Создай систему визуального контроля на основе камер без экспертных знаний в области ИИ

Перед тем как попасть к нам, конечным потребителям, каждый продукт — будь то телефон, упакованный товар или автомобильная деталь — проходит ту или иную форму контроля качества. Традиционно для этого использовались ручные проверки или простые системы на основе правил. Эти методы работают, но по мере роста производства часто оказываются медленными, непоследовательными и плохо масштабируются.

Чтобы улучшить процесс контроля качества, многие отрасли переходят на компьютерное зрение — область искусственного интеллекта, которая помогает машинам понимать изображения и видео. Например, модели визуального ИИ, такие как Ultralytics YOLO26, помогают обнаруживать, классифицировать и локализовать дефекты с высокой точностью.

В реальных производственных условиях эти модели можно использовать для анализа изображений, снятых непосредственно на высокоскоростных сборочных линиях. По мере прохождения изделий через разные этапы промышленные камеры отслеживают их, а система проверяет наличие царапин, недостающих деталей и перекосов. Это ускоряет и повышает стабильность обнаружения дефектов, обеспечивая высокую производительность контроля.

Раньше для создания таких систем требовалось несколько инструментов и глубокие технические знания, поэтому процесс был сложным и занимал много времени. Ultralytics Platform — наше новое комплексное решение для компьютерного зрения — упрощает эту работу, объединяя подготовку данных, разметку, обучение моделей и развёртывание в одном месте.

В этой статье мы рассмотрим, как использовать Ultralytics Platform для создания практических систем визуального контроля на основе камер без глубоких знаний в области ИИ. Начнём!

Роль компьютерного зрения в контроле качества#

Прежде чем перейти к тому, как Ultralytics Platform упрощает создание систем контроля, давай разберёмся, какую роль компьютерное зрение играет в проверке качества.

Контроль — важная часть производственного процесса: он гарантирует, что продукция соответствует стандартам качества и не имеет дефектов. Однако результаты могут различаться, особенно при длительных сменах или больших объёмах производства.

Чтобы сделать контроль надёжнее, многие отрасли используют компьютерное зрение, также известное как машинное зрение, для анализа изображений с производственной линии и выявления дефектов. Такие системы используют глубокое обучение, при котором модели и алгоритмы изучают закономерности на больших наборах качественных размеченных изображений.

Во время обучения модели показывают примеры как нормальных изделий, так и изделий с различными дефектами. Со временем она учится самостоятельно распознавать эти закономерности. После обучения модель может проверять большие объёмы продукции по единым критериям, повышая точность контроля.

Распространённые задачи компьютерного зрения для контроля качества#

Применение машинного зрения стало возможным благодаря моделям компьютерного зрения, таким как модели Ultralytics YOLO, которые поддерживают разные задачи компьютерного зрения. Вот обзор того, как такие задачи визуального ИИ используются в автоматизированных процессах контроля:

• Классификация изображений: эта задача присваивает всему изображению одну метку, например «хорошее» или «бракованное». Она позволяет в целом оценить качество изделия, не указывая расположение дефектов.
• Обнаружение объектов: эта задача помогает находить дефекты на изображении и локализовать их с помощью ограничивающих рамок. Так можно обнаруживать и находить такие проблемы, как трещины, царапины или отсутствующие компоненты.
• Сегментация экземпляров: эта задача идёт дальше обнаружения объектов и предсказывает маски дефектов на уровне пикселей. Это позволяет точно анализировать форму, размер и границы дефектов.
• Отслеживание объектов: при отслеживании изделий на нескольких кадрах система следит за ними по мере движения по производственной линии. Это обеспечивает стабильность контроля и помогает не пропустить дефекты.
• Обнаружение объектов с ориентированными ограничивающими рамками (OBB): эта задача обнаруживает объекты с помощью повёрнутых ограничивающих рамок, а не рамок, выровненных по осям. Она особенно полезна, когда дефекты или компоненты расположены под разными углами, и позволяет точнее их локализовать.

Примеры применения контроля качества в разных отраслях#

Компьютерное зрение широко применяется в разных отраслях для поддержания качества продукции, соответствия стандартам и сокращения потребности в ручном контроле. Оно выполняет такие ключевые задачи, как обнаружение дефектов, классификация, распознавание объектов, измерение и обнаружение аномалий.

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

Вот несколько примеров применения в реальных условиях:

• Производство: обнаружение дефектов поверхности помогает находить царапины, вмятины, трещины и изменение цвета: изображения изделий на производственной линии анализируются для выявления дефектов прямо в процессе производства. Система также может в реальном времени обнаруживать недостающие детали и ошибки сборки, обеспечивая непрерывный контроль.
• Автомобилестроение: системы компьютерного зрения анализируют детали двигателя и кузовные панели, чтобы проверять правильность расположения компонентов и обнаруживать повреждения. Они особенно полезны при проверке деталей сложной формы и труднодоступных участков, часто работая совместно с роботизированными системами для точного позиционирования и автоматизированного контроля.
• Электроника и полупроводники: эти системы обнаруживают мелкие дефекты в компонентах, например печатных платах (PCBs), включая проблемы с пайкой, микротрещины и повреждённые цепи. Благодаря анализу изображений высокого разрешения можно находить даже очень мелкие дефекты, которые часто остаются незамеченными при ручном контроле.
• Упаковка и логистика: системы визуального контроля сканируют штрихкоды, считывают этикетки и проверяют качество упаковки. Они гарантируют, что продукция правильно упакована, запечатана и готова к отправке, снижая число ошибок.
• Продукты питания и напитки: системы контроля на основе камер или датчиков визуального контроля анализируют внешний вид продукции и выявляют такие проблемы, как неправильная герметизация, риск загрязнения, неверная маркировка или визуальные несоответствия, помогая поддерживать качество и безопасность.
• Фармацевтика: компьютерное зрение используют для проверки таблеток, флаконов и упаковки на наличие таких дефектов, как трещины, загрязнения, неверная маркировка или несоответствие уровня наполнения. Это помогает соблюдать строгие нормативные требования и обеспечивать безопасность продукции.

Оптимизация процессов визуального контроля с помощью Ultralytics Platform#

Представь производственную линию, где изделия проходят разные этапы, а камеры непрерывно снимают их для проверки. Эти изображения используют для поиска таких дефектов, как царапины, недостающие детали или перекосы.

До сих пор для создания таких систем контроля и управления ими требовалось несколько инструментов и немалые технические знания.

В Ultralytics мы регулярно получали отзывы от сообщества визуального ИИ о том, насколько разрозненным и трудоёмким может быть этот процесс. Среди распространённых узких мест — разрозненные инструменты, сложная настройка среды, неэффективные процессы разметки данных, задержки при обучении моделей и трудности с развёртыванием. Эти отзывы сыграли ключевую роль в создании Ultralytics Platform.

Рис. 2. Обзор Ultralytics Platform (Источник)

С Ultralytics Platform весь процесс разработки и развёртывания можно выполнять в одном месте. Необработанные данные можно загрузить и разметить, чтобы создать обучающие наборы данных, а затем использовать их для обучения моделей обнаружению дефектов. После обучения модели можно развернуть для анализа новых изображений с производственной линии, а встроенные инструменты помогут отслеживать их производительность со временем.

Ultralytics Platform объединяет весь рабочий процесс в одном месте и при этом проста в использовании. Даже пользователи с ограниченным опытом в машинном обучении могут быстро перейти от идеи к производству.

Разметка дефектов на изображениях с помощью Ultralytics Platform#

Теперь, когда мы увидели, как Ultralytics Platform объединяет рабочий процесс, давай разберём, как использовать платформу на каждом этапе конвейера визуального ИИ, начиная с загрузки данных и разметки дефектов.

Управление набором данных для контроля на Ultralytics Platform#

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

Ты также можешь быстрее начать работу с наборами данных, которыми поделилось сообщество. Их можно изучать и клонировать в своё рабочее пространство, чтобы использовать уже имеющиеся данные вместо создания набора с нуля. После клонирования наборы данных можно обновлять и расширять под свои конкретные задачи.

Если ты проводишь разные эксперименты, наборы данных можно использовать повторно, импортируя их в виде файлов NDJSON. Так их проще воссоздавать или передавать другим без дополнительного преобразования.

После загрузки данных платформа автоматически подготавливает их. Она проверяет форматы файлов, обрабатывает аннотации, при необходимости меняет размер изображений и формирует базовую статистику по набору данных. Видео разбиваются на кадры для обучения, а изображения оптимизируются для более удобного просмотра и анализа.

Разметка данных с помощью Ultralytics Platform#

Когда данные готовы, следующий шаг — разметка данных. На этом этапе дефекты размечаются, чтобы модель научилась их обнаруживать. В Ultralytics Platform есть встроенный редактор разметки, поддерживающий такие задачи, как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка позы и обнаружение объектов с ориентированными ограничивающими рамками.

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

Например, интеллектуальная разметка на основе SAM позволяет размечать объекты простыми щелчками мыши. Выбирая области, которые нужно включить или исключить, ты получаешь маску в реальном времени и при необходимости можешь её скорректировать.

Рис. 3. Интеллектуальная разметка на основе SAM в Ultralytics Platform (Источник)

Кроме того, интеллектуальная разметка на основе YOLO может автоматически создавать метки по предсказаниям модели. Их можно проверять и уточнять, упрощая работу с большими наборами данных без необходимости размечать всё вручную.

В редакторе разметки также есть управление классами, редактирование аннотаций, сочетания клавиш и функции отмены и повтора действий. Благодаря этому проще поддерживать единообразие и проверять аннотации по мере роста набора данных.

Во время разметки платформа показывает такую информацию, как распределение классов и количество аннотаций. Это помогает выявлять пробелы, устранять несоответствия и улучшать качество набора данных перед началом обучения.

Обучение YOLO26 для обнаружения дефектов на Ultralytics Platform#

Следующий шаг — обучить модель автоматически обнаруживать дефекты по размеченным данным. Ultralytics Platform поддерживает обучение моделей Ultralytics YOLO, включая YOLO26, для таких задач, как обнаружение объектов, сегментация экземпляров и классификация изображений.

Обучение организовано через единую панель управления, где можно настраивать, запускать и отслеживать задания на обучение. Для начала выбери набор данных: загруженный тобой, размеченный на платформе, взятый из общедоступных наборов данных на платформе или клонированный из сообщества.

После выбора набор данных автоматически связывается с запуском обучения, поэтому проще отслеживать эксперименты и поддерживать единообразие.

Затем можно настроить параметры обучения, например количество эпох, размер пакета, размер изображения и скорость обучения. Эти параметры определяют, как будет обучаться модель, и напрямую влияют как на время обучения, так и на производительность.

Запуск и отслеживание обучения#

Затем выбери, как запускать обучение. Платформа поддерживает обучение в облаке на управляемых GPU, локальное обучение на собственном оборудовании и работу в браузере через такие среды, как Google Colab.

При обучении в облаке ты можешь выбрать один из нескольких вариантов GPU: например, RTX 2000 Ada и RTX A4500 для небольших экспериментов, RTX 4090 или RTX A6000 для более ресурсоёмких задач, а также высокопроизводительные варианты, такие как A100 или H100, для обучения на больших масштабах.

После начала обучения за его ходом можно следить прямо на платформе. На панели управления в реальном времени отображаются ключевые показатели, например кривые потерь и метрики производительности, а также использование системных ресурсов и журналы обучения. Благодаря этому легко понять, как обучается модель, и заранее выявить возможные проблемы.

Рис. 4. На Ultralytics Platform удобно следить за ходом обучения (Источник)

По мере запуска экспериментов платформа хранит конфигурации, наборы данных и результаты в одном месте. Благодаря этому легко сравнивать запуски обучения, оценивать производительность по таким метрикам, как точность, полнота и mAP, и выбирать модель с лучшими показателями для развёртывания.

Развёртывание модели компьютерного зрения через Ultralytics Platform#

После обучения перед развёртыванием нужно проверить, как обученная модель работает на новых данных, которых она раньше не видела. На Ultralytics Platform есть встроенная вкладка Predict, позволяющая тестировать модели прямо в браузере без дополнительной настройки.

Ты можешь загружать изображения, использовать примеры данных или получать изображения с веб-камеры. Результаты сразу отображаются с визуальными наложениями и оценками уверенности. Так ты можешь быстро проверить работу модели и выявить возможные проблемы до её интеграции в реальные системы.

После проверки модель можно развернуть одним из нескольких способов в зависимости от твоего сценария использования. Рассмотрим подробнее варианты развёртывания моделей, поддерживаемые Ultralytics Platform:

• Общий инференс: этот вариант позволяет обращаться к модели через REST API, упрощая интеграцию в приложения и рабочие процессы. Он работает в многопользовательской системе в нескольких основных регионах, где запросы автоматически направляются к ближайшему доступному сервису. Это хороший вариант для разработки, тестирования и умеренной нагрузки перед переходом в промышленную эксплуатацию.
• Выделенные конечные точки: для промышленной эксплуатации модели можно развернуть в виде выделенных конечных точек с собственными вычислительными ресурсами. Они работают как однопользовательские сервисы в 43 регионах мира, что позволяет снизить задержку за счёт размещения ближе к конечным пользователям. Также поддерживаются автомасштабирование и масштабирование до нуля: ресурсы автоматически подстраиваются под трафик.
• Экспорт моделей: модели можно экспортировать и запускать вне платформы — на локальных системах или периферийных устройствах. Платформа поддерживает 17 форматов, включая ONNX, TensorRT, OpenVINO, CoreML и TensorFlow Lite. При экспорте также доступны такие оптимизации, как квантование FP16 и INT8, которые позволяют уменьшить размер модели и повысить скорость инференса на различном оборудовании.

Мониторинг развёрнутых моделей с помощью Ultralytics Platform#

Жизненный цикл решения для обработки изображений или компьютерного зрения не заканчивается развёртыванием модели. То же относится и к системам визуального контроля. После запуска модели в промышленной эксплуатации необходимо постоянно отслеживать её работу, чтобы убедиться в её надёжности при изменении условий.

На Ultralytics Platform есть встроенная панель мониторинга, которая наглядно показывает, как работают развёрнутые модели. В одном интерфейсе ты можешь отслеживать активность запросов, просматривать журналы и проверять состояние каждой развёрнутой модели. Так ты поймёшь, как используются модели и как меняется их поведение со временем.

На панели управления отображаются ключевые метрики, включая общее количество запросов, частоту ошибок и задержку, — они помогают оценить производительность и скорость отклика. Метрики регулярно обновляются и дают представление как о характере использования, так и о надёжности системы.

На встроенной карте мира показано, как запросы и развёрнутые модели распределены по регионам. Поддержка развёртывания в разных точках мира позволяет отслеживать географию использования и понимать, как модели работают в разных условиях.

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

Для более глубокого анализа каждая развёрнутая модель сопровождается подробными журналами с отметками времени, сведениями о запросах и сообщениями об ошибках. Журналы можно фильтровать по уровню критичности — так проще отлаживать проблемы и быстро выявлять сбои. Кроме того, проверки работоспособности показывают состояние в реальном времени и позволяют понять, работает ли развёрнутая модель как ожидается или требует внимания.

Мониторинг также играет важную роль в оптимизации. При изменении входных данных, трафика или характера использования производительность может меняться. Отслеживая метрики и журналы, ты можешь выявлять такие проблемы, как высокая задержка, рост частоты ошибок или ограничения масштабирования, и принимать меры для поддержания стабильной работы.

Преимущества Ultralytics Platform для создания решений компьютерного зрения#

Вот некоторые ключевые преимущества Ultralytics Platform при создании и масштабировании систем визуального контроля:

• Оптимизация для реальных условий: такие возможности, как автомасштабирование конечных точек, развёртывание на периферийных устройствах и экспорт моделей, обеспечивают надёжную работу системы в промышленной среде.
• Более короткие циклы разработки: встроенные инструменты и настройки по умолчанию помогают быстрее преобразовать исходные данные в работающую систему.
• Простота использования: интуитивно понятный интерфейс, оптимизированные рабочие процессы и минимальные требования к настройке делают платформу доступной как новичкам, так и опытным пользователям.
• Меньше ручной работы: такие возможности, как аннотирование с помощью ИИ и автоматизированная обработка данных, сокращают время на выполнение повторяющихся задач.
• Масштабирование со временем: по мере изменения требований систему можно обновлять, добавляя новые данные и переобучая модели. Это позволяет адаптироваться к новым типам дефектов, условиям и конфигурациям с несколькими камерами.

Главные выводы#

Создание системы визуального контроля на основе камер не обязательно должно быть сложным или требовать глубоких знаний в области ИИ. С Ultralytics Platform ты можешь в одном месте пройти путь от исходных данных до работающей системы и отслеживать её производительность. Это упрощает создание, улучшение и эксплуатацию систем контроля в реальных условиях.

Присоединяйся к нашему сообществу и изучи репозиторий на GitHub, чтобы узнать больше об ИИ в компьютерном зрении. Ознакомься с вариантами лицензирования, чтобы начать работу над проектами в области компьютерного зрения. Интересуешься такими инновациями, как ИИ в производстве или компьютерное зрение в автомобильной отрасли? Посети страницы наших решений, чтобы узнать больше.