Descubra como criar um sistema de inspeção visual baseado em câmara sem conhecimentos especializados em IA, utilizando a Ultralytics , desde a rotulagem até à implementação.
Todos os produtos que utilizamos, sejam eles um telemóvel, um artigo embalado ou uma peça de automóvel, passam por algum tipo de controlo de qualidade antes de chegarem até nós, os consumidores finais. Tradicionalmente, isto tem sido feito através de verificações manuais ou de sistemas simples baseados em regras. Embora estes métodos funcionem, são frequentemente lentos, inconsistentes e difíceis de escalar à medida que a produção aumenta.
Para melhorar o processo de controlo de qualidade, muitas indústrias estão a recorrer à visão computacional, um ramo da inteligência artificial que ajuda as máquinas a compreender imagens e vídeos. Por exemplo, modelos de IA de visão como Ultralytics podem ajudar detect, classify e localizar defeitos com um elevado nível de precisão.
Em ambientes de produção reais, estes modelos podem ser utilizados para analisar imagens captadas diretamente a partir de linhas de montagem de alta velocidade. À medida que os produtos passam por diferentes fases, as câmaras industriais track e o sistema verifica se existem problemas como riscos, peças em falta ou desalinhamentos. Isto torna a deteção de defeitos mais rápida e consistente, ao mesmo tempo que permite uma inspeção de alto rendimento.
No passado, a criação destes sistemas exigia várias ferramentas e um elevado nível de conhecimentos técnicos, o que tornava o processo complexo e moroso. Ultralytics , a nossa nova solução integral para visão computacional, simplifica este processo, reunindo num único local a preparação de dados, a anotação, o treino de modelos e a implementação.
Neste artigo, vamos explorar como pode utilizar Ultralytics para criar sistemas práticos de inspeção visual baseados em câmaras, sem necessidade de conhecimentos aprofundados em IA. Vamos começar!
Antes de nos debruçarmos sobre a forma como Ultralytics facilita a criação de sistemas de inspeção, vamos dar um passo atrás e compreender o papel da visão computacional na inspeção de qualidade.
A inspeção é uma parte essencial do processo de fabrico que garante que os produtos cumprem as normas de qualidade e não apresentam defeitos. No entanto, os resultados podem variar, especialmente durante turnos longos ou na produção em grande escala.
Para tornar a inspeção mais fiável, muitas indústrias recorrem à visão computacional, também conhecida como visão artificial, para analisar imagens da linha de produção e identificar defeitos. Estes sistemas utilizam a aprendizagem profunda, em que modelos e algoritmos aprendem padrões a partir de grandes conjuntos de imagens rotuladas de alta qualidade.
Durante o treino do modelo, são-lhe apresentados exemplos tanto de produtos normais como de diferentes tipos de defeitos. Com o tempo, o modelo aprende a reconhecer esses padrões por si próprio. Uma vez treinado, o modelo pode inspecionar grandes volumes de produtos e aplicar os mesmos critérios de forma consistente, melhorando a precisão.
As aplicações de visão artificial são possibilitadas por modelos de visão computacional, como YOLO Ultralytics , capazes de suportar diferentes tipos de tarefas de visão. Segue-se uma visão geral de como estas tarefas de IA de visão são utilizadas em fluxos de trabalho de inspeção automatizada:
A visão computacional é amplamente utilizada em diversos setores para garantir a qualidade dos produtos, cumprir as normas e reduzir a necessidade de inspeção manual. Desempenha funções essenciais, tais como a deteção de defeitos, a classificação, o reconhecimento de objetos, a medição e a deteção de anomalias.
Eis alguns exemplos de casos de utilização reais em que é aplicado:
Imagine uma linha de produção em que os produtos passam por diferentes fases, enquanto câmaras captam imagens continuamente para fins de inspeção. Estas imagens são utilizadas para verificar se existem defeitos, tais como riscos, peças em falta ou desalinhamentos.
Até agora, a criação e gestão desses sistemas de inspeção exigia várias ferramentas e um bom nível de conhecimentos técnicos.
Na verdade, na Ultralytics, temos recebido feedback consistente da comunidade de IA para a visão sobre o quão fragmentado e demorado este processo pode ser, com pontos de estrangulamento comuns que incluem ferramentas dispersas, configuração complexa do ambiente, fluxos de trabalho ineficientes de rotulagem de dados, atrasos no treino de modelos e desafios na implementação. Este feedback desempenhou um papel fundamental na conceção da Ultralytics .
Com a Ultralytics , todo o processo de desenvolvimento e implementação pode ser gerido num único local. Os dados brutos podem ser carregados e anotados para criar conjuntos de dados de treino, que são depois utilizados para treinar modelos destinados detect . Uma vez treinados, estes modelos podem ser implementados para analisar novas imagens da linha de produção, com ferramentas integradas para monitorizar o desempenho ao longo do tempo.
Além de reunir todo o fluxo de trabalho num único local, Ultralytics foi concebida para ser fácil de utilizar. Mesmo os utilizadores com pouca experiência em aprendizagem automática podem passar rapidamente da conceção à produção.
Agora que vimos como a Ultralytics integra todo o fluxo de trabalho, vamos explicar como utilizá-la em cada fase do pipeline de IA de visão, começando pelo carregamento de dados e pela identificação de defeitos.
O primeiro passo consiste em importar dados para a plataforma. É possível carregar imagens, vídeos ou arquivos de conjuntos de dados, como ficheiros ZIP, TAR ou GZ. COCO suportados formatos comuns de conjuntos de dados, como YOLO COCO , pelo que os conjuntos de dados existentes podem ser importados sem passos adicionais.
Também pode começar mais rapidamente utilizando conjuntos de dados partilhados pela comunidade. Estes conjuntos de dados podem ser explorados e clonados para o seu espaço de trabalho, permitindo-lhe basear-se em dados existentes em vez de começar do zero. Depois de clonados, podem ser atualizados e ampliados para o seu caso de utilização específico.
Se estiver a trabalhar em várias experiências, os conjuntos de dados podem ser reutilizados importando-os como ficheiros NDJSON, o que facilita a sua recriação ou partilha sem necessidade de conversão adicional.
Após o carregamento dos dados, a plataforma processa-os automaticamente. Verifica os formatos dos ficheiros, processa as anotações, redimensiona as imagens, se necessário, e gera estatísticas básicas do conjunto de dados. Os vídeos são divididos em fotogramas para que possam ser utilizados para treino, e as imagens são otimizadas para facilitar a navegação e a análise.
Assim que os dados estiverem prontos, o passo seguinte é a anotação dos dados. É nesta fase que os defeitos são identificados, para que o modelo possa aprender o que deve detect. Ultralytics inclui um editor de anotação integrado que suporta tarefas como deteção de objetos, segmentação de instâncias, classificação de imagens, estimativa de poses e deteção de caixas delimitadoras orientadas.
Pode rotular os dados manualmente utilizando ferramentas como caixas delimitadoras, polígonos ou pontos-chave, dependendo do seu caso de utilização. Para agilizar o processo, a plataforma também oferece rotulagem assistida por IA.
Por exemplo, a anotação inteligente SAM permite-lhe identificar objetos com simples cliques. Ao selecionar as áreas a incluir ou a excluir, o sistema gera uma máscara em tempo real, que pode ser ajustada, se necessário.
Além disso, a anotação inteligente YOLO permite gerar rótulos automaticamente a partir das previsões do modelo. Estes podem ser revistos e aperfeiçoados, facilitando o trabalho com grandes conjuntos de dados sem a necessidade de rotular tudo manualmente.
O editor de anotações inclui também funcionalidades como gestão de classes, edição de anotações, atalhos de teclado e opções para desfazer ou refazer. Estas funcionalidades facilitam a manutenção da consistência e a revisão das anotações à medida que o conjunto de dados cresce.
À medida que vai rotulando os dados, a plataforma fornece informações como a distribuição por classes e o número de anotações. Isto ajuda a identificar lacunas, corrigir inconsistências e melhorar a qualidade do conjunto de dados antes de avançar para a fase de treino.
O próximo passo consiste em treinar um modelo para detect automaticamente detect utilizando os dados rotulados. A Ultralytics suporta o treino comYOLO Ultralytics YOLO , incluindo o YOLO26, que pode ser utilizado para tarefas como a deteção de objetos, a segmentação de instâncias e a classificação de imagens.
A formação é gerida através de um painel unificado, onde é possível configurar, executar e monitorizar tarefas de formação num único local. Para começar, pode selecionar um conjunto de dados, incluindo um que tenha carregado, anotado na plataforma, obtido a partir de conjuntos de dados públicos disponíveis na plataforma ou clonado da comunidade.
Depois de selecionado, o conjunto de dados é automaticamente associado à execução de treino, facilitando o track e a manutenção da consistência.
Em seguida, pode configurar parâmetros de treino, tais como o número de épocas, o tamanho do lote, o tamanho da imagem e a taxa de aprendizagem. Estas definições controlam a forma como o modelo aprende e têm um impacto direto tanto no tempo de treino como no desempenho.
Pode então escolher como realizar o treino. A plataforma suporta o treino na nuvem em GPUs geridas, o treino local utilizando o seu próprio hardware e fluxos de trabalho baseados no navegador através de ambientes como Google .
Ao utilizar o treino na nuvem, pode escolher entre uma variedade de GPU , tais como a RTX 2000 Ada e a RTX A4500 para experiências de menor dimensão, a RTX 4090 ou a RTX A6000 para cargas de trabalho mais exigentes e opções de alto desempenho, como a A100 ou a H100, para treino em grande escala.
Quando o treino começa, é possível acompanhar o progresso diretamente na plataforma. O painel de controlo oferece uma visão em tempo real de métricas essenciais, tais como curvas de perda e métricas de desempenho, bem como do uso do sistema e dos registos de treino. Isto facilita a compreensão de como o modelo está a aprender e permite identificar potenciais problemas numa fase inicial.
À medida que realiza várias experiências, a plataforma mantém track configurações, track conjuntos de dados e track resultados num único local. Isto facilita a comparação entre diferentes sessões de treino, a avaliação do desempenho através de métricas como precisão, recall e mAP, e a seleção do modelo com melhor desempenho para implementação.
Após o treino, o passo seguinte consiste em validar o desempenho do modelo treinado em dados novos e nunca antes vistos, antes de avançar para a implementação. Ultralytics inclui um separador «Predict» integrado que permite testar modelos diretamente no navegador, sem necessidade de qualquer configuração.
Pode carregar imagens, utilizar dados de exemplo ou capturar entradas através de uma webcam, e os resultados aparecem instantaneamente com sobreposições visuais e pontuações de confiança. Isto significa que pode verificar rapidamente o desempenho do modelo e identificar quaisquer problemas antes de o integrar em sistemas reais.
Depois de o modelo ter sido validado, pode ser implementado através de diferentes opções, dependendo do seu caso de utilização. Aqui fica uma análise mais detalhada das opções de implementação de modelos suportadas pela Ultralytics :
O ciclo de vida de uma solução de processamento de imagens ou de visão computacional não termina com a implementação do modelo. O mesmo se aplica aos sistemas de inspeção visual. Assim que um modelo estiver em funcionamento em produção, é necessário monitorizá-lo continuamente para garantir que funciona de forma fiável à medida que as condições mudam.
Ultralytics disponibiliza um painel de monitorização integrado que oferece uma visão clara do desempenho dos modelos implementados. A partir de uma única interface, é possível track a atividade track , visualizar registos e verificar o estado de integridade de cada implementação. É possível compreender como os modelos estão a ser utilizados e como se comportam ao longo do tempo.
O painel inclui métricas essenciais, tais como o total de pedidos, as taxas de erro e a latência, ajudando-o a avaliar o desempenho e a capacidade de resposta. Estas métricas são atualizadas regularmente e fornecem informações sobre os padrões de utilização e a fiabilidade do sistema.
Um mapa mundial integrado mostra a distribuição das solicitações e implementações pelas regiões. Com suporte para implementações em vários locais globais, esta visualização ajuda track geograficamente e a compreender o desempenho dos modelos em diferentes ambientes.
Para uma análise mais aprofundada, cada implementação inclui registos detalhados com marcas temporais, detalhes das solicitações e mensagens de erro. Os registos podem ser filtrados 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 implementação está a funcionar conforme o esperado ou se requer atenção.
A monitorização também desempenha um papel importante na otimização. À medida que os dados de entrada, o tráfego ou os padrões de utilização mudam, o desempenho pode variar. Ao acompanhar métricas e registos, é possível identificar problemas como latência elevada, aumento das taxas de erro ou limitações de escalabilidade e tomar medidas para manter um desempenho consistente.
Eis algumas das principais vantagens de utilizar a Ultralytics para criar e expandir sistemas de inspeção visual:
A criação de um sistema de inspeção visual baseado em câmaras não tem de ser complexa nem exigir conhecimentos aprofundados em IA. Com a Ultralytics , pode passar dos dados brutos para um sistema funcional e monitorizar o seu desempenho, tudo num único local. Isto simplifica a forma como os sistemas de inspeção são criados, melhorados e operados em ambientes reais.
Junte-se à nossa comunidade e explore o nosso repositório no GitHub para saber mais sobre a Vision AI. Consulte as nossas opções de licenciamento para dar início aos seus projetos de visão computacional. Está interessado em inovações como a IA na indústria transformadora ou a visão computacional na indústria automóvel? Visite as nossas páginas de soluções para descobrir mais.
Comece sua jornada com o futuro do aprendizado de máquina
