Automated defect detection
Catch defects the moment they appear. Across recent peer-reviewed studies, YOLO-based inspection reaches 99%+ accuracy and cuts manual inspection costs by up to 94.5%, on steel, PCBs, fabric, solar panels, and welds. Train it on your own defects and deploy it on the line.
세계 유수의 기업들이 신뢰하는 솔루션
How Ultralytics YOLO tackles defect detection
One model, every defect type
Ultralytics YOLO detects, localizes, and classifies defects in a single pass, and researchers have pushed it past 98% mAP on benchmarks from PCBs to steel to wafers. That means fewer escaped defects, less scrap, and faster time-to-market, on the hardware you already run.
- Subtle defects, caught: 98.8% mAP on tiny PCB defects, 98.2% on wafer surfaces (peer-reviewed).
- Line-speed inference: YOLO26 runs a frame in ~1.7 ms; weld studies report 2.3 ms per part.
- Trainable on your defects: fine-tune on your own images in hours; published models hit 99%+ accuracy.
- Deploy anywhere: export to 19 formats — TensorRT, ONNX, OpenVINO, CoreML — for edge or cloud.
YOLO26 추론 테스트
이미지를 드래그 앤 드롭하여 실시간 객체 감지를 확인하십시오
Deploy on the line or in the cloud
Train once, then export to 19 formats and run wherever inspection happens, from a camera-side edge box to a GPU server.
At the edge (line-side)
- NVIDIA Jetson via TensorRT: real-time inference with no internet connection.
- Intel CPUs via OpenVINO: deploy on the industrial PCs you already run.
- Hailo, Raspberry Pi & ARM: low-power, camera-side inspection stations.
- Fast enough for the line: published weld inspection runs at 2.3 ms per part.
In the cloud
- GPU autoscaling for high-volume, multi-camera inspection.
- Retrain centrally and push new defect classes to every line at once.
- Export to ONNX, TensorRT & PyTorch for any inference stack.
비전 AI로 산업을 혁신
공장 현장부터 수술실까지, Ultralytics는 시각 데이터를 실시간 의사결정 정보로 전환합니다.
SOHGA, Ultralytics YOLO를 통해 주차 모니터링 시간 30% 단축
Scaleout, Ultralytics YOLO를 활용해 모델 업데이트 시간을 수주에서 수 시간으로 단축
RapiD Engineering은 Ultralytics YOLO를 통해 해산물 품질 관리 배포 시간을 1주일 단축했습니다
Project Ocean Oasis가 Ultralytics YOLO로 산호초 보존을 촉진합니다.
Volley, Ultralytics YOLO 기반의 250개 이상의 코트 내 AI 트레이너 운영
WG Tech Solutions, Ultralytics YOLO와 Axelera의 AI Accelerator로 안전 위반 사례 28% 절감
Stride, Ultralytics YOLO로 1분 내 말 보행 분석 서비스 제공
Pixelabs, Ultralytics YOLO 기반 자동화로 95% 재현율 달성
SiteAssist, Ultralytics YOLO를 통해 77만 개 이상의 이미지를 처리하여 현장 안전 개선
Chef Robotics, Ultralytics YOLO를 사용하여 식품 손실 67% 절감
Cali Intelligence, Ultralytics YOLO로 결제 대기열 43% 단축
MarineSitu, Ultralytics YOLO를 사용하여 수중 모니터링 가동 시간 96% 이상 달성
Theia Scientific, Ultralytics YOLO로 현미경 분석 속도 43배 향상
eSmart Systems, Ultralytics YOLO로 송전선 검사 시간 절반으로 단축
Axelera AI는 Ultralytics YOLO를 사용하여 34 FPS 에지 AI 추론을 제공합니다
STMicroelectronics는 MCU에서 추론당 단 9.4 mJ로 Ultralytics YOLO를 실행합니다
Specialvideo, Ultralytics YOLO로 식품 검사 정확도 99% 달성
Vivity AI, Ultralytics YOLO로 연간 500만 달러 이상의 산업 운영 비용 절감
Videologic Analytics, Ultralytics YOLO로 1만 개의 AI 카메라 라이선스로 확장
Prezent, Ultralytics YOLO로 슬라이드 탐지 정확도 34% 향상
ALYCE, Ultralytics YOLO로 교통 AI 추론 속도 20% 향상
Kiwitron, Ultralytics YOLO를 사용하여 30m 거리의 산업 위험 요소 탐지
SOHGA, Ultralytics YOLO를 통해 주차 모니터링 시간 30% 단축
Scaleout, Ultralytics YOLO를 활용해 모델 업데이트 시간을 수주에서 수 시간으로 단축
RapiD Engineering은 Ultralytics YOLO를 통해 해산물 품질 관리 배포 시간을 1주일 단축했습니다
Project Ocean Oasis가 Ultralytics YOLO로 산호초 보존을 촉진합니다.
Volley, Ultralytics YOLO 기반의 250개 이상의 코트 내 AI 트레이너 운영
WG Tech Solutions, Ultralytics YOLO와 Axelera의 AI Accelerator로 안전 위반 사례 28% 절감
Stride, Ultralytics YOLO로 1분 내 말 보행 분석 서비스 제공
Pixelabs, Ultralytics YOLO 기반 자동화로 95% 재현율 달성
SiteAssist, Ultralytics YOLO를 통해 77만 개 이상의 이미지를 처리하여 현장 안전 개선
Chef Robotics, Ultralytics YOLO를 사용하여 식품 손실 67% 절감
Cali Intelligence, Ultralytics YOLO로 결제 대기열 43% 단축
MarineSitu, Ultralytics YOLO를 사용하여 수중 모니터링 가동 시간 96% 이상 달성
Theia Scientific, Ultralytics YOLO로 현미경 분석 속도 43배 향상
eSmart Systems, Ultralytics YOLO로 송전선 검사 시간 절반으로 단축
Axelera AI는 Ultralytics YOLO를 사용하여 34 FPS 에지 AI 추론을 제공합니다
STMicroelectronics는 MCU에서 추론당 단 9.4 mJ로 Ultralytics YOLO를 실행합니다
Specialvideo, Ultralytics YOLO로 식품 검사 정확도 99% 달성
Vivity AI, Ultralytics YOLO로 연간 500만 달러 이상의 산업 운영 비용 절감
Videologic Analytics, Ultralytics YOLO로 1만 개의 AI 카메라 라이선스로 확장
Prezent, Ultralytics YOLO로 슬라이드 탐지 정확도 34% 향상
ALYCE, Ultralytics YOLO로 교통 AI 추론 속도 20% 향상
Kiwitron, Ultralytics YOLO를 사용하여 30m 거리의 산업 위험 요소 탐지
SOHGA, Ultralytics YOLO를 통해 주차 모니터링 시간 30% 단축
Scaleout, Ultralytics YOLO를 활용해 모델 업데이트 시간을 수주에서 수 시간으로 단축
RapiD Engineering은 Ultralytics YOLO를 통해 해산물 품질 관리 배포 시간을 1주일 단축했습니다
Project Ocean Oasis가 Ultralytics YOLO로 산호초 보존을 촉진합니다.
Volley, Ultralytics YOLO 기반의 250개 이상의 코트 내 AI 트레이너 운영
WG Tech Solutions, Ultralytics YOLO와 Axelera의 AI Accelerator로 안전 위반 사례 28% 절감
Stride, Ultralytics YOLO로 1분 내 말 보행 분석 서비스 제공
Pixelabs, Ultralytics YOLO 기반 자동화로 95% 재현율 달성
SiteAssist, Ultralytics YOLO를 통해 77만 개 이상의 이미지를 처리하여 현장 안전 개선
Chef Robotics, Ultralytics YOLO를 사용하여 식품 손실 67% 절감
Cali Intelligence, Ultralytics YOLO로 결제 대기열 43% 단축
MarineSitu, Ultralytics YOLO를 사용하여 수중 모니터링 가동 시간 96% 이상 달성
Theia Scientific, Ultralytics YOLO로 현미경 분석 속도 43배 향상
eSmart Systems, Ultralytics YOLO로 송전선 검사 시간 절반으로 단축
Axelera AI는 Ultralytics YOLO를 사용하여 34 FPS 에지 AI 추론을 제공합니다
STMicroelectronics는 MCU에서 추론당 단 9.4 mJ로 Ultralytics YOLO를 실행합니다
Specialvideo, Ultralytics YOLO로 식품 검사 정확도 99% 달성
Vivity AI, Ultralytics YOLO로 연간 500만 달러 이상의 산업 운영 비용 절감
Videologic Analytics, Ultralytics YOLO로 1만 개의 AI 카메라 라이선스로 확장
Prezent, Ultralytics YOLO로 슬라이드 탐지 정확도 34% 향상
ALYCE, Ultralytics YOLO로 교통 AI 추론 속도 20% 향상
Kiwitron, Ultralytics YOLO를 사용하여 30m 거리의 산업 위험 요소 탐지
자주 묻는 질문
Automated defect detection uses cameras and AI to inspect products and surfaces for flaws, scratches, cracks, dents, missing parts, and contamination, in real time, with no manual checking. Ultralytics YOLO models detect, localize, and classify each defect in a single pass as parts move down the line.
It depends on the data, but recent peer-reviewed studies report 84-99% accuracy with YOLO models tuned to a specific task, for example 99.4% on fabric, 98.8% mAP on PCBs, and 98.2% on semiconductor wafers. The Ultralytics Platform supports active learning, so accuracy keeps climbing as new defect types appear.
Published 2024-2026 studies apply Ultralytics YOLO to steel and metal surfaces, printed circuit boards, semiconductor wafers, welds, textiles, solar panels, aluminum castings, ceramics, batteries, and pharmaceutical packaging, anywhere visual quality control matters.
Yes. Rule-based machine vision struggles with variable, subtle, or previously-unseen defects. Ultralytics YOLO26 learns from your own examples to recognize scratches, hairline cracks, white spots, and missing components across changing lighting and part variation, reaching 98%+ mAP on several published benchmarks.
Fast enough for the line. YOLO26 processes a frame in about 1.7 ms on a modern GPU; published inspection systems report 186 frames per second on fabric and 2.3 ms per weld.
Yes. Most inspection deployments run on-premises because production data is sensitive and factory networks are unreliable. Ultralytics YOLO26 exports to 19 formats, including TensorRT for NVIDIA Jetson, OpenVINO for Intel CPUs, and Hailo accelerators, so models run line-side with no internet connection required.
Less than you might expect. Published defect-detection models train on a few thousand labeled images, for example the bridge-crack study used a 4,029-image dataset. The Ultralytics Platform handles annotation and training, and pretrained YOLO weights mean you fine-tune rather than start from scratch.
Collect images of your good and defective parts, annotate them, and train, all in one place on the Ultralytics Platform. For production deployment, enterprise licensing covers commercial use and keeps your code and data private.