Создай систему визуальной инспекции на базе камер без глубоких знаний в ИИ

Каждый используемый нами продукт, 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, неточны и их трудно масштабировать по мере роста производства.

Чтобы улучшить процесс контроля качества, многие отрасли переходят на компьютерное зрение — область искусственного интеллекта, которая помогает машинам понимать изображения и видео. Например, модели компьютерного зрения, такие как Ultralytics YOLO26, могут помочь обнаружить, классифицировать и локализовать 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 несоответствие расположения. Это делает обнаружение дефектов быстрее и стабильнее, поддерживая при этом высокую пропускную способность контроля.

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

В этой статье мы рассмотрим, как ты можешь использовать Ultralytics Platform для создания практичных систем визуального контроля на базе камер, не обладая глубокими знаниями в области 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 контроле качества.

Контроль — это ключевая часть производственного процесса, гарантирующая, что продукция соответствует стандартам качества и не имеет дефектов. Однако результаты могут варьироваться, особенно во время длительных смен или при больших объемах 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, при котором модели и алгоритмы изучают закономерности на больших наборах высококачественных размеченных изображений.

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

Link to this sectionОбщие задачи компьютерного зрения, используемые при контроле качества#

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

• Классификация изображений: Эта задача используется для присвоения единой метки всему изображению, например «годен» или «брак». Она обеспечивает общую оценку качества продукта, не указывая местоположение 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; она предсказывает маски на уровне пикселей для каждого обнаруженного дефекта. Это поддерживает точный анализ формы, размера и границ дефектов.
• Отслеживание объектов: При отслеживании продуктов через несколько кадров система следит за товарами по мере их перемещения по производственной линии. Это поддерживает последовательность и гарантирует, что дефекты не будут пропущены.
• Обнаружение ориентированных ограничивающих рамок (OBB): Эта задача обнаруживает объекты, используя повернутые рамки вместо выровненных по осям. Это особенно полезно, когда дефекты или компоненты расположены под разными углами, что позволяет более точно их локализовать.

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

Компьютерное зрение широко используется в различных отраслях для поддержания качества продукции, соблюдения стандартов и снижения необходимости в ручном контроле. Оно выполняет такие ключевые функции, 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 поверхностных дефектов используется для выявления таких проблем, как царапины, вмятины, трещины и обесцвечивание путем анализа изображений продуктов на производственной линии для потокового контроля. Система также может обнаруживать отсутствие деталей или ошибки сборки в режиме реального времени, поддерживая непрерывный контроль.
• Автомобилестроение: Системы компьютерного зрения анализируют детали двигателей и кузовные панели для проверки центровки и обнаружения повреждений. Они особенно эффективны при осмотре сложных форм и труднодоступных областей, часто работая в связке с робототехническими системами для точного позиционирования и автоматизированного контроля.
• 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 контроле.
• Упаковка и логистика: Визуальные системы выполняют сканирование штрихкодов, чтение этикеток продуктов и проверку качества упаковки. Они гарантируют, что продукты правильно упакованы, запечатаны и готовы к отправке, что снижает количество ошибок.
• Продукты питания и напитки: Системы контроля, оснащенные видеокамерами или датчиками зрения, анализируют внешний вид продукта для выявления таких проблем, как неправильная герметизация, риск загрязнения, неверная маркировка или визуальные несоответствия, помогая поддерживать качество и безопасность.
• Фармацевтика: Компьютерное зрение используется для контроля таблеток, флаконов и упаковки на наличие таких дефектов, как трещины, загрязнения, неверная маркировка или несоответствие уровня наполнения, обеспечивая соответствие строгим нормативным стандартам и безопасность продукции.

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

Представь производственную линию, где продукты проходят через разные этапы, пока камеры непрерывно захватывают изображения для контроля. Эти изображения используются для проверки на наличие дефектов, таких как царапины, отсутствующие детали или несоответствие расположения.

До сих пор создание и управление такими системами контроля требовало использования множества инструментов и значительного технического опыта.

На самом деле, в Ultralytics мы постоянно получаем отзывы от сообщества экспертов по ИИ о том, насколько фрагментированным и трудоемким может быть этот процесс, с типичными узкими местами, такими как разрозненный инструментарий, сложная настройка 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. Исходные данные можно загружать и размечать 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 с течением времени.

Помимо объединения всего рабочего процесса в одном месте, Ultralytics Platform разработана так, чтобы быть удобной 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 мы увидели, как Ultralytics Platform объединяет рабочий процесс, давай пройдемся по тому, как использовать ее на каждом этапе конвейера компьютерного зрения, начиная с загрузки данных и разметки дефектов.

Link to this sectionУправление наборами данных контроля на Ultralytics Platform#

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

Ты также можешь быстрее начать работу, используя наборы данных, которыми поделилось сообщество. Эти наборы данных можно изучать и клонировать в свою рабочую область, что позволит строить работу на базе готовых данных, а не начинать с нуля. После клонирования их можно обновлять и расширять под свои конкретные нужды.

Если ты проводишь различные эксперименты, наборы данных можно повторно использовать, импортируя их как NDJSON файлы, что упрощает их создание или распространение без дополнительной конвертации.

После загрузки данных платформа подготавливает их автоматически. Она проверяет форматы файлов, обрабатывает аннотации, изменяет размер изображений при необходимости и создает базовую статистику набора данных. Видео разбиваются на кадры, чтобы их можно было использовать для обучения, а изображения оптимизируются для более удобного просмотра и анализа.

Link to this sectionРазметка данных на базе Ultralytics Platform#

Как только данные готовы, следующий шаг — это разметка данных. Именно здесь размечаются дефекты, чтобы модель могла научиться их определять. Ultralytics Platform включает встроенный редактор аннотаций, который поддерживает такие задачи, как обнаружение объектов, сегментация экземпляров, классификация изображений, оценка поз и обнаружение ориентированных ограничивающих рамок.

Ты можешь размечать данные вручную, используя инструменты вроде ограничивающих рамок, полигонов или ключевых точек, в зависимости от твоей задачи. Чтобы ускорить процесс, платформа также предлагает разметку с помощью ИИ.

Например, умная разметка на основе SAM позволяет размечать объекты простыми кликами. Выбирая области для включения или исключения, система генерирует маску в режиме реального времени, которую затем можно при необходимости подкорректировать.

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

Кроме того, умная разметка на основе YOLO может автоматически генерировать метки, используя предсказания модели. Их можно проверить и уточнить, что облегчает работу с большими наборами данных без необходимости размечать все вручную.

Редактор аннотаций также включает функции, такие как управление классами, редактирование аннотаций, сочетания клавиш, а также опции отмены и повтора действий. Это облегчает поддержание согласованности и проверку аннотаций по мере роста твоего набора данных.

По мере того как ты размечаешь данные, платформа предоставляет аналитику, такую как распределение классов и количество аннотаций. Это помогает выявить пробелы, исправить несоответствия и улучшить качество набора данных перед переходом к обучению.

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

Следующий шаг — обучить модель для автоматического обнаружения дефектов, используя размеченные данные. Ultralytics Platform поддерживает обучение с использованием моделей Ultralytics YOLO, включая YOLO26, которые могут использоваться для таких задач, как обнаружение объектов, сегментация экземпляров и классификация изображений.

Обучение управляется через единую панель управления, где ты можешь настраивать, запускать и контролировать задачи обучения в одном месте. Чтобы начать, ты можешь выбрать набор данных, включая тот, который ты загрузил, разметил на платформе, взял из общедоступных источников на платформе или клонировал из сообщества.

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

Далее ты можешь настроить параметры обучения, такие как количество эпох, размер пакета (batch size), размер изображения и скорость обучения (learning rate). Эти настройки управляют процессом обучения модели и напрямую влияют как на время обучения, так и на производительность.

Link to this sectionЗапуск и мониторинг обучения#

Затем ты можешь выбрать способ запуска обучения. Платформа поддерживает облачное обучение на управляемых GPU, локальное обучение на твоем собственном оборудовании и рабочие процессы в браузере через среды, подобные Google Colab.

При использовании облачного обучения ты можешь выбрать из ряда вариантов GPU, таких как RTX 2000 Ada и RTX A4500 для небольших экспериментов, RTX 4090 или RTX A6000 для более требовательных нагрузок и высокопроизводительные варианты, такие как A100 или H100, для масштабного обучения.

Когда обучение начинается, за прогрессом можно следить непосредственно на платформе. Панель управления предоставляет видимость ключевых метрик в реальном времени, таких как кривые потерь и показатели производительности, наряду с использованием ресурсов системы и логами обучения. Это позволяет легко понять, как модель учится, и заблаговременно выявить потенциальные проблемы.

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

По мере запуска нескольких экспериментов платформа хранит конфигурации, наборы данных и результаты в одном месте. Это позволяет сравнивать разные запуски обучения, оценивать производительность с помощью таких метрик, как точность (precision), полнота (recall) и mAP, и выбирать модель с наилучшими показателями для развертывания.

Link to this sectionРазвертывание модели компьютерного зрения через Ultralytics Platform#

После обучения следующий шаг — проверить, как обученная модель работает на новых, ранее не виденных данных, прежде чем переходить к развертыванию. Ultralytics Platform включает встроенную вкладку Predict, которая позволяет тестировать модели прямо в браузере без какой-либо настройки.

Ты можешь загружать изображения, использовать примеры данных или захватывать входные данные через веб-камеру, и результаты появляются мгновенно с визуальными наложениями и показателями уверенности. Это означает, что ты можешь быстро проверить работу модели и выявить любые проблемы перед интеграцией ее в реальные системы.

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

• Общий инференс (Shared inference): 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 перенаправляются к ближайшему доступному сервису. Это хорошо подходит для разработки, тестирования и легкого использования перед переходом к производству.
• Выделенные эндпоинты (Dedicated endpoints): Для промышленного использования модели могут быть развернуты как выделенные эндпоинты с собственными вычислительными ресурсами. Они работают как одноарендные сервисы в 43 глобальных регионах, помогая снизить задержку за счет приближения к конечным пользователям. Они также поддерживают автоматическое масштабирование (autoscaling) и масштабирование до нуля (scale-to-zero), позволяя ресурсам автоматически адаптироваться в зависимости от трафика.
• Экспорт модели: 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. Опции 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 верно и для систем визуального контроля. Как только модель начинает работать в производстве, ее нужно постоянно отслеживать, чтобы убедиться в надежности ее работы по мере изменения 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 состояние здоровья каждого развертывания. Ты можешь понять, как модели используются и как они ведут себя со временем.

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

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

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

Для более глубокого анализа каждое развертывание включает подробные логи с метками времени, деталями запросов и сообщениями об ошибках. Логи можно фильтровать по уровню серьезности, что упрощает отладку проблем и быстрое выявление сбоев. Кроме того, проверки состояния здоровья (health checks) предоставляют индикаторы статуса в реальном времени, показывая, работает ли развертывание должным образом или требует внимания.

Мониторинг также играет важную роль в оптимизации. По мере изменения входных данных, трафика или шаблонов использования производительность может меняться. Отслеживая метрики и логи, ты можешь выявлять проблемы, такие как высокая задержка, повышенный уровень ошибок или ограничения масштабирования, и принимать меры для поддержания стабильной работы.

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

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

• Оптимизировано для реального использования: Такие функции, как автоматическое масштабирование эндпоинтов, развертывание на периферии и экспорт моделей, обеспечивают надежную работу системы в производственных условиях.
• Более быстрые циклы разработки: Встроенные инструменты и конфигурации по умолчанию помогают более эффективно пройти путь от исходных данных до рабочей системы.
• 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, добавляя новые данные и переобучая модели, что позволяет адаптироваться к новым типам дефектов, условиям и конфигурациям с несколькими камерами.

Link to this sectionОсновные выводы#

Создание системы визуального контроля на базе камер не обязательно должно быть сложным или требовать глубоких знаний в области ИИ. С Ultralytics Platform ты можешь пройти путь от исходных данных до рабочей системы и следить за ее производительностью, все в одном месте. Это оптимизирует процесс создания, улучшения и эксплуатации систем контроля в реальных условиях.

Присоединяйся к нашему сообществу и изучи наш репозиторий GitHub, чтобы узнать больше о компьютерном зрении. Ознакомься с нашими вариантами лицензирования, чтобы дать старт своим проектам в области компьютерного зрения. Интересуешься инновациями, такими как ИИ в производстве или компьютерное зрение в автомобильной индустрии? Посети наши страницы решений, чтобы узнать больше.