Создай систему визуального контроля на базе камер без навыков в ИИ

Каждый продукт, который мы используем — будь то телефон, упакованный товар или деталь автомобиля — проходит ту или иную форму контроля качества, прежде чем попасть к нам, конечному потребителю. Традиционно это делалось с помощью ручных проверок или простых систем на основе правил. Хотя эти методы работают, они часто медленны, несогласованны и их трудно масштабировать по мере роста производства.

Чтобы улучшить процесс контроля качества, многие отрасли обращаются к компьютерному зрению — разделу искусственного интеллекта, который помогает машинам понимать изображения и видео. Например, модели компьютерного зрения, такие как Ultralytics YOLO26, могут помочь обнаруживать, классифицировать и находить дефекты с высоким уровнем точности.

В реальных производственных условиях эти модели можно использовать для анализа изображений, полученных непосредственно с высокоскоростных сборочных линий. По мере того как продукты проходят через различные этапы, промышленные камеры отслеживают их, а система проверяет наличие проблем, таких как царапины, отсутствие деталей или несоосность. Это делает обнаружение дефектов более быстрым и последовательным, поддерживая при этом высокопроизводительный контроль.

В прошлом создание таких систем требовало множества инструментов и глубоких технических знаний, что делало процесс сложным и трудоемким. Ultralytics Platform, наше новое комплексное решение для компьютерного зрения, упрощает эту задачу, объединяя подготовку данных, разметку, обучение моделей и их развертывание в одном месте.

В этой статье мы рассмотрим, как ты можешь использовать Ultralytics Platform для создания практичных систем визуального контроля на базе камер без необходимости глубоких знаний в ИИ. Давай начнем!

Link to this sectionРоль компьютерного зрения в контроле качества#

Прежде чем мы углубимся в то, как Ultralytics Platform облегчает создание систем контроля, давай сделаем шаг назад и разберемся в роли компьютерного зрения в инспекции качества.

Контроль — это ключевая часть производственного процесса, гарантирующая, что продукция соответствует стандартам качества и не имеет дефектов. Однако результаты могут варьироваться, особенно во время долгих смен или крупносерийного производства.

Чтобы сделать контроль более надежным, многие отрасли используют компьютерное зрение, также известное как машинное зрение, для анализа изображений с производственной линии и выявления дефектов. Эти системы используют глубокое обучение, где модели и алгоритмы изучают закономерности на основе больших наборов высококачественных размеченных изображений.

Во время обучения модели показывают примеры как нормальных продуктов, так и различных типов дефектов. Со временем она учится распознавать эти паттерны самостоятельно. После обучения модель может инспектировать большие объемы продукции и последовательно применять одни и те же критерии, повышая точность.

Link to this sectionРаспространенные задачи компьютерного зрения, используемые в контроле качества#

Приложения машинного зрения работают на базе моделей компьютерного зрения, таких как модели Ultralytics YOLO, которые могут поддерживать различные типы задач зрения. Вот обзор того, как эти ИИ-задачи используются в автоматизированных процессах контроля:

• Классификация изображений: Эта задача используется для присвоения одной метки всему изображению, например «хороший» или «дефектный». Она дает общую оценку качества продукта без указания расположения дефектов.
• Обнаружение объектов: Помогает выявлять дефекты на изображении и локализовать их с помощью ограничивающих рамок (bbox). Это позволяет обнаруживать и определять местоположение таких проблем, как трещины, царапины или отсутствие компонентов.
• Сегментация экземпляров: Шаг вперед по сравнению с обнаружением объектов, прогнозирующий маски на уровне пикселей для каждого обнаруженного дефекта. Это позволяет точно анализировать форму, размер и границы дефектов.
• Отслеживание объектов: При отслеживании продуктов через несколько кадров система следит за ними по мере их движения по производственной линии. Это поддерживает последовательность и гарантирует, что дефекты не будут пропущены.
• Детекция с ориентированными ограничивающими рамками (OBB): Эта задача обнаруживает объекты с использованием повернутых ограничивающих рамок вместо выровненных по осям. Она особенно полезна, когда дефекты или компоненты расположены под разными углами, что обеспечивает более точную локализацию.

Link to this sectionВзгляд на применение контроля качества в различных отраслях#

Компьютерное зрение широко используется в промышленности для поддержания качества продукции, соблюдения стандартов и снижения потребности в ручном контроле. Оно выполняет ключевые функции, такие как обнаружение дефектов, классификация, распознавание объектов, измерение и обнаружение аномалий.

Рис 1. Пример обнаружения и отслеживания продуктов с помощью систем машинного зрения (Источник)

Вот несколько примеров реальных сценариев использования:

• Производство: Обнаружение дефектов поверхности используется для выявления таких проблем, как царапины, вмятины, трещины и изменение цвета путем анализа изображений продуктов на производственной линии для потокового контроля. Она также может обнаруживать отсутствующие детали или ошибки сборки в реальном времени, обеспечивая непрерывный контроль.
• Автомобилестроение: Системы компьютерного зрения анализируют детали двигателя и панели кузова, чтобы проверить соосность и обнаружить повреждения. Они особенно эффективны для контроля сложных форм и труднодоступных зон, часто работая в связке с роботизированными системами для точного позиционирования и автоматизированного осмотра.
• Электроника и полупроводники: Эти системы обнаруживают мелкие дефекты в компонентах, таких как печатные платы (PCB), включая проблемы с пайкой, микротрещины и поврежденные цепи. Благодаря анализу изображений высокого разрешения можно обнаружить даже очень мелкие дефекты, которые часто пропускаются при ручном осмотре.
• Упаковка и логистика: Визуальные системы выполняют сканирование штрих-кодов, читают этикетки продуктов и проверяют качество упаковки. Они обеспечивают правильную упаковку, герметичность и готовность продуктов к отправке, уменьшая количество ошибок.
• Продукты питания и напитки: Системы контроля на базе камер или датчиков зрения анализируют внешний вид продукта для выявления проблем, таких как ненадлежащая герметизация, риск загрязнения, неправильная маркировка или визуальные несоответствия, помогая поддерживать качество и безопасность.
• Фармацевтика: Компьютерное зрение используется для проверки таблеток, флаконов и упаковки на наличие дефектов, таких как трещины, загрязнения, неправильная маркировка или несоответствие уровня наполнения, обеспечивая соблюдение строгих нормативных стандартов и безопасность продукции.

Link to this sectionОптимизация рабочих процессов визуального контроля с помощью Ultralytics Platform#

Представь производственную линию, где продукты перемещаются через различные этапы, а камеры постоянно делают снимки для контроля. Эти изображения используются для проверки на наличие дефектов, таких как царапины, отсутствие деталей или несоосность.

До сих пор создание таких систем контроля и управление ими требовали множества инструментов и значительного количества технических знаний.

Фактически, в Ultralytics мы постоянно получаем отзывы от сообщества ИИ в сфере компьютерного зрения о том, насколько разрозненным и трудоемким может быть этот процесс, с общими узкими местами, включая разрозненные инструменты, сложную настройку среды, неэффективные рабочие процессы разметки данных, задержки в обучении моделей и сложности с развертыванием. Этот отзыв сыграл ключевую роль в формировании Ultralytics Platform.

Рис 2. Краткий обзор Ultralytics Platform (Источник)

С Ultralytics Platform весь процесс разработки и развертывания можно выполнить в одном месте. Необработанные данные можно загрузить и разметить для создания обучающих наборов данных, которые затем используются для обучения моделей обнаружению дефектов. После обучения эти модели можно развернуть для анализа новых изображений с производственной линии, используя встроенные инструменты для мониторинга производительности в течение долгого времени.

Помимо объединения всего рабочего процесса в одном месте, Ultralytics Platform разработана так, чтобы быть простой в использовании. Даже пользователи с ограниченным опытом в машинном обучении могут быстро пройти путь от идеи до производства.

Link to this sectionИспользование Ultralytics Platform для разметки дефектов на изображениях#

Теперь, когда ты увидел, как Ultralytics Platform объединяет рабочий процесс, давай пройдемся по тому, как использовать её на каждом этапе конвейера компьютерного зрения, начиная с загрузки данных и разметки дефектов.

Link to this sectionУправление наборами данных для контроля на Ultralytics Platform#

Первый шаг — добавление данных на платформу. Ты можешь загружать изображения, видео или архивы наборов данных, такие как ZIP, TAR или GZ-файлы. Поддерживаются распространенные форматы наборов данных, такие как YOLO и COCO, поэтому существующие наборы можно импортировать без дополнительных действий.

Ты также можешь быстрее начать работу, используя наборы данных, которыми поделилось сообщество. Их можно исследовать и клонировать в свою рабочую область, что позволит тебе опираться на существующие данные, а не начинать с нуля. После клонирования их можно обновлять и дополнять для своих конкретных задач.

Если ты работаешь над различными экспериментами, наборы данных можно повторно использовать путем импорта в виде NDJSON-файлов, что упрощает их создание или обмен ими без дополнительного преобразования.

После загрузки данных платформа подготавливает их автоматически. Она проверяет форматы файлов, обрабатывает разметку, при необходимости изменяет размер изображений и генерирует базовую статистику набора данных. Видео разбиваются на кадры для обучения, а изображения оптимизируются для удобства просмотра и анализа.

Link to this sectionРазметка данных на Ultralytics Platform#

Как только данные готовы, следующим шагом является разметка данных. Именно здесь размечаются дефекты, чтобы модель могла понять, что именно нужно обнаружить. Ultralytics Platform включает встроенный редактор разметки, который поддерживает такие задачи, как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы и детекция с ориентированными ограничивающими рамками.

Ты можешь размечать данные вручную с помощью инструментов, таких как ограничивающие рамки, полигоны или ключевые точки, в зависимости от твоей задачи. Чтобы ускорить процесс, платформа также предлагает разметку с помощью ИИ.

Например, умная разметка на базе SAM позволяет выделять объекты простыми кликами. Выбирая области для включения или исключения, система генерирует маску в реальном времени, которую затем можно скорректировать при необходимости.

Рис 3. Умная разметка на базе SAM внутри Ultralytics Platform (Источник)

Кроме того, умная разметка на базе YOLO может генерировать метки автоматически с помощью предсказаний модели. Их можно просматривать и дорабатывать, что упрощает работу с большими наборами данных, избавляя от необходимости размечать всё вручную.

Редактор разметки также включает функции, такие как управление классами, редактирование разметки, сочетания клавиш, а также опции отмены и повтора действий. Это помогает поддерживать последовательность и проверять разметку по мере роста твоего набора данных.

По мере разметки данных платформа предоставляет аналитику, такую как распределение по классам и количество разметок. Это помогает выявлять пробелы, исправлять несоответствия и улучшать качество набора данных перед переходом к обучению.

Link to this sectionОбучение YOLO26 для обнаружения дефектов на Ultralytics Platform#

Следующим шагом является обучение модели для автоматического обнаружения дефектов с использованием размеченных данных. Ultralytics Platform поддерживает обучение с использованием моделей Ultralytics YOLO, включая YOLO26, которые можно использовать для задач обнаружения объектов, сегментации экземпляров и классификации изображений.

Обучение управляется через единую панель, где ты можешь настраивать, запускать и контролировать задачи обучения в одном месте. Для начала работы ты можешь выбрать набор данных, включая тот, который ты загрузил, разметил на платформе, взял из публичных данных, доступных на платформе, или клонировал из сообщества.

После выбора набор данных автоматически привязывается к запуску обучения, что облегчает отслеживание экспериментов и поддержание последовательности.

Затем ты можешь настроить параметры обучения, такие как количество эпох, размер пакета (batch size), размер изображения и скорость обучения (learning rate). Эти настройки определяют, как обучается модель, и напрямую влияют как на время обучения, так и на производительность.

Link to this sectionЗапуск и мониторинг обучения#

Затем ты можешь выбрать способ обучения. Платформа поддерживает облачное обучение на управляемых GPU, локальное обучение с использованием твоего оборудования, а также рабочие процессы в браузере через такие среды, как Google Colab.

При использовании облачного обучения ты можешь выбирать из ряда вариантов GPU, таких как RTX 2000 Ada и RTX A4500 для небольших экспериментов, RTX 4090 или RTX A6000 для более требовательных задач, и высокопроизводительных опций вроде A100 или H100 для масштабного обучения.

Когда обучение начинается, его прогресс можно контролировать непосредственно на платформе. Панель управления обеспечивает видимость основных метрик, таких как кривые потерь и показатели производительности, в реальном времени, а также использование системы и логи обучения. Это позволяет легко понять, как учится модель, и заблаговременно выявить потенциальные проблемы.

Рис 4. Ты можешь легко контролировать прогресс обучения с помощью Ultralytics Platform (Источник)

При запуске нескольких экспериментов платформа сохраняет конфигурации, наборы данных и результаты в одном месте. Это позволяет сравнивать различные запуски обучения, оценивать производительность с помощью метрик, таких как precision, recall и mAP, и выбирать наиболее эффективную модель для развертывания.

Link to this sectionРазвертывание модели зрения через Ultralytics Platform#

После обучения следующим шагом является проверка того, как обученная модель работает на новых, ранее не виденных данных перед переходом к развертыванию. Ultralytics Platform включает встроенную вкладку Predict, которая позволяет тестировать модели прямо в браузере без какой-либо настройки.

Ты можешь загружать изображения, использовать демонстрационные данные или захватывать входные данные с веб-камеры, а результаты будут появляться мгновенно с визуальными наложениями и показателями уверенности. Это значит, что ты можешь быстро проверить производительность модели и выявить любые проблемы перед интеграцией в реальные системы.

Как только модель проверена, её можно развернуть, используя различные варианты в зависимости от твоей задачи. Вот подробный обзор вариантов развертывания моделей, поддерживаемых Ultralytics Platform:

• Общий инференс: Этот вариант позволяет получать доступ к модели через REST API, что упрощает интеграцию в приложения или рабочие процессы. Он работает на мультиарендной системе в нескольких основных регионах, где запросы автоматически направляются к ближайшему доступному сервису. Это хороший вариант для разработки, тестирования и менее интенсивного использования перед переходом к производству.
• Выделенные конечные точки: Для использования в производстве модели могут быть развернуты как выделенные конечные точки с собственными вычислительными ресурсами. Они работают как одноарендные сервисы в 43 глобальных регионах, помогая уменьшить задержку за счет приближения к конечным пользователям. Они также поддерживают автоматическое масштабирование и масштабирование до нуля, позволяя ресурсам автоматически подстраиваться под трафик.
• Экспорт модели: Модели можно экспортировать и запускать вне платформы на локальных системах или устройствах edge. Платформа поддерживает 17 форматов, включая ONNX, TensorRT, OpenVINO, CoreML и TensorFlow Lite. Варианты экспорта также поддерживают оптимизации, такие как квантование FP16 и INT8, для уменьшения размера модели и повышения скорости инференса для различных аппаратных сред.

Link to this sectionМониторинг развернутых моделей с помощью Ultralytics Platform#

Жизненный цикл решения для обработки изображений или компьютерного зрения не заканчивается на развертывании модели. Это справедливо и для систем визуального контроля. Как только модель запущена в производстве, её нужно постоянно отслеживать, чтобы убедиться в надежности работы при изменении условий.

Ultralytics Platform предоставляет встроенную панель мониторинга, которая дает четкое представление о том, как работают развернутые модели. Из одного интерфейса ты можешь отслеживать активность запросов, просматривать логи и проверять статус работоспособности каждого развертывания. Ты можешь понимать, как используются модели и как они ведут себя со временем.

Панель включает ключевые метрики, такие как общее количество запросов, уровни ошибок и задержка, помогая тебе оценивать производительность и отзывчивость. Эти метрики регулярно обновляются и дают представление как о паттернах использования, так и о надежности системы.

Встроенная карта мира показывает, как запросы и развертывания распределены по регионам. Благодаря поддержке развертываний в различных глобальных локациях, этот вид помогает отслеживать использование географически и понимать, как модели работают в разных условиях.

Рис 5. Мониторинг развернутых моделей на Ultralytics Platform (Источник)

Для более глубокого анализа каждое развертывание включает подробные логи с временными метками, деталями запросов и сообщениями об ошибках. Логи можно фильтровать по степени важности, что упрощает отладку проблем и быстрое выявление сбоев. Кроме того, проверки работоспособности предоставляют индикаторы состояния в реальном времени, показывая, работает ли развертывание как ожидается или требует внимания.

Мониторинг также играет важную роль в оптимизации. По мере изменения входных данных, трафика или паттернов использования производительность может варьироваться. Отслеживая метрики и логи, ты можешь выявлять проблемы, такие как высокая задержка, увеличение частоты ошибок или ограничения масштабирования, и принимать меры для поддержания стабильной производительности.

Link to this sectionПреимущества использования Ultralytics Platform для создания решений технического зрения#

Вот некоторые из ключевых преимуществ использования Ultralytics Platform для создания и масштабирования систем визуального контроля:

• Оптимизация для реальных условий: Такие функции, как конечные точки с автомасштабированием, развертывание на edge и экспорт моделей, гарантируют надежную работу системы в производственных условиях.
• Более быстрые циклы разработки: Встроенные инструменты и конфигурации по умолчанию помогают быстрее и эффективнее переходить от необработанных данных к работающей системе.
• Простота использования: Интуитивно понятные интерфейсы, оптимизированные рабочие процессы и минимальные требования к настройке делают платформу доступной как для новичков, так и для опытных пользователей.
• Меньше ручной работы: Такие функции, как разметка с помощью ИИ и автоматизированная обработка данных, сокращают время, затрачиваемое на повторяющиеся задачи.
• Масштабируемость: По мере изменения требований систему можно обновлять путем добавления новых данных и дообучения моделей, что позволяет адаптироваться к новым типам дефектов, условиям и многокамерным конфигурациям.

Link to this sectionОсновные выводы#

Создание системы визуального контроля на базе камер не обязательно должно быть сложным или требовать глубоких знаний в ИИ. С помощью Ultralytics Platform ты можешь пройти путь от необработанных данных до работающей системы и контролировать её производительность в одном месте. Это оптимизирует процесс создания, улучшения и работы систем контроля в реальных условиях.

Присоединяйся к нашему сообществу и изучи наш репозиторий на GitHub, чтобы узнать больше об ИИ в компьютерном зрении. Ознакомься с нашими вариантами лицензирования, чтобы начать свои проекты в области компьютерного зрения. Интересуешься инновациями, такими как ИИ в производстве или компьютерное зрение в автомобильной промышленности? Посети наши страницы решений, чтобы узнать больше.