Licence YOLO

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.

En savoir plus
RapiD Engineering déploie le contrôle qualité des produits de la mer une semaine plus tôt grâce à Ultralytics YOLO
1 semaine
Temps d’ingénierie économisé par déploiement
4 modèles
Exécutés simultanément pour une chaîne complète de détection
95,71 %
mAP50-95 détectant les dommages sur les surfaces fonctionnelles des aéronefs
Artificial Intelligence ReviewFacteur d’impact 18.8
Hu et al., 2024
96,3 %
Précision de détection en temps réel des défauts d’impression 3D sur l’imprimante
Virtual and Physical PrototypingFacteur d’impact 9.8
Zhang et al., 2025

Comment ça marche

Des images de défauts à une décision de rejet sur la ligne.

1

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.

2

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.

3

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.

4

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.

Localiser en temps réel chaque défaut de surface sur les pièces en métal, en verre, en plastique ou peintes, puis orienter la pièce vers l’acceptation, le rejet ou la retouche.Détecter
Les masques délimitent chaque fissure, cavité ou tache au pixel près, afin que tu puisses calibrer les mesures en millimètres et appliquer tes propres seuils de taille.Segmenter
Les points clés situés à la base et à l’extrémité de chaque broche mesurent son angle, afin de rejeter les broches tordues ou déformées des connecteurs et des boîtiers de puces avant l’assemblage.Pose
Les boîtes orientées épousent précisément les longues rayures fines et les fissures de joint, quel que soit leur angle, afin que chaque défaut soit mesuré et que les défauts voisins restent distincts.OBB
Classer chaque recadrage signalé par ton AOI comme véritable défaut ou fausse alerte, afin de réduire le nombre de cartes conformes envoyées en contrôle manuel.Classifier
Repérer les rayures, les bosses et les contaminations
Découvrir YOLO

Essaie l’inférence YOLO26

Glisse-dépose une image pour voir la détection d’objets en temps réel

Entrée
Importe une image ou sélectionne un exemple pour tester PCB Defect Detection YOLO26s. Documentation de prédiction
Démo en direct

Dépose une image ici

ou clique pour parcourir les fichiers

Formats pris en charge : JPEG, PNG, WebP, AVIF, HEIC, JP2, TIFF, BMP et autres (10 Mo max.)

Confiance
0.25
IoU
0.50
Taille de l’image
640
Les résultats de prédiction s’afficheront ici.

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.

CommencerUltralytics deployment interface showing model deployment options.

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.

Licence YOLO
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 part
Sécurité et conformité

Sécurité 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.

SOC 2 Type I

Attestation conforme aux critères de sécurité, de disponibilité et de confidentialité de l’AICPA (TSC)

ISO 27001:2022

Système de management de la sécurité de l’information certifié

HIPAA

Autoévaluation de la règle de sécurité ; BAA pour les clients Enterprise admissibles

RGPD et CCPA

Conforme aux réglementations mondiales sur la protection des données

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

Catch defects, misalignments, and label errors at line speed. Vision AI verifies component presence and classifies pass/fail results consistently on every shift.

Inspection visuelle

Repère les défauts, les désalignements et les erreurs d’étiquetage à la cadence de la ligne. La vision par IA vérifie la présence des composants et classe systématiquement les résultats en réussite ou échec, à chaque poste.
En savoir plus
Detect shoplifting, missed scans, and sweethearting in real time. Vision AI monitors self-checkout and suspicious behavior to cut shrink without disrupting shoppers.

Prévention des pertes en magasin

Détecte en temps réel les vols à l’étalage, les articles non scannés et la complicité en caisse. L’IA de vision surveille les caisses libre-service et les comportements suspects pour réduire les pertes sans perturber les clients.
En savoir plus
Detect drowsiness, phone use, and gaze distraction in real time. Vision AI tracks eye closure, head tilt, and posture to alert drivers before accidents happen.

Surveillance du conducteur

Détecte la somnolence, l’utilisation du téléphone et les distractions du regard en temps réel. L’IA visuelle suit la fermeture des yeux, l’inclinaison de la tête et la posture pour avertir les conducteurs avant qu’un accident ne se produise.
En savoir plus
Classify, extract, and verify documents at scale. Vision AI locates form fields, deskews scanned pages, and flags missing signatures to cut transcription errors.

Traitement des documents

Classifie, extrait et vérifie des documents à grande échelle. L’IA visuelle localise les champs des formulaires, redresse les pages numérisées et signale les signatures manquantes afin de réduire les erreurs de transcription.
En savoir plus
Count shelf stock, verify SKU placement, and flag shifted pallets automatically. Vision AI replaces manual audits with continuous, real-time inventory monitoring.

Gestion des stocks

Compte les articles en rayon, vérifie l’emplacement des SKU et signale automatiquement les palettes déplacées. La vision par IA remplace les audits manuels par une surveillance des stocks continue et en temps réel.
En savoir plus
Count customers, classify congestion levels, and spot frustration cues in real time. Vision AI predicts bottlenecks before they form to keep wait times and walkouts low.

Gestion des files d’attente

Compte les clients, classe les niveaux de congestion et repère en temps réel les signes de frustration. L’IA visuelle prédit les goulots d’étranglement avant qu’ils ne se forment afin de réduire les temps d’attente et les départs sans achat.
En savoir plus

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.