AIの専門知識なしで構築するカメラベースのビジョン検査システム

私たちが日常的に使用する電話、包装品、自動車部品に至るまで、あらゆる製品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経て出荷されます。従来、これは人手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。これらの手法は有効ですが、製造量が増加するにつれて、速度が遅く、一貫性を欠き、拡張が困難になることがよくあります。

品質検査プロセスを改善するために、多くの業界がコンピュータビジョンに注目しています。これは、機械が画像や動画を理解できるようにする人工知能の一分野です。Ultralytics YOLO26のようなビジョンAIモデルを使用することで、高い精度で欠陥を検出し、分類し、特定することが可能になります。

実際の製造現場では、これらのモデルを使用して、高速な組立ラインから直接キャプチャされた画像を解析できます。製品が各工程を通過する際、産業用カメラが製品を追跡し、システムが傷、部品の欠損、位置の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、高スループットな検査が可能になります。

過去には、こうしたシステムを構築するために複数のツールと高度な技術知識が必要であり、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の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か所に集約することで、このプロセスを簡素化します。

本記事では、AIの深い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探ります。それでは始めましょう！

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説明する前に、品質検査におけるコンピュータビジョンの役割について理解を深めましょう。

検査は製造プロセスの重要な一部であり、製品が品質基準を満たし、欠陥がないことを保証します。しかし、特に長時間シフトや大量生産においては、結果にばらつきが生じることがあります。

検査の信頼性を高めるために、多くの業界が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、生産ラインからの画像を解析して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活用しており、モデルや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。時間が経つにつれて、モデルは自分自身でこれらのパターンを認識できるようになります。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品質検査でよく使用されるコンピュータビジョンのタスク#

マシンビジョンのアプリケーションは、さまざまなビジョンタスクをサポートできるUltralytics YOLO models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。自動検査ワークフローにおいて、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「欠陥品」といった単一のラベルを画像全体に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、製品品質の全体的な評価を提供します。
• 物体検出: 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の位置を特定するのに役立ちます。これにより、ひび割れ、傷、部品の欠損などの問題を検出および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: 物体検出から一歩進んで、検出された各欠陥に対してピクセル単位のマスクを予測します。これにより、欠陥の形状、サイズ、境界を精密に解析できます。
• 物体追跡: 複数のフレームにわたって製品を追跡する場合、生産ライン上を移動するアイテムを追尾します。これにより一貫性が維持され、欠陥が見落とされることを防ぎます。
• 回転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物体を検出します。欠陥や部品がさまざまな角度で現れる場合に特に有効で、より正確な位置特定が可能になります。

Link to this section各業界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、基準への適合、人手による検査の必要性を減らすために、さまざまな業界で広く利用されています。欠陥検出、分類、物体認識、測定、異常検知といった重要な機能を果たします。

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)

これが適用される現実世界のユースケースの例をいくつか挙げます。

• 製造: 表面欠陥検出は、生産ライン上の製品画像を解析して、傷、へこみ、ひび割れ、変色といった問題をインラインで識別するために使用されます。また、リアルタイムで部品の欠損や組み立てエラーを検出し、継続的な検査をサポートします。
• 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解析して、位置合わせを確認し、損傷を検出します。複雑な形状や手が届きにくい領域の検査に特に効果的で、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することがよくあります。
• 電子機器および半導体: これらのシステムは、プリント基板 (PCB) などの部品における小さな欠陥を検出します。これには、はんだ付けの問題、微細なひび割れ、損傷した回路などが含まれます。高解像度の画像解析により、手作業の検査では見落とされがちな非常に微細な欠陥も検出できます。
• 包装および物流: ビジョンシステムは、バーコードのスキャン、製品ラベルの読み取り、梱包品質のチェックを行います。製品が適切に梱包され、密封され、出荷準備ができ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、製品の外観を解析して、不適切な密封、汚染のリスク、誤ったラベル表示、外観の不整合などの問題を特定し、品質と安全性の維持を助けます。
• 医薬品: コンピュータビジョンは、錠剤、バイアル、包装を検査し、ひび割れ、汚染、誤ったラベル表示、充填レベルの不整合などの欠陥を確認するために使用され、厳格な規制基準の遵守と製品安全性の維持を確実にします。

Link to this sectionUltralytics Platformによる視覚検査ワークフローの合理化#

製品が各工程を移動する間に、カメラが継続的に画像をキャプチャして検査を行う製造ラインを想像してみてください。これらの画像は、傷、部品の欠損、位置の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、そのような検査システムを構築し運用するには、複数のツールと相当な技術知識が必要でした。

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フィードバックを一貫して受けてきました。一般的なボトルネックには、ツールの散在、複雑な環境構築、非効率なデータラベリングワークフロー、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の形成において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、開発からデプロイメントまでの全プロセスを1か所で管理できます。未加工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解析でき、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利用できます。

全ワークフローを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。機械学習の経験が限られているユーザーであっても、構想から本番環境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から欠陥ラベル付けまで、ビジョンAIパイプラインの各段階でそれをどのように使用するかを順を追って説明します。

Link to this sectionUltralytics Platform上での検査データセット管理#

最初のステップは、データをプラットフォームに取り込むことです。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ステップ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たデータセットを使用して、より迅速に開始することも可能です。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、ゼロから始めるのではなく、既存のデータを基盤にして構築できます。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、変換作業なしで簡単に再作成や共有が可能です。

データがアップロードされると、プラットフォームはそれを自動的に準備します。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リサイズ、基本的なデータセット統計の生成を行います。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解析がしやすいように最適化されます。

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

データの準備が整ったら、次のステップはdata annotationです。これは、モデルが何を検出すべきかを学習できるように、欠陥にラベルを付けるプロセスです。Ultralytics Platformには、物体検出、インスタンスセグメンテーション、画像分類、ポーズ推定、回転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。作業を高速化するために、プラットフォームはAI-assisted labelingも提供しています。

例えば、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物体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、必要に応じて調整することができます。

図3. Ultralytics Platform内でのSAM駆動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自動的にラベルを生成できます。これらはレビューおよび修正が可能なため、すべてを手作業でラベル付けすることなく、大規模なデータセットを効率的に処理できます。

アノテーションエディタには、クラス管理、アノテーション編集、キーボードショートカット、取り消しまたはやり直しオプションなどの機能も含まれています。これらにより、データセットが増大するにつれて一貫性を保ち、アノテーションをレビューすることが容易になります。

データをラベル付けする際、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。これは、トレーニングに進む前に、ギャップの特定、不整合の修正、データセットの品質向上に役立ちます。

Link to this sectionUltralytics Platformで欠陥検出用の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train a modelことです。Ultralytics Platformは、YOLO26を含むUltralytics YOLOモデルのトレーニングをサポートしており、物体検出、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ます。

トレーニングは統合ダッシュボードを通じて管理され、トレーニングジョブの構成、実行、監視を1か所で行うことができます。開始するには、アップロードしたもの、プラットフォーム上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公開データセットから取得したもの、または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します。

選択が完了すると、データセットはトレーニング実行に自動的にリンクされ、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cloud training、独自のハードウェアを使用したローカルトレーニング、および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、小規模な実験向けのRTX 2000 AdaやRTX A4500、より負荷の高いワークロード向けのRTX 4090やRTX A6000、大規模トレーニング向けのA100やH100といった高性能なオプションなど、さまざまな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進捗を直接監視できます。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指標、システム使用状況、トレーニングログをリアルタイムで確認できます。これにより、モデルの学習状況をシームレスに把握し、問題を早期に特定できます。

図4. Ultralytics Platformを使用すると、トレーニングの進捗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か所に保持します。これにより、さまざまなトレーニング実行を比較し、適合率、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、デプロイメントに移る前に、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、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る組み込みのPredictタブが含まれています。

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したりすることができ、結果が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。これにより、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素早くチェックし、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model deployment options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を通じ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わた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寄りの利用可能なサービスにルーティングされます。開発、テスト、および本番環境への移行前の小規模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、モデルを専用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レイテンシを削減できます。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種類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、モデルサイズの縮小と、さまざまなハードウェア環境での推論速度の向上を実現します。

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。これは視覚検査システムでも同様です。モデルが本番環境で実行されている間は、状況の変化に応じて確実に機能するように継続的に監視する必要があります。

Ultralytics Platformには、デプロイされたモデルのパフォーマンスを明確に把握できるbuilt-in monitoringダッシュボードが用意されています。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の追跡、ログの表示、各デプロイメントの健全性ステータスのチェックが可能です。モデルがどのように使用されているか、時間の経過とともにどのように動作するかを把握できます。

ダッシュボードには、総リクエスト数、エラー率、レイテンシ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を表示します。世界中の複数の場所での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な使用状況を追跡し、モデルがさまざまな環境でどのように機能するかを理解するのに役立ちます。

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

より詳細な解析のために、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。ログは重大度でフィルタリングできるため、問題のデバッグや失敗の迅速な特定が簡単です。さらに、ヘルスチェックによってリアルタイムのステータスインジケーターが提供され、デプロイメントが期待通りに実行されているか、注意が必要かが示されます。

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。メトリクスやログを追跡することで、高いレイテンシ、エラー率の上昇、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利点#

ビジョン検査システムを構築およびスケーリングするためにUltralytics Platformを使用する主な利点をいくつか挙げます。

• 現実世界の使用に向けた最適化: 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、未加工データから動作するシステムへより効率的に移行できます。
• 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、プラットフォームを利用しやすくなっています。
• 手作業の削減: AIアシストによるアノテーションや自動データ処理などの機能により、反復作業に費やす時間を削減します。
• 長期的な拡張性: 要件の変化に応じて、新しいデータの追加やモデルの再トレーニングを行うことでシステムを更新でき、新しい種類の欠陥、環境、マルチカメラセットアップ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、深いAIの専門知識を必要とする必要もありません。Ultralytics Platformを使用すれば、未加工データから動作するシステムへの移行とそのパフォーマンスの監視を、すべて1か所で行うことができます。これにより、現実世界の環境において検査システムがどのように構築され、改善され、実行されるかが合理化されます。

私たちのコミュニティに参加して、GitHubリポジトリでビジョンAIについてさらに詳しく学びましょう。ライセンスオプションを確認して、コンピュータビジョンプロジェクトを立ち上げてください。製造業におけるAIや自動車業界におけるコンピュータビジョンといったイノベーションに関心がありますか？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。