Crie um sistema de inspeção visual baseado em câmeras sem experiência em IA

Todo produto que usamos, seja um telefone, um item embalado ou uma peça automotiva, passa por algum tipo de inspeção de qualidade antes de chegar até nós, os consumidores finais. Tradicionalmente, isso era feito por meio de verificações manuais ou sistemas simples baseados em regras. Embora esses métodos funcionem, muitas vezes são lentos, inconsistentes e difíceis de escalar à medida que a produção aumenta.

Para melhorar o processo de inspeção de qualidade, muitos setores estão recorrendo à visão computacional, um ramo da inteligência artificial que ajuda as máquinas a compreender imagens e vídeos. Por exemplo, modelos de IA visual como o Ultralytics YOLO26 podem ajudar a detectar, classificar e localizar defeitos com alto nível de precisão.

Em ambientes de produção reais, esses modelos podem ser usados para analisar imagens capturadas diretamente de linhas de montagem de alta velocidade. À medida que os produtos passam por diferentes etapas, câmeras industriais os acompanham, e o sistema verifica problemas como arranhões, peças ausentes ou desalinhamento. Isso torna a detecção de defeitos mais rápida e consistente, além de viabilizar inspeções de alto volume.

No passado, a criação desses sistemas exigia várias ferramentas e sólidos conhecimentos técnicos, o que tornava o processo complexo e demorado. A Ultralytics Platform, nossa nova solução completa para visão computacional, simplifica esse processo reunindo a preparação de dados, a anotação, o treinamento de modelos e a implantação em um só lugar.

Neste artigo, vamos explorar como você pode usar a Ultralytics Platform para criar sistemas práticos de inspeção visual baseados em câmeras, sem precisar de conhecimentos aprofundados de IA. Vamos começar!

O papel da visão computacional no controle de qualidade#

Antes de nos aprofundarmos em como a Ultralytics Platform facilita a criação de sistemas de inspeção, vamos dar um passo atrás e entender o papel da visão computacional na inspeção de qualidade.

A inspeção é uma etapa essencial do processo de fabricação, que garante que os produtos atendam aos padrões de qualidade e não apresentem defeitos. No entanto, os resultados podem variar, especialmente durante turnos longos ou em produções de alto volume.

Para tornar a inspeção mais confiável, muitos setores usam visão computacional, também conhecida como visão de máquina, para analisar imagens da linha de produção e identificar defeitos. Esses sistemas usam aprendizado profundo, no qual modelos e algoritmos aprendem padrões a partir de grandes conjuntos de imagens rotuladas de alta qualidade.

Durante o treinamento do modelo, são apresentados exemplos de produtos normais e de diferentes tipos de defeitos. Com o tempo, o modelo aprende a reconhecer esses padrões por conta própria. Depois de treinado, um modelo pode inspecionar grandes volumes de produtos e aplicar os mesmos critérios de forma consistente, melhorando a precisão.

Tarefas comuns de visão computacional usadas na inspeção de qualidade#

Aplicações de visão de máquina são viabilizadas por modelos de visão computacional, como os modelos Ultralytics YOLO, que podem dar suporte a diferentes tipos de tarefas de visão. Confira uma visão geral de como essas tarefas de IA visual são usadas em fluxos de trabalho de inspeção automatizada:

• Classificação de imagens: Essa tarefa atribui um único rótulo a uma imagem inteira, como “bom” ou “defeituoso”. Ela fornece uma avaliação geral da qualidade do produto sem indicar a localização dos defeitos.
• Detecção de objetos: Ela ajuda a identificar defeitos em uma imagem e localizá-los usando caixas delimitadoras. Isso possibilita detectar e localizar problemas como rachaduras, arranhões ou componentes ausentes.
• Segmentação de instâncias: Indo além da detecção de objetos, essa tarefa prevê máscaras no nível do pixel para cada defeito detectado. Isso permite analisar com precisão o formato, o tamanho e os limites dos defeitos.
• Rastreamento de objetos: Ao rastrear produtos em vários quadros, essa tarefa acompanha os itens enquanto eles percorrem a linha de produção. Isso mantém a consistência e garante que nenhum defeito passe despercebido.
• Detecção de caixas delimitadoras orientadas (OBB): Essa tarefa detecta objetos usando caixas delimitadoras rotacionadas em vez de alinhadas aos eixos. Ela é especialmente útil quando defeitos ou componentes aparecem em ângulos diferentes, permitindo uma localização mais precisa.

Uma visão geral das aplicações de inspeção de qualidade em diversos setores#

A visão computacional é amplamente usada em diversos setores para manter a qualidade dos produtos, atender aos padrões e reduzir a necessidade de inspeção manual. Ela realiza funções essenciais como detecção de defeitos, classificação, reconhecimento de objetos, medição e detecção de anomalias.

Fig. 1. Exemplo de detecção e rastreamento de produtos usando sistemas de visão de máquina (Fonte)

Confira alguns exemplos de aplicações no mundo real:

• Manufatura: A detecção de defeitos na superfície identifica problemas como arranhões, amassados, rachaduras e descoloração, analisando imagens dos produtos na linha de produção para detectar defeitos durante o processo. Ela também pode detectar peças ausentes ou erros de montagem em tempo real, viabilizando a inspeção contínua.
• Setor automotivo: Sistemas de visão computacional analisam peças de motor e painéis da carroceria para verificar o alinhamento e detectar danos. Eles são especialmente eficazes na inspeção de formas complexas e áreas de difícil acesso, muitas vezes trabalhando em conjunto com sistemas robóticos para posicionamento preciso e inspeção automatizada.
• Eletrônicos e semicondutores: Esses sistemas detectam pequenos defeitos em componentes como placas de circuito impresso (PCBs), incluindo problemas de soldagem, microfissuras e circuitos danificados. Com a análise de imagens de alta resolução, é possível detectar até defeitos muito pequenos, que muitas vezes passam despercebidos durante a inspeção manual.
• Embalagem e logística: Sistemas visuais fazem a leitura de códigos de barras, leem rótulos de produtos e verificam a qualidade das embalagens. Eles garantem que os produtos sejam embalados e lacrados corretamente e estejam prontos para o envio, reduzindo erros.
• Alimentos e bebidas: Sistemas de inspeção equipados com câmeras ou sensores de visão analisam a aparência dos produtos para identificar problemas como vedação inadequada, riscos de contaminação, rotulagem incorreta ou inconsistências visuais, ajudando a manter a qualidade e a segurança.
• Produtos farmacêuticos: A visão computacional é usada para inspecionar comprimidos, frascos e embalagens em busca de defeitos como rachaduras, contaminação, rotulagem incorreta ou inconsistências no nível de enchimento, garantindo a conformidade com normas regulatórias rigorosas e a segurança dos produtos.

Simplificação dos fluxos de trabalho de inspeção visual com a Ultralytics Platform#

Imagine uma linha de fabricação em que os produtos passam por diferentes etapas enquanto câmeras capturam imagens continuamente para inspeção. Essas imagens são usadas para verificar defeitos como arranhões, peças ausentes ou desalinhamento.

Até agora, criar e gerenciar esses sistemas de inspeção exigia várias ferramentas e um nível considerável de conhecimento técnico.

Na Ultralytics, temos recebido feedback constante da comunidade de IA visual sobre como esse processo pode ser fragmentado e demorado. Entre os gargalos mais comuns estão ferramentas dispersas, configuração complexa do ambiente, fluxos de trabalho de rotulagem de dados ineficientes, atrasos no treinamento de modelos e dificuldades na implantação. Esse feedback teve um papel fundamental na criação da Ultralytics Platform.

Fig. 2. Uma visão geral da Ultralytics Platform (Fonte)

Com a Ultralytics Platform, todo o processo de desenvolvimento e implantação pode ser gerenciado em um só lugar. É possível carregar e anotar dados brutos para criar conjuntos de dados de treinamento, que são usados para treinar modelos de detecção de defeitos. Depois de treinados, esses modelos podem ser implantados para analisar novas imagens da linha de produção, com ferramentas integradas para monitorar o desempenho ao longo do tempo.

Além de reunir todo o fluxo de trabalho em um só lugar, a Ultralytics Platform foi projetada para ser fácil de usar. Até usuários com pouca experiência em aprendizado de máquina podem passar rapidamente da concepção à produção.

Uso da Ultralytics Platform para rotular defeitos em imagens#

Agora que vimos como a Ultralytics Platform reúne o fluxo de trabalho, vamos explicar como usá-la em cada etapa do pipeline de IA visual, começando pelo carregamento de dados e pela rotulagem de defeitos.

Gerenciamento de conjuntos de dados de inspeção na Ultralytics Platform#

A primeira etapa é importar os dados para a plataforma. Você pode carregar imagens, vídeos ou arquivos compactados de conjuntos de dados, como ZIP, TAR ou GZ. Há suporte a formatos comuns de conjuntos de dados, como YOLO e COCO, para que você possa importar conjuntos existentes sem etapas adicionais.

Você também pode começar mais rápido usando conjuntos de dados compartilhados pela comunidade. É possível explorá-los e cloná-los para seu espaço de trabalho, aproveitando dados existentes em vez de começar do zero. Depois de clonados, eles podem ser atualizados e ampliados para seu caso de uso específico.

Se estiver trabalhando em vários experimentos, você poderá reutilizar conjuntos de dados importando-os como arquivos NDJSON, facilitando a reprodução ou o compartilhamento sem conversões adicionais.

Depois que os dados são carregados, a plataforma os prepara automaticamente. Ela verifica os formatos dos arquivos, processa as anotações, redimensiona as imagens se necessário e gera estatísticas básicas do conjunto de dados. Os vídeos são divididos em quadros para que possam ser usados no treinamento, e as imagens são otimizadas para facilitar a navegação e a análise.

Anotação de dados com a Ultralytics Platform#

Quando os dados estiverem prontos, a próxima etapa é a anotação de dados. É nesse momento que os defeitos são rotulados para que o modelo aprenda o que detectar. A Ultralytics Platform inclui um editor de anotações integrado que oferece suporte a tarefas como detecção de objetos, segmentação de instâncias, classificação de imagens, estimativa de pose e detecção de caixas delimitadoras orientadas.

Você pode rotular os dados manualmente usando ferramentas como caixas delimitadoras, polígonos ou pontos-chave, dependendo do seu caso de uso. Para agilizar o trabalho, a plataforma também oferece rotulagem assistida por IA.

Por exemplo, a anotação inteligente baseada em SAM permite rotular objetos com cliques simples. Ao selecionar regiões para incluir ou excluir, o sistema gera uma máscara em tempo real, que pode ser ajustada se necessário.

Fig. 3. Anotação inteligente com tecnologia SAM na Ultralytics Platform (Fonte)

Além disso, a anotação inteligente baseada em YOLO pode gerar rótulos automaticamente usando as previsões do modelo. Esses rótulos podem ser revisados e refinados, facilitando o trabalho com grandes conjuntos de dados sem precisar rotular tudo manualmente.

O editor de anotações também inclui recursos como gerenciamento de classes, edição de anotações, atalhos de teclado e opções para desfazer ou refazer ações. Esses recursos facilitam manter a consistência e revisar as anotações à medida que seu conjunto de dados cresce.

Enquanto você rotula os dados, a plataforma fornece informações como a distribuição de classes e a contagem de anotações. Isso ajuda a identificar lacunas, corrigir inconsistências e melhorar a qualidade do conjunto de dados antes de iniciar o treinamento.

Treinamento do YOLO26 para detecção de defeitos na Ultralytics Platform#

A próxima etapa é treinar um modelo para detectar defeitos automaticamente usando os dados rotulados. A Ultralytics Platform oferece suporte ao treinamento com modelos Ultralytics YOLO, incluindo o YOLO26, que pode ser usado em tarefas como detecção de objetos, segmentação de instâncias e classificação de imagens.

O treinamento é gerenciado em um painel unificado, onde você pode configurar, executar e monitorar tarefas de treinamento em um só lugar. Para começar, você pode selecionar um conjunto de dados, incluindo um que tenha carregado, anotado na plataforma, obtido entre os conjuntos de dados públicos disponíveis na plataforma ou clonado da comunidade.

Depois de selecionado, o conjunto de dados é vinculado automaticamente à execução de treinamento, facilitando o acompanhamento de experimentos e a manutenção da consistência.

Em seguida, você pode configurar parâmetros de treinamento, como o número de épocas, o tamanho do lote, o tamanho da imagem e a taxa de aprendizado. Essas configurações controlam como o modelo aprende e afetam diretamente tanto o tempo de treinamento quanto o desempenho.

Execução e monitoramento do treinamento#

Em seguida, você pode escolher como executar o treinamento. A plataforma oferece suporte ao treinamento na nuvem em GPUs gerenciadas, ao treinamento local usando seu próprio hardware e a fluxos de trabalho pelo navegador em ambientes como o Google Colab.

Ao usar o treinamento na nuvem, você pode escolher entre várias opções de GPU, como RTX 2000 Ada e RTX A4500 para experimentos menores, RTX 4090 ou RTX A6000 para cargas de trabalho mais exigentes e opções de alto desempenho, como A100 ou H100, para treinamento em grande escala.

Quando o treinamento começa, você pode acompanhar o progresso diretamente na plataforma. O painel oferece visibilidade em tempo real de métricas importantes, como curvas de perda e métricas de desempenho, além do uso do sistema e dos registros de treinamento. Assim, fica fácil entender como o modelo está aprendendo e identificar possíveis problemas logo no início.

Fig. 4. Você pode monitorar facilmente o progresso do treinamento usando a Ultralytics Platform (Fonte)

À medida que você executa vários experimentos, a plataforma mantém as configurações, os conjuntos de dados e os resultados organizados em um só lugar. Assim, fica fácil comparar diferentes execuções de treinamento, avaliar o desempenho usando métricas como precisão, revocação e mAP, e selecionar o modelo com melhor desempenho para implantação.

Implantação de um modelo de visão por meio da Ultralytics Platform#

Após o treinamento, a próxima etapa é validar o desempenho do modelo treinado em dados novos e ainda não vistos antes de implantá-lo. A Ultralytics Platform inclui uma guia Predict integrada que permite testar modelos diretamente no navegador, sem nenhuma configuração.

Você pode carregar imagens, usar dados de exemplo ou capturar entradas por meio de uma webcam, e os resultados aparecem instantaneamente com sobreposições visuais e pontuações de confiança. Assim, você pode verificar rapidamente o desempenho do modelo e identificar problemas antes de integrá-lo a sistemas do mundo real.

Depois que o modelo for validado, ele poderá ser implantado usando diferentes opções, de acordo com seu caso de uso. Veja mais de perto as opções de implantação de modelos compatíveis com a Ultralytics Platform:

• Inferência compartilhada: Esta opção permite acessar o modelo por meio de uma REST API, facilitando a integração com aplicativos ou fluxos de trabalho. Ela é executada em um sistema multi-inquilino distribuído por algumas regiões principais, no qual as solicitações são encaminhadas automaticamente para o serviço disponível mais próximo. Essa opção é adequada para desenvolvimento, testes e usos mais leves antes da migração para produção.
• Endpoints dedicados: Para uso em produção, os modelos podem ser implantados como endpoints dedicados, com recursos computacionais próprios. Eles são executados como serviços de inquilino único em 43 regiões globais, ajudando a reduzir a latência ao implantar os serviços mais perto dos usuários finais. Também oferecem suporte a escalonamento automático e redução a zero, permitindo que os recursos se ajustem automaticamente com base no tráfego.
• Exportação de modelos: Os modelos podem ser exportados e executados fora da plataforma, em sistemas locais ou dispositivos de borda. A plataforma oferece suporte a 17 formatos, incluindo ONNX, TensorRT, OpenVINO, CoreML e TensorFlow Lite. As opções de exportação também oferecem suporte a otimizações como quantização FP16 e INT8 para reduzir o tamanho do modelo e melhorar a velocidade de inferência em diferentes ambientes de hardware.

Monitoramento de modelos implantados usando a Ultralytics Platform#

O ciclo de vida de uma solução de processamento de imagens ou visão computacional não termina com a implantação do modelo. Isso também se aplica aos sistemas de inspeção visual. Depois que um modelo entra em produção, é preciso monitorá-lo continuamente para garantir que tenha um desempenho confiável à medida que as condições mudam.

A Ultralytics Platform oferece um painel de monitoramento integrado que mostra claramente o desempenho dos modelos implantados. Em uma única interface, você pode acompanhar a atividade das solicitações, consultar registros e verificar o estado de integridade de cada implantação. Você pode entender como os modelos estão sendo usados e como se comportam ao longo do tempo.

O painel inclui métricas importantes, como o total de solicitações, as taxas de erro e a latência, ajudando você a avaliar o desempenho e a capacidade de resposta. Essas métricas são atualizadas regularmente e oferecem informações sobre os padrões de uso e a confiabilidade do sistema.

Um mapa-múndi integrado mostra a distribuição das solicitações e implantações entre as regiões. Com suporte para implantações em vários locais do mundo, essa visualização ajuda a acompanhar geograficamente o uso e a entender o desempenho dos modelos em diferentes ambientes.

Fig. 5. Monitoramento de modelos implantados na Ultralytics Platform (Fonte)

Para uma análise mais aprofundada, cada implantação inclui registros detalhados com marcações de tempo, detalhes das solicitações e mensagens de erro. É possível filtrar os registros por gravidade, facilitando a depuração de problemas e a identificação rápida de falhas. Além disso, as verificações de integridade fornecem indicadores de estado em tempo real, mostrando se uma implantação está funcionando conforme o esperado ou precisa de atenção.

O monitoramento também desempenha um papel importante na otimização. O desempenho pode variar conforme mudam os dados de entrada, o tráfego ou os padrões de uso. Ao acompanhar métricas e registros, você pode identificar problemas como latência elevada, aumento das taxas de erro ou limitações de escalabilidade e tomar medidas para manter um desempenho consistente.

Benefícios de usar a Ultralytics Platform para criar soluções de visão computacional#

Veja algumas das principais vantagens de usar a Ultralytics Platform para criar e expandir sistemas de inspeção visual:

• Otimizada para uso no mundo real: Recursos como endpoints com escalonamento automático, implantação na borda e exportação de modelos garantem que o sistema funcione de forma confiável em ambientes de produção.
• Ciclos de desenvolvimento mais rápidos: Ferramentas integradas e configurações padrão ajudam a transformar dados brutos em um sistema funcional com mais eficiência.
• Facilidade de uso: Interfaces intuitivas, fluxos de trabalho simplificados e requisitos mínimos de configuração tornam a plataforma acessível tanto para iniciantes quanto para usuários experientes.
• Menos trabalho manual: Recursos como anotação assistida por IA e processamento automatizado de dados reduzem o tempo gasto em tarefas repetitivas.
• Escalável ao longo do tempo: À medida que os requisitos mudam, o sistema pode ser atualizado com a adição de novos dados e o retreinamento dos modelos, permitindo a adaptação a novos tipos de defeitos, condições e configurações com várias câmeras.

Principais conclusões#

Criar um sistema de inspeção visual baseado em câmeras não precisa ser complexo nem exigir conhecimento aprofundado de IA. Com a Ultralytics Platform, você pode transformar dados brutos em um sistema funcional e monitorar o desempenho dele, tudo em um só lugar. Isso simplifica a criação, o aprimoramento e a operação de sistemas de inspeção em situações do mundo real.

Junte-se à nossa comunidade e explore nosso repositório no GitHub para saber mais sobre IA para visão computacional. Confira nossas opções de licenciamento para dar início aos seus projetos de visão computacional. Tem interesse em inovações como IA na manufatura ou visão computacional no setor automotivo? Acesse nossas páginas de soluções para saber mais.