Узнайте, как создать систему визуального контроля на базе камеры без специальных знаний в области искусственного интеллекта с помощью Ultralytics — от маркировки до внедрения.
Каждый продукт, которым мы пользуемся — будь то телефон, товар в упаковке или автозапчасть — проходит ту или иную проверку качества, прежде чем попадает к нам, конечным потребителям. Традиционно это делалось с помощью ручной проверки или простых систем, основанных на наборе правил. Хотя эти методы и работают, они зачастую являются медленными, нестабильными и их сложно масштабировать по мере роста объемов производства.
В целях совершенствования процесса контроля качества многие отрасли промышленности обращаются к компьютерному зрению — области искусственного интеллекта, которая помогает машинам распознавать изображения и видео. Например, модели искусственного интеллекта для компьютерного зрения, такие как Ultralytics , позволяют с высокой точностью detect, classify и локализовать дефекты.
В реальных производственных условиях эти модели можно использовать для анализа изображений, полученных непосредственно с высокоскоростных сборочных линий. По мере прохождения продукции по различным этапам производственного цикла промышленные камеры track , а система проверяет наличие таких проблем, как царапины, отсутствующие детали или несоосность. Это позволяет ускорить и повысить стабильность обнаружения дефектов, обеспечивая при этом высокую пропускную способность линии контроля.
Раньше для создания таких систем требовались многочисленные инструменты и глубокие технические знания, что делало этот процесс сложным и трудоемким. Ultralytics — наше новое комплексное решение для компьютерного зрения — упрощает эту задачу, объединяя в одном месте подготовку данных, аннотирование, обучение моделей и их развертывание.
В этой статье мы рассмотрим, как с помощью Ultralytics создавать практичные системы визуального контроля на базе камер, не обладая глубокими знаниями в области искусственного интеллекта. Приступим!
Прежде чем мы углубимся в то, как Ultralytics упрощает создание систем контроля качества, давайте сделаем шаг назад и разберемся, какую роль играет компьютерное зрение в контроле качества.
Контроль качества является ключевым этапом производственного процесса, который гарантирует соответствие продукции стандартам качества и отсутствие дефектов. Однако результаты могут варьироваться, особенно во время длительных смен или при массовом производстве.
Чтобы повысить надежность контроля, во многих отраслях промышленности используют компьютерное зрение, также известное как машинное зрение, для анализа изображений с производственной линии и выявления дефектов. Эти системы используют глубокое обучение, при котором модели и алгоритмы изучают закономерности на основе обширных наборов высококачественных меченых изображений.
В процессе обучения модели ей демонстрируются образцы как исправной продукции, так и различных видов брака. Со временем она самостоятельно учится распознавать эти закономерности. После обучения модель может проверять большие партии продукции и последовательно применять одни и те же критерии, что повышает точность результатов.
Реализация приложений машинного зрения становится возможной благодаря моделям компьютерного зрения, таким как YOLO Ultralytics , которые способны решать различные задачи машинного зрения. Ниже приводится обзор того, как эти задачи искусственного интеллекта в области машинного зрения используются в автоматизированных процессах контроля:
Компьютерное зрение широко применяется во многих отраслях для обеспечения качества продукции, соблюдения стандартов и сокращения необходимости ручного контроля. Оно выполняет такие ключевые функции, как обнаружение дефектов, классификация, распознавание объектов, измерение и выявление аномалий.
Вот несколько примеров реальных сценариев использования, в которых она применяется:
Представьте себе производственную линию, на которой продукция проходит через различные этапы, а камеры непрерывно снимают изображения для контроля качества. Эти изображения используются для выявления дефектов, таких как царапины, отсутствующие детали или несоосность.
До сих пор для создания и управления такими системами контроля требовалось использовать множество инструментов и обладать значительным техническим опытом.
На самом деле, в Ultralytics мы постоянно получаем отзывы от сообщества специалистов по искусственному интеллекту в области компьютерного зрения о том, насколько разрозненным и трудоемким может быть этот процесс. Среди наиболее распространенных проблем — разрозненность инструментов, сложная настройка среды, неэффективные рабочие процессы маркировки данных, задержки при обучении моделей и сложности при развертывании. Эти отзывы сыграли ключевую роль в формировании Ultralytics .
С помощью Ultralytics весь процесс разработки и внедрения можно осуществлять в одном месте. Исходные данные можно загружать и аннотировать для создания обучающих наборов данных, которые затем используются для обучения моделей detect . После обучения эти модели можно внедрить для анализа новых изображений с производственной линии, при этом встроенные инструменты позволяют отслеживать их эффективность на протяжении времени.
Помимо объединения всего рабочего процесса в одном месте, Ultralytics отличается простотой в использовании. Даже пользователи с ограниченным опытом в области машинного обучения могут быстро пройти путь от идеи до внедрения в производство.
Теперь, когда мы рассмотрели, как Ultralytics объединяет рабочий процесс, давайте разберемся, как ее использовать на каждом этапе конвейера обработки изображений с помощью искусственного интеллекта, начиная с загрузки данных и маркировки дефектов.
Первый шаг — загрузка данных на платформу. Вы можете загружать изображения, видео или архивы наборов данных, такие как файлы ZIP, TAR или GZ. COCO распространенные форматы наборов данных, такие как YOLO COCO , поэтому существующие наборы данных можно импортировать без дополнительных действий.
Вы также можете быстрее приступить к работе, воспользовавшись наборами данных, предоставленными сообществом. Эти наборы данных можно изучить и скопировать в свою рабочую область, что позволит вам опираться на имеющиеся данные, а не начинать с нуля. После копирования их можно обновлять и расширять с учетом ваших конкретных задач.
Если вы проводите различные эксперименты, наборы данных можно повторно использовать, импортировав их в формате NDJSON, что упрощает их воссоздание или обмен без дополнительного преобразования.
После загрузки данных платформа автоматически обрабатывает их. Она проверяет форматы файлов, обрабатывает аннотации, при необходимости изменяет размер изображений и формирует базовую статистику набора данных. Видеоролики разбиваются на кадры для использования в обучении, а изображения оптимизируются для удобства просмотра и анализа.
Как только данные будут готовы, следующим шагом станет их аннотирование. На этом этапе дефекты маркируются, чтобы модель могла научиться их detect. Ultralytics включает в себя встроенный редактор аннотаций, который поддерживает такие задачи, как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы и обнаружение ориентированных ограничительных рамок.
Вы можете маркировать данные вручную с помощью таких инструментов, как ограничительные прямоугольники, многоугольники или ключевые точки, в зависимости от конкретной задачи. Для ускорения процесса платформа также предлагает маркировку с помощью искусственного интеллекта.
Например, интеллектуальная аннотация SAM позволяет маркировать объекты простыми щелчками мыши. При выборе областей, которые необходимо включить или исключить, система в режиме реального времени генерирует маску, которую при необходимости можно скорректировать.
Кроме того, интеллектуальная аннотация YOLO позволяет автоматически генерировать метки с помощью прогнозов модели. Эти метки можно проверять и корректировать, что упрощает работу с большими наборами данных, избавляя от необходимости вручную маркировать каждый элемент.
Редактор аннотаций также включает такие функции, как управление классами, редактирование аннотаций, горячие клавиши и возможности отмены или повтора действий. Все это помогает сохранять единообразие и удобно просматривать аннотации по мере роста объема набора данных.
По мере того как вы маркируете данные, платформа предоставляет аналитическую информацию, такую как распределение по классам и количество аннотаций. Это помогает выявить пробелы, устранить несоответствия и повысить качество набора данных перед тем, как приступить к обучению.
Следующим шагом является обучение модели автоматическому detect с использованием помеченных данных. Ultralytics поддерживает обучение с помощьюYOLO Ultralytics YOLO , в том числе YOLO26, которые можно использовать для таких задач, как обнаружение объектов, сегментация экземпляров и классификация изображений.
Управление обучением осуществляется через единую панель управления, где вы можете настраивать, запускать и отслеживать задания обучения в одном месте. Для начала вы можете выбрать набор данных: загруженный вами, аннотированный на платформе, взятый из общедоступных наборов данных, доступных на платформе, или клонированный из сообщества.
После выбора набор данных автоматически привязывается к циклу обучения, что упрощает track и обеспечивает согласованность результатов.
Далее вы можете настроить параметры обучения, такие как количество эпох, размер партии, размер изображения и скорость обучения. Эти настройки определяют процесс обучения модели и напрямую влияют как на время обучения, так и на его эффективность.
Затем вы можете выбрать способ проведения обучения. Платформа поддерживает облачное обучение на управляемых графических процессорах, локальное обучение с использованием собственного оборудования, а также браузерные рабочие процессы в таких средах, как Google .
При использовании облачного обучения вы можете выбирать из целого ряда GPU : например, RTX 2000 Ada и RTX A4500 для небольших экспериментов, RTX 4090 или RTX A6000 для более ресурсоемких задач, а также высокопроизводительные модели, такие как A100 или H100, для масштабного обучения.
После начала обучения ход процесса можно отслеживать непосредственно на платформе. Панель мониторинга обеспечивает доступ к ключевым показателям в режиме реального времени, таким как кривые потерь и показатели эффективности, а также к данным об использовании системы и журналам обучения. Это позволяет легко понять, как происходит обучение модели, и своевременно выявлять потенциальные проблемы.
По мере проведения нескольких экспериментов платформа track конфигурации, наборы данных и результаты в одном месте. Это позволяет легко сравнивать различные циклы обучения, оценивать эффективность с помощью таких показателей, как точность, коэффициент вызова и mAP, а также выбирать наиболее эффективную модель для развертывания.
После обучения следующим шагом является проверка эффективности обученной модели на новых, ранее не виденных данных, прежде чем приступить к развертыванию. Ultralytics включает встроенную вкладку «Predict», которая позволяет тестировать модели прямо в браузере без какой-либо настройки.
Вы можете загружать изображения, использовать примерные данные или вводить данные через веб-камеру, а результаты отображаются мгновенно с визуальными наложениями и показателями достоверности. Это означает, что вы можете быстро проверить эффективность модели и выявить любые проблемы до её интеграции в реальные системы.
После валидации модель можно развернуть с использованием различных вариантов в зависимости от конкретного сценария применения. Ниже подробнее рассмотрены варианты развертывания моделей, поддерживаемые Ultralytics :
Жизненный цикл решения для обработки изображений или компьютерного зрения не заканчивается на развертывании модели. Это касается и систем визуального контроля. После того как модель запущена в производственной среде, её необходимо постоянно контролировать, чтобы убедиться в её надёжной работе при изменении условий.
Ultralytics предоставляет встроенную панель мониторинга, которая дает четкое представление о производительности развернутых моделей. Через единый интерфейс вы можете track активность track , просматривать журналы и проверять состояние каждого развертывания. Вы сможете понять, как используются модели и как они ведут себя с течением времени.
Панель мониторинга содержит ключевые показатели, такие как общее количество запросов, частота ошибок и задержка, что помогает оценить производительность и скорость отклика. Эти показатели регулярно обновляются и дают представление как о моделях использования, так и о надежности системы.
Встроенная карта мира показывает распределение запросов и развертываний по регионам. Благодаря поддержке развертываний в нескольких глобальных локациях этот вид помогает track в географическом разрезе и понимать, как модели работают в разных средах.
Для более глубокого анализа каждое развертывание сопровождается подробными журналами, содержащими отметки времени, сведения о запросах и сообщения об ошибках. Журналы можно фильтровать по уровню серьезности, что упрощает отладку и позволяет быстро выявлять сбои. Кроме того, проверки работоспособности предоставляют индикаторы состояния в режиме реального времени, показывающие, работает ли развертывание должным образом или требует внимания.
Мониторинг также играет важную роль в процессе оптимизации. По мере изменения входных данных, трафика или моделей использования производительность может колебаться. Отслеживая показатели и журналы, вы можете выявлять такие проблемы, как высокая задержка, рост частоты ошибок или ограничения масштабируемости, и принимать меры для поддержания стабильной производительности.
Вот некоторые из основных преимуществ использования Ultralytics для создания и масштабирования систем визуального контроля:
Создание системы визуального контроля на базе камер не обязательно должно быть сложным процессом и не требует глубоких знаний в области искусственного интеллекта. С помощью Ultralytics вы можете в одном месте пройти весь путь от необработанных данных до готовой к работе системы и отслеживать её производительность. Это оптимизирует процесс создания, совершенствования и эксплуатации систем контроля в реальных условиях.
Присоединяйтесь к нашему сообществу и ознакомьтесь с нашим репозиторием на GitHub, чтобы узнать больше о Vision AI. Ознакомьтесь с нашими вариантами лицензирования, чтобы приступить к реализации ваших проектов в области компьютерного зрения. Интересуют вас такие инновации, как ИИ в производстве или компьютерное зрение в автомобильной промышленности? Посетите страницы с нашими решениями, чтобы узнать больше.
Начните свой путь в будущее машинного обучения
