : La vision par ordinateur est utilisée pour inspecter les comprimés, les flacons et les emballages pour détecter des défauts tels que des fissures, une contamination, un étiquetage incorrect ou des incohérences de niveau de remplissage, assurant ainsi la conformité aux normes réglementaires strictes et maintenant la sécurité des produits.

Link to this sectionRationalisation des flux de travail d'inspection visuelle avec Ultralytics Platform#

Considère une ligne de fabrication où les produits traversent différentes étapes tandis que des caméras capturent continuellement des images pour inspection. Ces images sont utilisées pour vérifier les défauts tels que les rayures, les pièces manquantes ou le mauvais alignement.

Jusqu'à présent, la construction et la gestion de tels systèmes d'inspection nécessitaient de multiples outils et une bonne dose d'expertise technique.

En fait, chez Ultralytics, nous avons reçu des retours constants de la communauté de l'IA visuelle sur le caractère fragmenté et chronophage de ce processus, avec des goulots d'étranglement courants incluant des outils dispersés, une configuration d'environnement complexe, des flux de travail d'étiquetage des données inefficaces, des délais dans l'entraînement des modèles et des défis lors du déploiement. Ces retours ont joué un rôle clé dans la création d'Ultralytics Platform.

Fig 2. Un aperçu d'Ultralytics Platform (Source)

Avec Ultralytics Platform, l'ensemble du processus de développement et de déploiement peut être géré en un seul endroit. Les données brutes peuvent être téléchargées et annotées pour créer des ensembles de données d'entraînement, qui sont ensuite utilisés pour entraîner des modèles à détecter les défauts. Une fois entraînés, ces modèles peuvent être déployés pour analyser de nouvelles images provenant de la chaîne de production, avec des outils intégrés pour surveiller les performances au fil du temps.

En plus de rassembler l'ensemble du flux de travail en un seul endroit, Ultralytics Platform est conçue pour être facile à utiliser. Même les utilisateurs ayant une expérience limitée en apprentissage automatique peuvent passer de l'idéation à la production rapidement.

Link to this sectionUtiliser Ultralytics Platform pour étiqueter les défauts dans les images#

Maintenant que nous avons vu comment Ultralytics Platform rassemble le flux de travail, parcourons la façon de l'utiliser à chaque étape du pipeline d'IA visuelle, en commençant par le téléchargement des données et l'étiquetage des défauts.

Link to this sectionGestion des ensembles de données d'inspection sur Ultralytics Platform#

La première étape consiste à intégrer les données dans la plateforme. Tu peux télécharger des images, des vidéos ou des archives d'ensembles de données telles que des fichiers ZIP, TAR ou GZ. Les formats d'ensemble de données courants comme YOLO et COCO sont pris en charge, de sorte que les ensembles de données existants peuvent être importés sans étapes supplémentaires.

Tu peux également démarrer plus rapidement en utilisant des ensembles de données partagés par la communauté. Ces ensembles de données peuvent être explorés et clonés dans ton espace de travail, te permettant de construire sur des données existantes au lieu de repartir de zéro. Une fois clonés, ils peuvent être mis à jour et étendus pour ton cas d'utilisation spécifique.

Si tu travailles sur diverses expériences, les ensembles de données peuvent être réutilisés en les important sous forme de fichiers NDJSON, ce qui facilite leur recréation ou leur partage sans conversion supplémentaire.

Une fois les données téléchargées, 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 les ensembles de données. Les vidéos sont divisées en images afin qu'elles puissent être utilisées pour l'entraînement, et les images sont optimisées pour une navigation et une analyse plus faciles.

Link to this sectionAnnotation de données alimentée par Ultralytics Platform#

Une fois les données prêtes, l'étape suivante est l'annotation de données. C'est ici que les défauts sont étiquetés afin que le modèle puisse apprendre ce qu'il doit détecter. Ultralytics Platform comprend un éditeur d'annotation intégré qui prend en charge des tâches telles que la détection d'objets, la segmentation d'instance, la classification d'images, l'estimation de pose et la détection par boîte englobante orientée.

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

Par exemple, l'annotation intelligente basée sur SAM te permet d'étiqueter des objets à l'aide de simples clics. En sélectionnant les régions à inclure ou à exclure, le système génère un masque en temps réel, qui peut ensuite être ajusté si nécessaire.

Fig 3. Annotation intelligente basée sur SAM au sein d'Ultralytics Platform (Source)

De plus, l'annotation intelligente basée sur YOLO peut générer des étiquettes automatiquement en utilisant les prédictions du modèle. Celles-ci peuvent être examinées et affinées, ce qui facilite le travail sur de grands ensembles de données sans tout étiqueter manuellement.

L'éditeur d'annotation comprend également des fonctionnalités telles que la gestion des classes, l'édition des annotations, les raccourcis clavier et les options d'annulation ou de rétablissement. Celles-ci facilitent le maintien de la cohérence et l'examen des annotations à mesure que ton ensemble de données s'agrandit.

À mesure que tu étiquettes les données, la plateforme fournit des informations telles que la distribution des classes et le nombre d'annotations. Cela aide à identifier les lacunes, à corriger les incohérences et à améliorer la qualité des données avant de passer à l'entraînement.

Link to this sectionEntraîner YOLO26 pour la détection de défauts sur Ultralytics Platform#

L'étape suivante consiste à entraîner un modèle pour détecter automatiquement les défauts en utilisant les données étiquetées. Ultralytics Platform prend en charge l'entraînement avec les modèles Ultralytics YOLO, y compris YOLO26, qui peut être utilisé pour des tâches telles que la détection d'objets, la segmentation d'instance et la classification d'images.

L'entraînement est géré via un tableau de bord unifié où tu peux configurer, exécuter et surveiller les tâches d'entraînement en un seul endroit. Pour commencer, tu peux sélectionner un ensemble de données, y compris celui que tu as téléchargé, annoté sur la plateforme, provenant d'ensembles de données publics disponibles sur la plateforme, ou cloné depuis la communauté.

Une fois sélectionné, l'ensemble de données est automatiquement lié à l'exécution de l'entraînement, ce qui facilite le suivi des expériences et le maintien de la cohérence.

Ensuite, tu peux configurer les paramètres d'entraînement tels que le nombre d'époques, la taille des lots, la taille de l'image et le taux d'apprentissage. Ces paramètres contrôlent la façon dont le modèle apprend et ont un impact direct sur le temps d'entraînement et les performances.

Link to this sectionExécution et surveillance de l'entraînement#

Tu peux ensuite choisir comment exécuter l'entraînement. La plateforme prend en charge l'entraînement dans le cloud sur des GPU gérés, l'entraînement local en utilisant ton propre matériel, et les flux de travail basés sur le navigateur via des environnements comme Google Colab.

Lors de l'utilisation de l'entraînement dans le cloud, tu peux choisir parmi une gamme d'options GPU telles que RTX 2000 Ada et RTX A4500 pour des expériences plus petites, RTX 4090 ou RTX A6000 pour des charges de travail plus exigeantes, et des options haute performance comme A100 ou H100 pour l'entraînement à grande échelle.

Lorsque l'entraînement commence, la progression peut être surveillée directement au sein de la plateforme. Le tableau de bord offre une visibilité en temps réel sur les métriques clés telles que les courbes de perte et les métriques de performance, ainsi que sur l'utilisation du système et les journaux d'entraînement. Cela permet de comprendre facilement comment le modèle apprend et d'identifier rapidement les problèmes potentiels.

Fig 4. Tu peux surveiller facilement la progression de l'entraînement en utilisant Ultralytics Platform (Source)

Au fur et à mesure que tu exécutes plusieurs expériences, la plateforme garde une trace des configurations, des ensembles de données et des résultats en un seul endroit. Cela rend simple la comparaison de différentes exécutions d'entraînement, l'évaluation des performances à l'aide de métriques comme la précision, le rappel (recall) et le mAP, et la sélection du modèle le plus performant pour le déploiement.

Link to this sectionDéploiement d'un modèle de vision via 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 comprend un onglet Predict intégré qui te permet de tester les modèles directement dans le navigateur sans aucune configuration.

Tu peux télécharger des images, utiliser des exemples de données ou capturer des entrées via une webcam, et les résultats apparaissent instantanément avec des superpositions visuelles et des scores de confiance. Cela signifie que tu peux vérifier rapidement les performances du modèle et identifier tout problème avant de l'intégrer dans des systèmes réels.

Une fois le modèle validé, il peut être déployé en utilisant différentes options en fonction de ton cas d'utilisation. Voici un examen plus détaillé des options de déploiement de modèle prises en charge par Ultralytics Platform :

• Inférence partagée : Cette option te permet d'accéder au modèle via une API REST, ce qui facilite son intégration dans des applications ou des flux de travail. Elle s'exécute sur un système multi-locataire à travers quelques régions centrales, où les requêtes sont automatiquement acheminées vers le service disponible le plus proche. Cela en fait une bonne option pour le développement, le test et une utilisation plus légère avant de passer à la production.
• Endpoints dédiés : Pour une utilisation en production, les modèles peuvent être déployés en tant qu'endpoints dédiés avec leurs propres ressources de calcul. Ceux-ci s'exécutent en tant que services mono-locataires à travers 43 régions mondiales, aidant à réduire la latence en déployant plus près des utilisateurs finaux. Ils prennent également en charge l'autoscaling et le scale-to-zero, permettant aux ressources de s'ajuster automatiquement en fonction du trafic.
• Exportation de modèle : Les modèles peuvent être exportés et exécutés en dehors de la plateforme sur des systèmes locaux ou des appareils périphériques (edge devices). La plateforme prend en charge 17 formats, notamment ONNX, TensorRT, OpenVINO, CoreML et TensorFlow Lite. Les options d'exportation prennent également en charge des optimisations telles que la quantification FP16 et INT8 pour réduire la taille du modèle et améliorer la vitesse d'inférence pour différents environnements matériels.

Link to this sectionSurveillance des modèles déployés en utilisant Ultralytics Platform#

Le cycle de vie d'une solution de traitement d'image ou de vision par ordinateur ne se termine pas avec le déploiement du modèle. C'est également vrai pour les systèmes d'inspection visuelle. Une fois qu'un modèle est en cours d'exécution en production, il doit être surveillé en permanence pour s'assurer qu'il fonctionne de manière fiable à mesure que les conditions changent.

Ultralytics Platform fournit un tableau de bord de surveillance intégré qui donne une vision claire des performances des modèles déployés. À partir d'une interface unique, tu peux suivre l'activité des requêtes, afficher les journaux et vérifier l'état de santé de chaque déploiement. Tu peux comprendre comment les modèles sont utilisés et comment ils se comportent au fil du temps.

Le tableau de bord inclut des métriques clés telles que le nombre total de requêtes, les taux d'erreur et la latence, t'aidant à évaluer les performances et la réactivité. Ces métriques sont mises à jour régulièrement et fournissent des informations sur les modèles d'utilisation et la fiabilité du système.

Une carte du monde intégrée montre où les requêtes et les déploiements sont distribués à travers les régions. Avec la prise en charge des déploiements dans plusieurs emplacements mondiaux, cette vue aide à suivre l'utilisation géographiquement et à comprendre comment les modèles fonctionnent dans différents environnements.

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

Pour une analyse plus approfondie, chaque déploiement inclut des journaux détaillés avec des horodatages, les détails des requêtes et les messages d'erreur. Les journaux peuvent être filtrés par sévérité, ce qui permet de déboguer facilement les problèmes et d'identifier rapidement les échecs. De plus, les vérifications d'état de santé fournissent des indicateurs de statut en temps réel, montrant si un déploiement fonctionne comme prévu ou s'il nécessite une attention.

La surveillance joue également un rôle important dans l'optimisation. À mesure que les données d'entrée, le trafic ou les modèles d'utilisation changent, les performances peuvent varier. En suivant les métriques et les journaux, tu peux identifier des problèmes tels qu'une latence élevée, des taux d'erreur accrus ou des limitations de mise à l'échelle et prendre des mesures pour maintenir des performances cohérentes.

Link to this sectionAvantages de l'utilisation d'Ultralytics Platform pour construire des solutions de vision#

Voici quelques-uns des principaux avantages de l'utilisation d'Ultralytics Platform pour construire et mettre à l'échelle des systèmes d'inspection visuelle :

• Optimisé pour une utilisation réelle : Des fonctionnalités comme les endpoints à mise à l'échelle automatique (autoscaling), le déploiement en périphérie (edge deployment) et l'exportation de modèle garantissent que le système peut fonctionner de manière fiable dans des environnements de production.
• Cycles de développement plus rapides : Les outils intégrés et les configurations par défaut aident à passer des données brutes à un système fonctionnel plus efficacement.
• Facilité d'utilisation : Des interfaces intuitives, des flux de travail rationalisés et des exigences de configuration minimales rendent la plateforme accessible aux débutants comme aux utilisateurs expérimentés.
• Moins de travail manuel : Des fonctionnalités comme l'annotation assistée par IA et le traitement automatisé des données réduisent le temps passé sur des tâches répétitives.
• Évolutif dans le temps : À mesure que les besoins changent, le système peut être mis à jour en ajoutant de nouvelles données et en réentraînant les modèles, permettant une adaptation à de nouveaux types de défauts, conditions et configurations multi-caméras.

Link to this sectionPoints clés#

Construire un système d'inspection visuelle par caméra ne doit pas être complexe ni nécessiter une expertise approfondie en IA. Avec Ultralytics Platform, tu peux passer de données brutes à un système fonctionnel et surveiller ses performances, le tout en un seul endroit. Cela rationalise la manière dont les systèmes d'inspection sont construits, améliorés et exécutés dans des environnements réels.

Rejoins notre communauté et explore notre dépôt GitHub pour en savoir plus sur l'IA visuelle. Consulte nos options de licence pour lancer tes projets de vision par ordinateur. Intéressé par des innovations comme l'IA dans la fabrication ou la vision par ordinateur dans l'industrie automobile ? Visite nos pages de solutions pour en découvrir davantage.