指南

无需 AI 经验即可构建基于相机的视觉检测系统

了解如何使用 Ultralytics Platform 构建基于相机的视觉检测系统，无需 AI 专家背景，从标注到部署全程覆盖。

ABAbirami Vina7 min readApril 14, 2026

我们使用的每一件产品，无论是手机、包装商品还是汽车零件，在到达我们这些终端消费者手中之前，都会经过某种形式的质量检测。传统上，这是通过人工检查或简单的基于规则的系统来完成的。虽然这些方法有效，但随着产量的增加，它们往往速度缓慢、缺乏一致性且难以扩展。

为了改进质量检测流程，许多行业正在转向计算机视觉，这是人工智能的一个分支，旨在帮助机器理解图像和视频。例如，像 Ultralytics YOLO26 这样的视觉 AI 模型可以帮助以极高的准确度检测、分类和定位缺陷。

在实际生产环境中，这些模型可用于分析直接从高速流水线上捕获的图像。当产品通过不同阶段时，工业摄像头会跟踪它们，系统会检查划痕、缺失零件或未对准等问题。这使得缺陷检测更快、更一致，同时支持高吞吐量的检测。

过去，构建这些系统需要多种工具和深厚的技术专长，这使得过程复杂且耗时。Ultralytics Platform 是我们全新的计算机视觉端到端解决方案，它将数据准备、标注、模型训练和部署集成于一处，从而简化了整个流程。

在本文中，我们将探讨你如何使用 Ultralytics Platform 构建实用的、基于摄像头的视觉检测系统，而无需深入的 AI 专业知识。让我们开始吧！

Link to this section计算机视觉在质量控制中的作用#

在我们深入了解 Ultralytics Platform 如何简化检测系统构建过程之前，先退一步，理解计算机视觉在质量检测中的作用。

检测是制造过程中确保产品符合质量标准且无缺陷的关键环节。然而，结果可能会因人而异，尤其是在长时间轮班或大批量生产期间。

为了使检测更加可靠，许多行业使用计算机视觉（也称为机器视觉）来分析来自生产线的图像并识别缺陷。这些系统使用深度学习，即模型和算法从大量高质量的标注图像中学习模式。

在模型训练期间，模型会看到正常产品和不同类型缺陷的示例。随着时间的推移，它会学会自行识别这些模式。一旦训练完成，模型就可以检查大量的生产产品，并始终应用相同的标准，从而提高准确性。

Link to this section质量检测中常用的计算机视觉任务#

机器视觉应用由诸如 Ultralytics YOLO models 等计算机视觉模型实现，这些模型可以支持不同类型的视觉任务。以下是这些视觉 AI 任务如何用于自动化检测工作流的概述：

图像分类： 此任务用于为整张图像分配一个单一标签，例如“合格”或“不合格”。它提供对产品质量的高级评估，而不指出缺陷的位置。
目标检测： 它有助于识别图像中的缺陷并使用边界框 (BBox) 对其进行定位。这使得检测和定位诸如裂纹、划痕或缺失部件等问题成为可能。
实例分割： 在目标检测的基础上更进一步，它为每个检测到的缺陷预测像素级的掩码。这支持对缺陷的形状、大小和边界进行精确分析。
目标跟踪： 当在多个帧中跟踪产品时，它会随着物品在生产线上的移动进行持续跟踪。这保持了一致性，并确保不会漏掉缺陷。
定向边界框 (OBB) 检测： 此任务使用旋转的边界框而不是轴对齐的框来检测目标。当缺陷或组件以不同角度出现时，它特别有用，可以实现更精确的定位。

Link to this section各行业的质量检测应用概览#

计算机视觉被广泛应用于各行业，以保持产品质量、满足标准并减少人工检测的需求。它执行诸如缺陷检测、分类、目标识别、测量和异常检测等关键功能。

机器视觉系统检测并跟踪流水线上的产品

图 1. 使用机器视觉系统检测和跟踪产品的示例 (来源)

以下是其实际应用案例的一些示例：

制造业： 表面缺陷检测通过分析生产线上的产品图像来识别划痕、凹痕、裂纹和变色等问题，从而实现在线缺陷检测。它还可以实时检测缺失零件或装配错误，支持持续检测。
汽车业： 计算机视觉系统分析引擎部件和车身面板以验证对齐情况并检测损坏。它们在检查复杂形状和难以到达的区域方面特别有效，通常与机器人系统配合使用，以实现精确的定位和自动化检测。
电子和半导体： 这些系统检测印刷电路板 (PCB) 等组件中的微小缺陷，包括焊接问题、微裂纹和损坏的电路。通过高分辨率图像分析，即使是人工检查中经常遗漏的非常细微的缺陷也能被检测出来。
包装和物流： 视觉系统执行条形码扫描、读取产品标签并检查包装质量。它们确保产品被正确包装、密封并准备好发货，从而减少错误。
食品和饮料： 由视觉摄像头或视觉传感器驱动的检测系统分析产品外观，以识别密封不当、污染风险、标签错误或外观不一致等问题，从而帮助保持质量和安全。
制药业： 计算机视觉用于检查药片、小瓶和包装，以寻找裂纹、污染、标签错误或填充量不一致等缺陷，确保符合严格的监管标准并维持产品安全。

Link to this section利用 Ultralytics Platform 简化视觉检测工作流#

考虑一条生产线，产品在不同阶段移动，同时摄像头不断拍摄图像进行检查。这些图像用于检查划痕、零件缺失或未对准等缺陷。

到目前为止，构建和管理此类检测系统需要多种工具和相当多的技术专长。

事实上，在 Ultralytics，我们从视觉 AI 社区那里收到了持续的反馈，反映这个过程是多么碎片化且耗时，常见的瓶颈包括工具分散、环境设置复杂、数据标注工作流效率低下、模型训练延迟以及部署挑战。这些反馈在塑造 Ultralytics Platform 的过程中发挥了关键作用。

Ultralytics Platform 主页仪表板界面

图 2. Ultralytics Platform 一览 (来源)

有了 Ultralytics Platform，整个开发和部署过程可以在一个地方完成。原始数据可以上传并标注以创建训练数据集，然后用于训练模型以检测缺陷。一旦训练完成，这些模型就可以被部署以分析来自生产线的新图像，并内置工具来监控随时间变化的性能。

除了将整个工作流集成到一个地方外，Ultralytics Platform 的设计也非常易于使用。即使是机器学习经验有限的用户也可以快速从构思走向生产。

Link to this section使用 Ultralytics Platform 标注图像中的缺陷#

既然我们已经了解了 Ultralytics Platform 如何将工作流整合在一起，让我们从数据上传和缺陷标注开始，了解如何在视觉 AI 流水线的每个阶段使用它。

Link to this sectionUltralytics Platform 上的检测数据集管理#

第一步是将数据带入平台。你可以上传图像、视频或诸如 ZIP、TAR 或 GZ 文件等数据集压缩包。系统支持 YOLO 和 COCO 等常见数据集格式，因此无需额外步骤即可导入现有数据集。

你还可以通过使用社区共享的数据集来更快上手。这些数据集可以被浏览并克隆到你的工作空间中，让你能够在现有数据的基础上构建，而不是从零开始。克隆后，可以根据你的具体使用案例对它们进行更新和扩展。

如果你正在进行各种实验，可以通过导入 NDJSON 文件来重复使用数据集，从而无需额外转换即可更轻松地重建或共享它们。

数据上传后，平台会自动进行预处理。它会检查文件格式、处理标注、必要时调整图像大小并生成基本数据集统计信息。视频会被分割成帧以便用于训练，图像则会针对更轻松的浏览和分析进行优化。

Link to this section由 Ultralytics Platform 驱动的数据标注#

数据准备就绪后，下一步是数据标注。这是标注缺陷的过程，以便模型能学习检测什么。Ultralytics Platform 包含一个内置的标注编辑器，支持目标检测、实例分割、图像分类、姿态估计和定向边界框检测等任务。

你可以根据你的使用案例，使用边界框、多边形或关键点等工具手动标注数据。为了加快速度，平台还提供 AI 辅助标注。

例如，基于 SAM 的智能标注允许你通过简单的点击来标注对象。通过选择要包含或排除的区域，系统会实时生成掩码，如有需要，可以对其进行调整。

Ultralytics Platform 中由 SAM 驱动的智能标注

图 3. Ultralytics Platform 内的 SAM 驱动的智能标注 (来源)

此外，基于 YOLO 的智能标注可以使用模型预测自动生成标签。这些标签可以进行审查和完善，从而更容易处理大型数据集，而无需手动标注所有内容。

标注编辑器还包括类管理、标注编辑、键盘快捷键以及撤销或重做选项等功能。随着数据集的增长，这些功能使保持一致性和审查标注变得更加容易。

在你标注数据的过程中，平台会提供类分布和标注计数等见解。这有助于在进入训练之前识别空白、修复不一致之处并提高数据集质量。

Link to this section在 Ultralytics Platform 上训练 YOLO26 以进行缺陷检测#

下一步是训练模型，使用标注数据自动检测缺陷。Ultralytics Platform 支持使用 Ultralytics YOLO 模型进行训练，包括 YOLO26，它可用于目标检测、实例分割和图像分类等任务。

训练通过统一的仪表板进行管理，你可以在其中配置、运行和监控训练作业。要开始使用，你可以选择一个数据集，包括你上传的、在平台上标注的、从平台上可用的公共数据集中获取的，或从社区克隆的数据集。

一旦选中，数据集会自动链接到训练运行，从而更容易跟踪实验并保持一致性。

接下来，你可以配置训练参数，如 epoch 数量、批大小、图像大小和学习率。这些设置控制模型如何学习，并直接影响训练时间和性能。

Link to this section运行和监控训练#

然后，你可以选择如何运行训练。平台支持在托管 GPU 上进行云训练、使用你自己的硬件进行本地训练，以及通过 Google Colab 等环境进行的基于浏览器的训练工作流。

使用云训练时，你可以选择各种 GPU 选项，例如用于较小实验的 RTX 2000 Ada 和 RTX A4500，用于更苛刻工作负载的 RTX 4090 或 RTX A6000，以及用于大规模训练的高性能选项，如 A100 或 H100。

当训练开始时，可以直接在平台内监控进度。仪表板提供对损失曲线和性能指标等关键指标的实时可见性，以及系统使用情况和训练日志。这使得理解模型如何学习以及尽早识别潜在问题变得无缝。

在 Ultralytics Platform 上监控训练进度

图 4. 你可以使用 Ultralytics Platform 轻松监控训练进度 (来源)

当你运行多个实验时，平台会在一个地方跟踪配置、数据集和结果。这使得比较不同的训练运行、使用精确率、召回率和 mAP 等指标评估性能以及选择最佳模型进行部署变得非常简单。

Link to this section通过 Ultralytics Platform 部署视觉模型#

训练后，下一步是在进行部署之前验证训练好的模型在新的、未见过的数据上的表现。Ultralytics Platform 包含一个内置的 Predict 选项卡，允许你无需任何设置即可在浏览器中直接测试模型。

你可以上传图像、使用示例数据或通过网络摄像头捕获输入，结果会立即以视觉覆盖图和置信度分数的形式出现。这意味着你可以在将其集成到实际系统之前快速检查模型性能并识别任何问题。

一旦模型经过验证，就可以根据你的使用案例选择不同的选项进行部署。以下是 Ultralytics Platform 支持的模型部署选项的详细介绍：

共享推理： 此选项允许你通过 REST API 访问模型，从而易于集成到应用程序或工作流中。它运行在跨越几个核心区域的多租户系统上，请求会自动路由到最近的可用服务。这使其非常适合开发、测试和在进入生产环境之前的较小用量。
专用端点： 对于生产环境，模型可以作为拥有自有计算资源的专用端点部署。这些运行在跨越 43 个全球区域的单租户服务上，通过部署在更靠近最终用户的位置来帮助减少延迟。它们还支持自动缩放和零缩放，允许资源根据流量自动调整。
模型导出： 模型可以导出并在平台之外的本地系统或边缘设备上运行。平台支持 17 种格式，包括 ONNX、TensorRT、OpenVINO、CoreML 和 TensorFlow Lite。导出选项还支持 FP16 和 INT8 量化等优化，以减小模型尺寸并提高不同硬件环境下的推理速度。