AIの専門知識なしでカメラベースの視覚検査システムを構築する

私たちが使用するあらゆる製品（スマートフォン、梱包された商品、自動車部品など）は、最終消費者である私たちの手に渡る前に、何らかの品質検査を受けています。これは従来、手作業によるチェックや単純なルールベースのシステムによって行われてきました。これらの方法は機能しますが、多くの場合、速度が遅く、一貫性に欠け、生産量が増加するにつれてスケールさせるのが困難になります。

品質検査プロセスを改善するために、多くの産業がコンピュータビジョン（マシンに画像や動画を理解させるための人工知能の分野）に注目しています。Ultralytics YOLO26のようなビジョンAIモデルは、欠陥を高い精度で検出、分類、特定するのに役立ちます。

実際の製造環境では、これらのモデルを使用して、高速アセンブリラインから直接キャプチャされた画像を分析できます。製品がさまざまな段階を移動する間、産業用カメラが製品を追跡し、システムが傷、部品の欠落、位置ずれなどの問題をチェックします。これにより、欠陥検出がより高速かつ一貫したものになり、高スループットの検査が可能になります。

以前は、このようなシステムを構築するには複数のツールと高度な技術的専門知識が必要であり、プロセスが複雑で時間がかかるものでした。コンピュータビジョンのための新しいエンドツーエンドソリューションであるUltralytics Platformは、データ準備、アノテーション、モデルトレーニング、デプロイメントを1か所にまとめることで、このプロセスを簡素化します。

この記事では、深層AIの専門知識を必要とせずに、Ultralytics Platformを使用して実用的なカメラベースの画像検査システムを構築する方法を解説します。さっそく始めましょう！

Link to this section品質管理におけるコンピュータビジョンの役割#

Ultralytics Platformがどのように検査システムの構築を容易にするかを掘り下げる前に、一歩立ち止まって、品質検査におけるコンピュータビジョンの役割を理解しておきましょう。

検査は、製品が品質基準を満たし、欠陥がないことを保証する製造プロセスにおいて重要な部分です。しかし、特に長時間のシフトや大量生産時には、結果が変動する可能性があります。

検査の信頼性を高めるために、多くの業界ではコンピュータビジョン（マシンビジョンとも呼ばれます）を使用して、生産ラインからの画像を分析し、欠陥を特定しています。これらのシステムはディープラーニングを使用しており、モデルとアルゴリズムが高品質なラベル付き画像の膨大なセットからパターンを学習します。

モデルトレーニング中、モデルには正常な製品とさまざまな種類の欠陥の両方の例が示されます。時間の経過とともに、モデルはこれらのパターンを独自に認識することを学習します。トレーニングが完了すると、モデルは大量の製品を検査し、同じ基準を一貫して適用することで、精度を向上させることができます。

Link to this section品質検査で使用される一般的なコンピュータビジョンタスク#

マシンビジョンアプリケーションは、さまざまな種類のビジョンタスクをサポートできるUltralytics YOLOモデルのようなコンピュータビジョンモデルによって実現されます。自動化された検査ワークフローでこれらのビジョンAIタスクがどのように使用されるかの概要を以下に示します。

• 画像分類: このタスクは、「良品」や「不良品」など、画像全体に単一のラベルを割り当てるために使用されます。欠陥の場所を示すことなく、製品品質の高レベルな評価を提供します。
• オブジェクト検出: 画像内の欠陥を特定し、バウンディングボックスを使用してそれらを特定するのに役立ちます。これにより、ひび割れ、傷、または欠落しているコンポーネントなどの問題を検出し、その場所を特定することが可能になります。
• インスタンスセグメンテーション: オブジェクト検出を一歩進めて、検出された各欠陥に対してピクセルレベルのマスクを予測します。これは、欠陥の形状、サイズ、境界の正確な分析をサポートします。
• オブジェクトトラッキング: 製品を複数のフレームにわたって追跡する場合、製品が生産ラインを移動する際に製品を追跡します。これにより一貫性が維持され、欠陥が見逃されることがなくなります。
• 指向性バウンディングボックス (OBB) 検出: このタスクは、軸に沿ったボックスの代わりに回転したバウンディングボックスを使用してオブジェクトを検出します。欠陥やコンポーネントがさまざまな角度で現れる場合に特に便利で、より正確な位置特定が可能になります。

Link to this section業界全体における品質検査アプリケーションの展望#

コンピュータビジョンは、製品品質の維持、基準の順守、手動検査の必要性の削減のために業界全体で広く使用されています。欠陥検出、分類、オブジェクト認識、測定、異常検出などの重要な機能を実行します。

図1。マシンビジョンシステムを使用して製品を検出および追跡する例 (ソース)

実際に適用されているいくつかの実世界のユースケースを以下に示します。

• 製造: 表面欠陥検出は、生産ライン上の製品の画像を分析してインラインで欠陥を検出することにより、傷、へこみ、ひび割れ、変色などの問題を特定するために使用されます。また、リアルタイムで部品の欠落や組み立てエラーを検出し、継続的な検査をサポートすることもできます。
• 自動車: コンピュータビジョンシステムは、エンジン部品やボディパネルを分析して、配置を検証し、損傷を検出します。複雑な形状や手の届きにくい場所の検査に特に大きな効果があり、正確な位置決めと自動検査のためにロボットシステムと連携して動作することがよくあります。
• エレクトロニクスおよび半導体: これらのシステムは、プリント回路基板 (PCB) などのコンポーネントにおける小さな欠陥（はんだ付けの問題、微細なひび割れ、損傷した回路など）を検出します。高解像度の画像分析により、手動検査では見逃されがちな非常に微細な欠陥も検出できます。
• パッケージングおよび物流: ビジュアルシステムは、バーコードスキャンを実行し、製品ラベルを読み取り、パッケージングの品質をチェックします。製品が適切に梱包、密封され、出荷準備が整っていることを確認し、エラーを削減します。
• 食品および飲料: ビジョンカメラやビジョンセンサーを活用した検査システムは、製品の外観を分析して、不適切な密封、汚染リスク、不正確なラベル表示、視覚的な不整合などの問題を特定し、品質と安全性の維持を支援します。
• 医薬品: コンピュータビジョンは、錠剤、バイアル、パッケージを検査し、ひび割れ、汚染、不正確なラベル表示、充填レベルの不整合などの欠陥がないか確認するために使用され、厳格な規制基準の順守と製品の安全性の維持を保証します。

Link to this sectionUltralytics Platformによる目視検査ワークフローの合理化#

製品がさまざまな段階を移動し、カメラが検査のために継続的に画像をキャプチャする製造ラインを想像してください。これらの画像は、傷、部品の欠落、位置ずれなどの欠陥をチェックするために使用されます。

これまで、このような検査システムを構築および管理するには、複数のツールとかなりの技術的専門知識が必要でした。

実際、Ultralyticsでは、ビジョンAIコミュニティから、このプロセスがいかに断片的で時間がかかるかという一貫したフィードバックを受けてきました。一般的なボトルネックには、ツールが分散していること、複雑な環境設定、非効率なデータラベル付けワークフロー、モデルトレーニングの遅延、デプロイメントの課題などがあります。このフィードバックは、Ultralytics Platformを形作る上で重要な役割を果たしました。

図2。Ultralytics Platformの概要 (ソース)

Ultralytics Platformを使用すると、開発とデプロイメントの全プロセスを1か所で処理できます。生のデータをアップロードしてアノテーションを行い、トレーニングデータセットを作成し、それを使用して欠陥を検出するモデルをトレーニングします。トレーニングが完了すると、これらのモデルをデプロイして生産ラインからの新しい画像を分析でき、パフォーマンスを長期的に監視するための組み込みツールも備わっています。

ワークフロー全体を1か所に集約することに加え、Ultralytics Platformは使いやすさを重視して設計されています。機械学習の経験がほとんどないユーザーでも、アイデアから生産まで迅速に移行できます。

Link to this sectionUltralytics Platformを使用して画像の欠陥にラベルを付ける#

Ultralytics Platformがどのようにワークフローを統合するかを確認したところで、データアップロードと欠陥のラベル付けから始めて、ビジョンAIパイプラインの各段階でそれを使用する方法を解説します。

Link to this sectionUltralytics Platformにおける検査データセット管理#

最初のステップは、プラットフォームにデータを取り込むことです。画像、動画、またはZIP、TAR、GZファイルなどのデータセットアーカイブをアップロードできます。YOLOやCOCOのような一般的なデータセット形式がサポートされているため、既存のデータセットを追加の手順なしでインポートできます。

コミュニティによって共有されているデータセットを使用して、より迅速に作業を開始することもできます。これらのデータセットを探索し、ワークスペースにクローンすることで、最初から作成するのではなく、既存のデータを活用できます。クローンを作成した後は、特定のユースケースに合わせて更新および拡張できます。

さまざまな実験に取り組んでいる場合、データセットをNDJSONファイルとしてインポートして再利用できるため、追加の変換なしでそれらを再作成または共有することが容易になります。

データがアップロードされると、プラットフォームは自動的にそれを準備します。ファイル形式のチェック、アノテーションの処理、必要に応じた画像のサイズ変更、基本的なデータセット統計の生成が行われます。動画はトレーニングに使用できるようにフレームに分割され、画像はブラウジングや分析を容易にするために最適化されます。

Link to this sectionUltralytics Platformによるデータアノテーション#

データの準備ができたら、次のステップはデータアノテーションです。ここでは、モデルが何を検出するかを学習できるように欠陥にラベルを付けます。Ultralytics Platformには、オブジェクト検出、インスタンスセグメンテーション、画像分類、ポーズ推定、指向性バウンディングボックス検出などのタスクをサポートする組み込みアノテーションエディタが含まれています。

ユースケースに応じて、バウンディングボックス、ポリゴン、キーポイントなどのツールを使用して手動でデータにラベルを付けることができます。作業をスピードアップするために、プラットフォームではAI支援によるラベル付けも提供されています。

たとえば、SAMベースのスマートアノテーションを使用すると、簡単なクリック操作でオブジェクトにラベルを付けることができます。含める領域や除外する領域を選択することで、システムがリアルタイムでマスクを生成し、必要に応じて調整できます。

図3。Ultralytics Platform内のSAM駆動型スマートアノテーション (ソース)

さらに、YOLOベースのスマートアノテーションでは、モデルの予測を使用してラベルを自動的に生成できます。これらはレビューおよび調整できるため、すべてを手動でラベル付けすることなく、大規模なデータセットを処理しやすくなります。

アノテーションエディタには、クラス管理、アノテーションの編集、キーボードショートカット、元に戻す/やり直しのオプションなどの機能も含まれています。これらにより、データセットが拡大しても一貫性を保ち、アノテーションをレビューすることが容易になります。

データにラベルを付ける際、プラットフォームはクラス分布やアノテーション数などのインサイトを提供します。これにより、トレーニングに進む前に、ギャップの特定、不整合の修正、データセット品質の向上が可能になります。

Link to this sectionUltralytics Platformで欠陥検出のためにYOLO26をトレーニングする#

次のステップは、ラベル付けされたデータを使用して欠陥を自動的に検出するモデルをトレーニングすることです。Ultralytics Platformは、オブジェクト検出、インスタンスセグメンテーション、画像分類などのタスクに使用できるYOLO26を含む、Ultralytics YOLOモデルでのトレーニングをサポートしています。

トレーニングは、トレーニングジョブの構成、実行、監視を1か所で行える統合ダッシュボードを通じて管理されます。開始するには、アップロードしたもの、プラットフォームでアノテーションしたもの、プラットフォームで利用可能なパブリックデータセットから取得したもの、コミュニティからクローンしたものなど、データセットを選択できます。

選択すると、データセットがトレーニング実行に自動的にリンクされるため、実験の追跡と一貫性の維持が容易になります。

次に、エポック数、バッチサイズ、画像サイズ、学習率などのトレーニングパラメータを構成できます。これらの設定はモデルの学習方法を制御し、トレーニング時間とパフォーマンスの両方に直接影響します。

Link to this sectionトレーニングの実行と監視#

その後、トレーニングの実行方法を選択できます。プラットフォームは、管理されたGPU上でのクラウドトレーニング、独自のハードウェアを使用したローカルトレーニング、Google Colabのような環境を通じたブラウザベースのワークフローをサポートしています。

クラウドトレーニングを使用する場合、小規模な実験にはRTX 2000 AdaやRTX A4500、より負荷の高いワークロードにはRTX 4090やRTX A6000、大規模なトレーニングにはA100やH100などの高性能なGPUオプションから選択できます。

トレーニングが開始されると、プラットフォーム内で直接進行状況を監視できます。ダッシュボードでは、損失曲線やパフォーマンスメトリクスなどの主要メトリクスを、システム使用状況やトレーニングログとともにリアルタイムで可視化できます。これにより、モデルがどのように学習しているかを理解し、潜在的な問題を早期に特定することがシームレスになります。

図4。Ultralytics Platformを使用してトレーニングの進行状況を簡単に監視できます (ソース)

複数の実験を実行する際、プラットフォームは構成、データセット、結果を1か所に記録します。これにより、さまざまなトレーニング実行を比較し、精度、再現率、mAPなどのメトリクスを使用してパフォーマンスを評価し、デプロイメントに最適なモデルを選択することが容易になります。

Link to this sectionUltralytics Platformを通じたビジョンモデルのデプロイ#

トレーニング後、次のステップは、デプロイメントに進む前に、トレーニング済みモデルが未知の新しいデータに対してどのようなパフォーマンスを示すかを検証することです。Ultralytics Platformには組み込みの「Predict」タブが含まれており、セットアップなしでブラウザ上で直接モデルをテストできます。

画像をアップロードしたり、サンプルデータを使用したり、ウェブカメラから入力をキャプチャしたりでき、結果は視覚的なオーバーレイと信頼スコアとともに即座に表示されます。つまり、現実世界のシステムに統合する前に、モデルのパフォーマンスを迅速にチェックし、問題を特定できます。

モデルが検証されたら、ユースケースに応じてさまざまなオプションを使用してデプロイできます。Ultralytics Platformでサポートされているモデルデプロイオプションを詳しく見てみましょう。

• 共有推論: このオプションを使用すると、REST APIを介してモデルにアクセスできるため、アプリケーションやワークフローへの統合が容易になります。これはいくつかのコアリージョンにまたがるマルチテナントシステム上で実行され、リクエストは自動的に最も近い利用可能なサービスにルーティングされます。そのため、開発、テスト、および本番環境への移行前の軽量な使用に適しています。
• 専用エンドポイント: 本番環境で使用する場合、モデルは独自のコンピューティングリソースを持つ専用エンドポイントとしてデプロイできます。43のグローバルリージョンにまたがるシングルテナントサービスとして実行されるため、エンドユーザーに近い場所にデプロイすることで遅延を削減できます。また、オートスケーリングやスケール・トゥ・ゼロもサポートしており、トラフィックに基づいてリソースを自動的に調整できます。
• モデルエクスポート: モデルをエクスポートし、プラットフォーム外のローカルシステムやエッジデバイス上で実行できます。プラットフォームは、ONNX、TensorRT、OpenVINO、CoreML、TensorFlow Liteなど、17の形式をサポートしています。エクスポートオプションは、FP16やINT8量子化などの最適化もサポートしており、さまざまなハードウェア環境に合わせてモデルサイズを削減し、推論速度を向上させることができます。

Link to this sectionUltralytics Platformを使用したデプロイ済みモデルの監視#

画像処理やコンピュータビジョンソリューションのライフサイクルは、モデルのデプロイで終わりではありません。これは画像検査システムにも当てはまります。モデルが本番環境で稼働した後は、条件の変化に対して確実に動作し続けることを確認するために、継続的に監視する必要があります。

Ultralytics Platformは、デプロイされたモデルのパフォーマンスを明確に表示する組み込み監視ダッシュボードを提供します。単一のインターフェースから、リクエストアクティビティを追跡し、ログを表示し、各デプロイメントの健全性ステータスを確認できます。モデルがどのように使用され、時間の経過とともにどのように動作するかを理解できます。

ダッシュボードには、合計リクエスト数、エラー率、遅延などの主要メトリクスが含まれており、パフォーマンスと応答性を評価するのに役立ちます。これらのメトリクスは定期的に更新され、使用パターンとシステム信頼性の両方に関するインサイトを提供します。

組み込みの世界地図には、リクエストとデプロイメントがリージョン間でどのように分散されているかが表示されます。複数のグローバル拠点にまたがるデプロイメントをサポートしているため、このビューは地理的に使用状況を追跡し、モデルがさまざまな環境でどのように動作するかを理解するのに役立ちます。

図5。Ultralytics Platformでのデプロイ済みモデルの監視 (ソース)

より詳細な分析のために、各デプロイメントにはタイムスタンプ、リクエストの詳細、エラーメッセージを含む詳細なログが含まれています。ログは重要度でフィルタリングできるため、デバッグや障害の迅速な特定が容易になります。さらに、健全性チェックはリアルタイムのステータスインジケーターを提供し、デプロイメントが期待通りに動作しているか、または対応が必要かを示します。

監視は最適化においても重要な役割を果たします。入力データ、トラフィック、または使用パターンが変化すると、パフォーマンスが変動する可能性があります。メトリクスとログを追跡することで、高い遅延、増加するエラー率、スケーリングの制限などの問題を特定し、一貫したパフォーマンスを維持するための対策を講じることができます。

Link to this sectionUltralytics Platformを使用してビジョンソリューションを構築するメリット#

Ultralytics Platformを使用して画像検査システムを構築およびスケーリングする主なメリットをいくつか紹介します。

• 実用環境向けに最適化: オートスケーリングエンドポイント、エッジデプロイメント、モデルエクスポートなどの機能により、システムを本番環境で確実に実行できます。
• 開発サイクルの高速化: 組み込みツールとデフォルト構成により、生のデータから実用的なシステムへの移行をより効率的に行うことができます。
• 使いやすさ: 直感的なインターフェース、合理化されたワークフロー、最小限のセットアップ要件により、初心者から経験豊富なユーザーまで誰でもプラットフォームを利用できます。
• 手作業の削減: AI支援アノテーションや自動化されたデータ処理などの機能により、反復的なタスクに費やす時間を削減できます。
• 長期的なスケーラビリティ: 要件が変化した場合でも、新しいデータの追加やモデルの再トレーニングによってシステムを更新でき、新しい欠陥タイプ、条件、マルチカメラ構成への適応が可能になります。

Link to this section重要なポイント#

カメラベースの画像検査システムの構築は、複雑である必要も、AIの高度な専門知識を必要とするものでもありません。Ultralytics Platformを使用すると、生のデータから実用的なシステムを構築し、そのパフォーマンスをすべて1か所で監視できます。これにより、検査システムを現実世界の環境で構築、改善、運用する方法が合理化されます。

私たちのコミュニティに参加し、GitHubリポジトリを探索して、ビジョンAIについてさらに詳しく学びましょう。コンピュータビジョンプロジェクトを開始するには、ライセンスオプションをご確認ください。AI in manufacturingやcomputer vision in the automotive産業などの革新に興味がありますか？ソリューションページにアクセスして、詳細をご覧ください。