Découvrez comment mettre en place un système d'inspection visuelle par caméra sans connaissances en IA grâce à la Ultralytics , de l'étiquetage au déploiement.
Chaque produit que nous utilisons, qu'il s'agisse d'un téléphone, d'un article emballé ou d'une pièce automobile, est soumis à un contrôle qualité avant de nous parvenir, à nous, les consommateurs finaux. Ces contrôles ont traditionnellement été effectués à l'aide de vérifications manuelles ou de systèmes simples basés sur des règles. Bien que ces méthodes soient efficaces, elles sont souvent lentes, incohérentes et difficiles à adapter à l'augmentation de la production.
Afin d'améliorer le processus de contrôle qualité, de nombreux secteurs se tournent vers la vision par ordinateur, une branche de l'intelligence artificielle qui permet aux machines de comprendre les images et les vidéos. Par exemple, des modèles d'IA de vision tels que Ultralytics peuvent aider à detect, classify et localiser les défauts avec un haut niveau de précision.
Dans les environnements de production réels, ces modèles peuvent être utilisés pour analyser des images capturées directement à partir de chaînes de montage à grande vitesse. À mesure que les produits passent par les différentes étapes, des caméras industrielles track , et le système vérifie la présence d'éventuels problèmes tels que des rayures, des pièces manquantes ou un mauvais alignement. Cela permet une détection des défauts plus rapide et plus fiable, tout en permettant une inspection à haut débit.
Auparavant, la mise en place de ces systèmes nécessitait de nombreux outils et une solide expertise technique, ce qui rendait le processus complexe et chronophage. Ultralytics , notre nouvelle solution complète dédiée à la vision par ordinateur, simplifie ce processus en regroupant en un seul endroit la préparation des données, l'annotation, l'entraînement des modèles et le déploiement.
Dans cet article, nous allons voir comment utiliser Ultralytics pour mettre en place des systèmes d'inspection visuelle pratiques, basés sur des caméras, sans avoir besoin de connaissances approfondies en IA. C'est parti !
Avant d'aborder la manière dont Ultralytics facilite la mise en place de systèmes d'inspection, prenons un peu de recul pour comprendre le rôle de la vision par ordinateur dans le contrôle qualité.
Le contrôle qualité est une étape essentielle du processus de fabrication qui garantit que les produits répondent aux normes de qualité et sont exempts de défauts. Cependant, les résultats peuvent varier, notamment lors de longues journées de travail ou dans le cadre d'une production à grand volume.
Pour renforcer la fiabilité des contrôles, de nombreux secteurs ont recours à la vision par ordinateur, également appelée vision artificielle, afin d'analyser les images provenant de la chaîne de production et d'identifier les défauts. Ces systèmes s'appuient sur l'apprentissage profond, grâce auquel des modèles et des algorithmes apprennent à reconnaître des schémas à partir de vastes ensembles d'images étiquetées de haute qualité.
Au cours de l'apprentissage, on présente au modèle des exemples de produits normaux ainsi que différents types de défauts. Au fil du temps, il apprend à reconnaître ces schémas de manière autonome. Une fois formé, le modèle est capable d'inspecter de grands volumes de produits et d'appliquer les mêmes critères de manière cohérente, ce qui améliore la précision.
Les applications de vision industrielle s'appuient sur des modèles de vision par ordinateur, tels que YOLO Ultralytics , capables de prendre en charge différents types de tâches de vision. Voici un aperçu de la manière dont ces tâches d'IA appliquées à la vision sont utilisées dans les processus d'inspection automatisés :
La vision par ordinateur est largement utilisée dans tous les secteurs pour garantir la qualité des produits, respecter les normes et réduire le recours aux inspections manuelles. Elle remplit des fonctions essentielles telles que la détection des défauts, la classification, la reconnaissance d'objets, la mesure et la détection des anomalies.
Voici quelques exemples concrets d'applications pratiques de cette technologie :
Imaginons une chaîne de production où les produits passent par différentes étapes tandis que des caméras capturent en continu des images à des fins d'inspection. Ces images servent à détecter des défauts tels que des rayures, des pièces manquantes ou des défauts d'alignement.
Jusqu'à présent, la mise en place et la gestion de tels systèmes d'inspection nécessitaient l'utilisation de nombreux outils et un niveau de compétence technique assez élevé.
En effet, chez Ultralytics, nous avons régulièrement reçu des retours de la communauté de l'IA visuelle soulignant à quel point ce processus peut être fragmenté et chronophage, avec des goulots d'étranglement courants tels que la dispersion des outils, la complexité de la configuration de l'environnement, l'inefficacité des workflows 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 Ultralytics .
Grâce à la Ultralytics , l'ensemble du processus de développement et de déploiement peut être géré en un seul et même endroit. Les données brutes peuvent être téléchargées et annotées afin de créer des ensembles de données d'apprentissage, qui servent ensuite à entraîner des modèles capables de detect . Une fois entraînés, ces modèles peuvent être déployés pour analyser de nouvelles images provenant de la chaîne de production, grâce à des outils intégrés permettant de surveiller leurs performances au fil du temps.
En plus de regrouper l'ensemble du flux de travail en un seul endroit, Ultralytics est conçue pour être facile à utiliser. Même les utilisateurs ayant peu d'expérience en apprentissage automatique peuvent passer rapidement de la conception à la mise en production.
Maintenant que nous avons vu comment la Ultralytics coordonne l'ensemble du flux de travail, voyons comment l'utiliser à chaque étape du pipeline d'IA visuelle, en commençant par le téléchargement des données et le marquage des défauts.
La première étape consiste à importer des données dans la plateforme. Vous pouvez télécharger des images, des vidéos ou des archives de jeux de données, telles que des fichiers ZIP, TAR ou GZ. Les formats courants de jeux de données, comme YOLO COCO pris en charge ; vous pouvez donc importer vos jeux de données existants sans aucune étape supplémentaire.
Vous pouvez également vous lancer plus rapidement en utilisant les ensembles de données partagés par la communauté. Vous pouvez explorer ces ensembles de données et les cloner dans votre espace de travail, ce qui vous permet de vous appuyer sur des données existantes plutôt que de partir de zéro. Une fois clonés, ils peuvent être mis à jour et adaptés à votre cas d'utilisation spécifique.
Si vous travaillez sur plusieurs expériences, vous pouvez réutiliser vos ensembles 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 téléchargées, la plateforme les traite automatiquement. Elle vérifie les formats de fichiers, traite les annotations, redimensionne les images si nécessaire et génère des statistiques de base sur l'ensemble de données. Les vidéos sont découpées en images afin de pouvoir être utilisées pour l'entraînement, et les images sont optimisées pour faciliter leur consultation et leur analyse.
Une fois les données prêtes, l'étape suivante consiste à les annoter. C'est à ce stade que les défauts sont identifiés afin que le modèle puisse apprendre à les detect. Ultralytics intègre un éditeur d'annotation qui prend en charge des tâches telles que la détection d'objets, la segmentation d'instances, la classification d'images, l'estimation de la pose et la détection de cadres de sélection orientés.
Vous pouvez étiqueter les données manuellement à l'aide d'outils tels que les cadres de sélection, les polygones ou les points clés, en fonction de votre cas d'utilisation. Pour gagner en rapidité, la plateforme propose également un étiquetage assisté par IA.
Par exemple, l'annotation intelligente SAM vous permet d'étiqueter des objets d'un simple clic. En sélectionnant les zones à inclure ou à exclure, le système génère un masque en temps réel, qui peut ensuite être ajusté si nécessaire.
De plus, l'annotation intelligente YOLO permet de générer automatiquement des étiquettes à partir des prédictions du modèle. Celles-ci peuvent être vérifiées et affinées, ce qui facilite le traitement de grands ensembles de données sans avoir à tout étiqueter manuellement.
L'éditeur d'annotations comprend également des fonctionnalités telles que la gestion des classes, la modification des annotations, des raccourcis clavier et des options d'annulation ou de rétablissement. Ces fonctionnalités facilitent le maintien de la cohérence et la révision des annotations à mesure que votre ensemble de données s'enrichit.
Au fur et à mesure que vous étiquetez les données, la plateforme fournit des informations telles que la répartition par classe et le nombre d'annotations. Cela permet d'identifier les lacunes, de corriger les incohérences et d'améliorer la qualité de l'ensemble de données avant de passer à l'entraînement.
L'étape suivante consiste à entraîner un modèle afin qu'detect automatiquement detect à l'aide des données annotées. La Ultralytics prend en charge l'entraînement avecYOLO Ultralytics YOLO , notamment YOLO26, qui peuvent être utilisés pour des tâches telles que la détection d'objets, la segmentation d'instances et la classification d'images.
La formation est gérée via un tableau de bord unifié qui vous permet de configurer, d'exécuter et de surveiller les tâches de formation depuis un seul et même endroit. Pour commencer, vous pouvez sélectionner un ensemble de données : il peut s'agir d'un ensemble que vous avez téléchargé, annoté sur la plateforme, issu d'ensembles de données publics disponibles sur la plateforme ou cloné depuis la communauté.
Une fois sélectionné, l'ensemble de données est automatiquement associé à la session d'entraînement, ce qui facilite le track et garantit la cohérence.
Vous pouvez ensuite configurer les paramètres d'entraînement, tels que le nombre d'époques, la taille des lots, la taille des images et le taux d'apprentissage. Ces paramètres déterminent la manière dont le modèle apprend et ont une incidence directe tant sur la durée de l'entraînement que sur ses performances.
Vous pouvez ensuite choisir comment effectuer l'entraînement. La plateforme prend en charge l'entraînement dans le cloud sur des GPU gérés, l'entraînement local à l'aide de votre propre matériel, ainsi que les flux de travail via navigateur dans des environnements tels que Google .
Lorsque vous utilisez l'entraînement sur le cloud, vous pouvez choisir parmi toute une gamme GPU , telles que les RTX 2000 Ada et RTX A4500 pour les expériences de moindre envergure, les RTX 4090 ou RTX A6000 pour les charges de travail plus exigeantes, ainsi que des options hautes performances comme les A100 ou H100 pour l'entraînement à grande échelle.
Dès le début de l'entraînement, les progrès peuvent être suivis directement depuis la plateforme. Le tableau de bord offre une visibilité en temps réel sur les indicateurs clés, tels que les courbes de perte et les mesures de performance, ainsi que sur l'utilisation du système et les journaux d'entraînement. Il est ainsi très facile de comprendre comment le modèle apprend et d'identifier rapidement les problèmes potentiels.
Lorsque vous menez plusieurs expériences, la plateforme track configurations, les ensembles de données et track résultats en un seul endroit. Il est ainsi très simple de comparer différents cycles d'entraînement, d'évaluer les performances à l'aide d'indicateurs tels que la précision, le rappel et mAP, et de sélectionner le modèle le plus performant en vue de son déploiement.
Une fois l'entraînement terminé, l'étape suivante consiste à vérifier les performances du modèle entraîné sur de nouvelles données non vues auparavant, avant de passer au déploiement. Ultralytics intègre un onglet « Predict » qui vous permet de tester les modèles directement dans le navigateur, sans aucune configuration préalable.
Vous pouvez télécharger des images, utiliser des données d'exemple ou capturer des données via une webcam ; les résultats s'affichent instantanément, accompagnés de superpositions visuelles et de scores de confiance. Cela vous permet de vérifier rapidement les performances du modèle et d'identifier d'éventuels problèmes avant de l'intégrer dans des systèmes réels.
Une fois le modèle validé, il peut être déployé selon différentes options, en fonction de votre cas d'utilisation. Voici un aperçu des options de déploiement de modèles prises en charge par Ultralytics :
Le cycle de vie d'une solution de traitement d'images ou de vision par ordinateur ne s'arrête pas au déploiement du modèle. Cela vaut également pour les systèmes d'inspection visuelle. Une fois qu'un modèle est opérationnel en production, il doit faire l'objet d'une surveillance continue afin de s'assurer qu'il fonctionne de manière fiable malgré l'évolution des conditions.
Ultralytics intègre un tableau de bord de surveillance qui offre une vue d'ensemble claire des performances des modèles déployés. À partir d'une interface unique, vous pouvez track l'activité track , consulter les journaux et vérifier l'état de santé de chaque déploiement. Vous pouvez ainsi comprendre comment les modèles sont utilisés et comment ils évoluent au fil du temps.
Le tableau de bord présente des indicateurs clés tels que le nombre total de requêtes, les taux d'erreur et la latence, ce qui vous aide à évaluer les performances et la réactivité du système. Ces indicateurs sont mis à jour régulièrement et fournissent des informations utiles tant sur les habitudes d'utilisation que sur la fiabilité du système.
Une carte du monde intégrée indique la répartition des requêtes et des déploiements entre les différentes régions. Grâce à la prise en charge des déploiements sur plusieurs sites à travers le monde, cette vue permet de track d'un point de vue géographique et de comprendre les performances des modèles dans différents environnements.
Pour une analyse plus approfondie, chaque déploiement comprend des journaux détaillés contenant des horodatages, des informations sur les requêtes et des messages d'erreur. Ces journaux peuvent être filtrés par niveau de gravité, ce qui facilite le débogage des problèmes et permet d'identifier rapidement les défaillances. De plus, les contrôles d'intégrité fournissent des indicateurs d'état en temps réel, indiquant si un déploiement fonctionne comme prévu ou s'il nécessite une intervention.
La surveillance joue également un rôle important dans l'optimisation. À mesure que les données d'entrée, le trafic ou les habitudes d'utilisation évoluent, les performances peuvent varier. En suivant les indicateurs et les journaux, vous pouvez identifier des problèmes tels qu'une latence élevée, une augmentation des taux d'erreur ou des limites d'évolutivité, et prendre des mesures pour maintenir des performances constantes.
Voici quelques-uns des principaux avantages liés à l'utilisation de la Ultralytics pour la conception et la mise à l'échelle de systèmes d'inspection visuelle :
La mise en place d'un système d'inspection visuelle par caméra n'est pas nécessairement complexe et ne nécessite pas forcément une expertise approfondie en IA. Grâce à la Ultralytics , vous pouvez passer des données brutes à un système opérationnel et surveiller ses performances, le tout depuis un seul et même endroit. Cela simplifie la conception, l'amélioration et l'exploitation des systèmes d'inspection dans des conditions réelles.
Rejoignez notre communauté et explorez notre dépôt GitHub pour en savoir plus sur Vision AI. Découvrez nos options de licence pour lancer vos projets de vision par ordinateur. Vous vous intéressez aux innovations telles que l'IA dans le secteur manufacturier ou la vision par ordinateur dans l'industrie automobile? Consultez nos pages Solutions pour en savoir plus.
Commencez votre parcours avec l'avenir de l'apprentissage automatique
