Repère les rayures, les fissures et les taches à la cadence de la ligne
Détecte, segmente et mesure les rayures, les fissures, les taches et les défauts d’impression avec Ultralytics YOLO, entraîné sur tes propres images de défauts dans Ultralytics Platform et sous licence pour ton produit.
La confiance des principales organisations du monde
Conçu pour les équipes qui fournissent des solutions d’inspection des défauts {#built-for-teams-that-ship-defect-inspection}
Ultralytics fournit les modèles, les outils et la licence. Tu crées et possèdes le système d’inspection, du système optique au poste de rejet.
Fabricants de machines d’inspection
Intègre YOLO dans les machines AOI, d’inspection par rayons X, de bandes et de surfaces que tu vends, et entraîne-le sur les pièces de chaque client.
Intégrateurs de systèmes de vision
Fournis des cellules d’inspection des défauts pour les lignes de production de métal, de verre, de plastique, de textile et d’aliments, avec des caméras industrielles standard et un fonctionnement entièrement sur site.
Équipes qualité internes
Crée des modèles de détection des défauts pour tes propres usines, partage les apprentissages d’une ligne avec toutes les autres et garde les images et les poids dans ton réseau.
RapiD Engineering déploie le contrôle qualité des produits de la mer une semaine plus tôt grâce à Ultralytics YOLO
Découvre comment RapiD Engineering utilise Ultralytics YOLO pour automatiser l’inspection du saumon, détecter les défauts en temps réel et économiser une semaine de travail d’ingénierie.

Comment ça marche
Des images de défauts à une décision de rejet sur la ligne.
Capture le défaut
Choisis l’optique et l’éclairage de sorte que ton plus petit défaut couvre quelques pixels, avec des caméras à balayage surfacique ou linéaire, à rayons X ou thermiques.
Annote les défauts réels
Importe des images dans Ultralytics Platform et délimite les rayures, les fissures et les taches à l’aide de l’annotation assistée par IA.
Entraîne le modèle et définis les seuils
Ajuste YOLO pour la détection ou la segmentation, puis définis des seuils par classe qui équilibrent les défauts non détectés et les rejets erronés sur un jeu de référence.
Exécute le modèle sur la ligne
Exporte vers TensorRT, OpenVINO ou ONNX, exécute le modèle sur le PC périphérique près de la ligne et envoie au PLC le résultat : accepté, rejeté ou à retoucher.
Tous les défauts que ton système optique peut résoudre {#every-flaw-your-optics-can-resolve}
Cinq tâches YOLO dans une même famille de modèles, entraînées sur tes images de défauts et déployées de la même manière.
Essaie l’inférence YOLO26
Glisse-dépose une image pour voir la détection d’objets en temps réel
Pourquoi les équipes développent leurs solutions avec Ultralytics YOLO
Tes poids, tes images et ton matériel, sans frais d’API par image.
Maîtrise le modèle
Conserve les poids entraînés et exécute le modèle sur chaque ligne, usine ou machine que tu fournis, sans service hébergé ni fournisseur de caméras intermédiaire.
Toutes les images que tu captures
Entraîne le modèle sur des images obtenues par balayage surfacique ou linéaire, par rayons X, en thermique ou en UV. YOLO apprend ce que voit ton capteur.
Fonctionne à proximité de la ligne
Exporte vers TensorRT, OpenVINO, ONNX et d’autres formats pour NVIDIA Jetson, les PC industriels ou les CPU. Les images n’ont jamais besoin de quitter l’usine.
Deux façons de commencer
Entraîne et déploie sur la plateforme Ultralytics, ou ajoute YOLO à ton propre pipeline.
Ultralytics Platform
Importe des images de défauts issues de ta ligne, délimite les imperfections à l’aide de l’annotation assistée par IA, entraîne un modèle YOLO personnalisé et exporte-le pour ton matériel périphérique, le tout au même endroit.

Python
Entraîne un modèle de segmentation sur des images de fissures, ou sur tes propres images de défauts, en quelques lignes de code. Obtiens une licence YOLO pour l’intégrer à ton propre produit.
from ultralytics import YOLO
model = YOLO("yolo26n-seg.pt")
# Train on crack images, or your own defect photos
model.train(data="crack-seg.yaml", epochs=100)
results = model("part.jpg") # a mask outlines every crack
print(len(results[0].boxes)) # defects found on this partSécurité et conformité de niveau entreprise
Développe et déploie en toute confiance. Certifié ISO 27001, attesté SOC 2, avec une prise en charge de la conformité HIPAA.
Foire aux questions
YOLO apprend à partir d’exemples annotés : collecte donc de vrais défauts pour chaque classe. Commence avec les poids préentraînés et les images dont tu disposes, annote-les rapidement avec l’annotation assistée par l’IA dans Ultralytics Platform, puis ajoute des exemples à mesure que de nouveaux défauts ou des défauts échappant au contrôle apparaissent. Pour passer à l’échelle, RapiD Engineering a entraîné ses modèles de détection des défauts du saumon sur plus de 20 000 images annotées.
Cela dépend davantage de ton optique que du modèle. Choisis une caméra et un objectif de sorte que ton plus petit défaut couvre quelques pixels, puis entraîne le modèle avec une taille d’image supérieure ou découpe les grandes images en fenêtres qui se chevauchent grâce au découpage en tuiles haute résolution. Les caméras à balayage linéaire conviennent aux matériaux continus en bande, comme les films, le papier et les textiles.
Divise 60 000 par le nombre de pièces par minute pour obtenir le budget de temps en millisecondes par pièce, puis choisis la taille du modèle et le matériel adaptés. Les petits modèles YOLO26 exportés vers TensorRT prennent quelques millisecondes par image sur NVIDIA Jetson (résultats de référence). Un éclairage stroboscopique et des temps d’exposition courts permettent de garder les pièces en mouvement nettes.
Valide le système sur un ensemble de référence fixe composé de pièces conformes et défectueuses, et rapporte deux chiffres par classe de défaut : le taux de défauts échappés et le taux de faux rejets. Définis le seuil de confiance de chaque classe selon le compromis souhaité, envoie les cas à faible confiance pour vérification humaine et réentraîne le modèle à chaque défaut échappé.
Oui. Utilise YOLO lors d’un second passage sur les images rejetées par ton système AOI, et classe chaque alerte comme un défaut réel ou une fausse alerte, afin de réduire le nombre de pièces conformes envoyées en vérification manuelle.
Non. Toi ou ton intégrateur développez et possédez le système, y compris l’optique, l’éclairage et le mécanisme de rejet. Ultralytics fournit les modèles YOLO, Ultralytics Platform pour les entraîner sur tes défauts, ainsi que la licence commerciale.
L’inférence s’exécute sur ton propre matériel, à côté de la ligne et hors ligne si nécessaire : les images n’ont donc jamais besoin de quitter l’usine, et tu conserves les poids entraînés. Si tu entraînes le modèle dans Ultralytics Platform, choisis une région de données aux États-Unis, dans l’UE ou en AP.
Ultralytics YOLO est open source sous AGPL-3.0, tu peux donc créer librement des prototypes. Pour l’intégrer à une machine d’inspection à code source fermé, ou l’exécuter dans tes propres systèmes d’usine sans les rendre open source, une licence Enterprise supprime les obligations liées à l’AGPL. Saisis ton adresse e-mail professionnelle ci-dessus pour obtenir un devis.
Plus de cas d’usage

Inspection visuelle

Prévention des pertes en magasin

Surveillance du conducteur

Traitement des documents

Gestion des stocks

Gestion des files d’attente
Ta vision, concrétisée
Rejoins des millions de développeurs qui créent des solutions évolutives pour des cas d’usage intelligents dans tous les secteurs. Annote, entraîne et déploie, le tout depuis la plateforme Ultralytics.



