无需 AI 专业知识，构建基于摄像头的视觉检测系统

我们使用的每种产品，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。过去，这项工作通常通过人工检查或简单的基于规则的系统完成。虽然这些方法有效，但往往速度慢、结果不一致，而且随着产量增加，难以扩展。

为了改进质量检测流程，许多行业开始采用计算机视觉。计算机视觉是人工智能的一个分支，能帮助机器理解图像和视频。例如，Ultralytics YOLO26 等视觉 AI 模型可以帮助高精度地检测、分类和定位缺陷。

在实际生产环境中，这些模型可以分析直接从高速装配线上采集的图像。随着产品经过不同工序，工业相机会对其进行跟踪，系统则会检查划痕、缺件或未对准等问题。这让缺陷检测更快、更稳定，同时支持高通量检测。

过去，构建这类系统需要使用多种工具并具备扎实的技术专长，因此过程复杂且耗时。Ultralytics Platform 是我们推出的计算机视觉端到端解决方案，它将数据准备、标注、模型训练和部署整合到一处，从而简化了这一流程。

本文将介绍如何使用 Ultralytics Platform 构建实用的、基于摄像头的视觉检测系统，无需深厚的 AI 专业知识。现在开始吧！

计算机视觉在质量控制中的作用#

在深入了解 Ultralytics Platform 如何简化检测系统的构建之前，我们先退一步，了解一下计算机视觉在质量检测中的作用。

检测是制造流程中的重要环节，可确保产品符合质量标准且没有缺陷。不过，检测结果可能会有所差异，尤其是在长时间轮班或大批量生产时。

为了提高检测可靠性，许多行业使用计算机视觉（也称机器视觉）分析生产线上的图像并识别缺陷。这些系统使用深度学习，让模型和算法从大量高质量标注图像中学习模式。

在模型训练过程中，模型会看到正常产品和不同类型缺陷的示例。随着时间推移，它会学会自行识别这些模式。训练完成后，模型可以检测大量产品，并始终如一地应用相同的标准，从而提高准确性。

质量检测中常见的计算机视觉任务#

机器视觉应用由Ultralytics YOLO 模型等计算机视觉模型提供支持，这些模型能够执行不同类型的视觉任务。以下概述了这些视觉 AI 任务在自动化检测流程中的应用：

• 图像分类： 此任务用于为整张图像分配一个标签，例如“合格”或“有缺陷”。它可以对产品质量进行高层次评估，但不会指出缺陷的位置。
• 目标检测： 它可以识别图像中的缺陷，并使用边界框定位缺陷。这样便可检测和定位裂纹、划痕或缺失部件等问题。
• 实例分割： 它比目标检测更进一步，为检测到的每个缺陷预测像素级掩码。这有助于精确分析缺陷的形状、大小和边界。
• 目标跟踪： 在多个帧中跟踪产品时，它会追踪产品在生产线上的移动情况。这样可以保持检测一致性，确保不会漏掉缺陷。
• 有向边界框（OBB）检测： 此任务使用旋转边界框而非轴对齐边界框来检测物体。当缺陷或部件以不同角度出现时，这种方法尤其有用，可以更准确地定位目标。

纵览各行业的质量检测应用#

计算机视觉广泛应用于各个行业，以维持产品质量、满足标准并减少人工检测需求。它承担着缺陷检测、分类、目标识别、测量和异常检测等关键任务。

图 1. 使用机器视觉系统检测和跟踪产品的示例（来源）

以下是一些实际应用示例：

• 制造业： 通过分析生产线上产品的图像进行在线缺陷检测，从而发现划痕、凹痕、裂纹和变色等表面缺陷。它还可以实时检测缺件或装配错误，支持持续检测。
• 汽车行业： 计算机视觉系统会分析发动机零件和车身面板，以验证其对齐情况并检测损坏。它们特别适合检测复杂形状和难以触及的区域，通常与机器人系统协同工作，实现精准定位和自动化检测。
• 电子与半导体： 这些系统可以检测印刷电路板（PCBs）等元件中的微小缺陷，包括焊接问题、微裂纹和电路损坏。通过高分辨率图像分析，它们甚至可以检测出非常细微、人工检查时常会漏掉的缺陷。
• 包装与物流： 视觉系统可扫描条形码、读取产品标签并检查包装质量。它们能确保产品正确包装、密封并做好发货准备，从而减少错误。
• 食品与饮料： 由视觉相机或视觉传感器驱动的检测系统会分析产品外观，以识别密封不当、污染风险、标签错误或外观不一致等问题，帮助维持产品质量和安全。
• 制药业： 计算机视觉用于检查药片、药瓶和包装，发现裂纹、污染、标签错误或灌装量不一致等缺陷，确保符合严格的监管标准并维持产品安全。

使用 Ultralytics Platform 简化视觉检测流程#

设想一条制造生产线，产品经过不同工序时，相机持续采集图像进行检测。这些图像用于检查划痕、缺件或未对准等缺陷。

迄今为止，构建和管理这类检测系统需要使用多种工具，并具备相当程度的技术专长。

事实上，在 Ultralytics，我们持续收到视觉 AI 社区的反馈，了解到这一流程可能十分零散且耗时，常见瓶颈包括工具分散、环境配置复杂、数据标注流程低效、模型训练延迟以及部署挑战。这些反馈在 Ultralytics Platform 的设计过程中发挥了重要作用。

图 2. Ultralytics Platform 一览（来源）

使用 Ultralytics Platform，可以在一个地方完成整个开发和部署流程。你可以上传并标注原始数据，创建训练数据集，再用这些数据集训练模型来检测缺陷。模型训练完成后，可以部署它们来分析生产线上的新图像，并使用内置工具持续监控模型性能。

除了将整个工作流程整合到一处，Ultralytics Platform 还注重易用性。即使机器学习经验有限的用户，也能快速从构思走向生产。

使用 Ultralytics Platform 标注图像中的缺陷#

了解 Ultralytics Platform 如何整合整个工作流程后，接下来我们将逐步介绍如何在视觉 AI 流程的各个阶段使用它，首先从数据上传和缺陷标注开始。

在 Ultralytics Platform 上管理检测数据集#

第一步是将数据导入平台。你可以上传图像、视频或 ZIP、TAR、GZ 等数据集压缩包。平台支持 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。

你还可以使用社区分享的数据集，更快地开始工作。你可以浏览这些数据集并将其克隆到自己的工作区，从现有数据着手，而无需从头开始。克隆后，你可以根据具体用例更新和扩展数据集。

如果你正在进行各种实验，可以将数据集导入为 NDJSON 文件以便重复使用，无需额外转换即可轻松复现或分享数据集。

数据上传后，平台会自动进行预处理。平台会检查文件格式、处理标注、按需调整图像大小，并生成基本的数据集统计信息。视频会被拆分成帧以供训练使用，图像也会经过优化，以便浏览和分析。

由 Ultralytics Platform 提供支持的数据标注#

数据准备就绪后，下一步是进行数据标注。你需要在这一步为缺陷添加标签，让模型学会要检测的目标。Ultralytics Platform 内置标注编辑器，支持目标检测、实例分割、图像分类、姿态估计和有向边界框检测等任务。

根据用例，你可以使用边界框、多边形或关键点等工具手动标注数据。为了加快标注速度，平台还提供 AI 辅助标注。

例如，基于 SAM 的智能标注功能可以让你通过简单的点击为物体添加标签。选择要包含或排除的区域后，系统会实时生成掩码，你可以根据需要进一步调整。

图 3. Ultralytics Platform 中由 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。你可以检查并优化这些标签，这样处理大型数据集时就不必逐一手动标注。

标注编辑器还提供类别管理、标注编辑、键盘快捷键以及撤销和重做等功能。这些功能有助于保持标注一致，并在数据集不断扩展时更轻松地检查标注。

标注数据时，平台会提供类别分布和标注数量等信息。这有助于你在开始训练前发现数据缺口、修正不一致之处并提升数据集质量。

在 Ultralytics Platform 上训练 YOLO26 进行缺陷检测#

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

训练通过统一的仪表盘进行管理，你可以在同一处配置、运行和监控训练作业。开始训练时，你可以选择一个数据集，包括自行上传的数据集、在平台上完成标注的数据集、来自平台公开数据集的数据集，或从社区克隆的数据集。

选择数据集后，它会自动关联到训练任务，便于跟踪实验并保持一致性。

接下来，你可以配置训练参数，例如训练轮数、批次大小、图像大小和学习率。这些设置决定模型的学习方式，并直接影响训练时间和性能。

运行和监控训练#

然后，你可以选择训练运行方式。平台支持使用托管 GPU 进行云端训练、使用自有硬件进行本地训练，以及通过 Google Colab 等环境进行基于浏览器的工作流程。

使用云端训练时，你可以从多种 GPU 选项中进行选择，例如适合小型实验的 RTX 2000 Ada 和 RTX A4500、适用于更高负载的 RTX 4090 或 RTX A6000，以及适合大规模训练的高性能选项 A100 或 H100。

训练开始后，你可以直接在平台中监控进度。仪表板会实时显示损失曲线和性能指标等关键数据，以及系统使用情况和训练日志。这样，你就能轻松了解模型的学习情况，并及早发现潜在问题。

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

运行多个实验时，平台会集中跟踪配置、数据集和结果。这样，你就能轻松比较不同的训练任务，使用精确率、召回率和 mAP 等指标评估性能，并选择表现最佳的模型进行部署。

通过 Ultralytics Platform 部署视觉模型#

训练完成后，下一步是在部署前验证训练好的模型在新数据（即模型未见过的数据）上的表现。Ultralytics Platform 内置了 Predict 选项卡，你无需进行任何设置，就能直接在浏览器中测试模型。

你可以上传图像、使用示例数据，或通过网络摄像头采集输入；结果会立即显示，并附带可视化叠加层和置信度分数。这样，你就能快速检查模型性能，并在将模型集成到实际系统之前发现问题。

验证模型后，你可以根据使用场景选择不同的部署方式。下面详细介绍 Ultralytics Platform 支持的模型部署选项：

• 共享推理：此选项让你可以通过 REST API 访问模型，从而轻松将模型集成到应用或工作流中。该服务运行在覆盖若干核心区域的多租户系统上，系统会自动将请求路由到最近的可用服务。因此，在转入生产环境之前，它很适合用于开发、测试和较轻量的使用场景。
• 专用端点：对于生产用途，你可以将模型部署为使用独立计算资源的专用端点。这些端点以单租户服务的形式运行，覆盖全球 43 个区域，帮助你通过将服务部署在更靠近最终用户的位置来降低延迟。它们还支持自动扩缩容和缩容至零，因此资源可以根据流量自动调整。
• 模型导出：你可以导出模型，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，以缩小模型体积，并提升模型在不同硬件环境下的推理速度。

使用 Ultralytics Platform 监控已部署的模型#

图像处理或计算机视觉解决方案的生命周期并不会随着模型部署而结束，视觉检测系统也是如此。模型投入生产运行后，需要持续监控，以确保模型在条件变化时仍能可靠地运行。

Ultralytics Platform 提供了一个内置监控仪表板，让你清楚了解已部署模型的运行表现。你可以在一个界面中跟踪请求活动、查看日志，并检查每个部署的运行状况。你可以了解模型的使用情况以及模型随时间推移的表现。

仪表板包含总请求数、错误率和延迟等关键指标，可帮助你评估性能和响应能力。这些指标会定期更新，让你了解使用模式和系统可靠性。

内置世界地图会显示请求和部署在各区域的分布情况。该视图支持查看多个全球地点的部署情况，可帮助你从地理位置角度跟踪使用情况，并了解模型在不同环境中的表现。

图 5. 在 Ultralytics Platform 上监控已部署的模型（来源）

如需深入分析，每个部署都提供详细日志，其中包含时间戳、请求详情和错误消息。你可以按严重性筛选日志，以便轻松调试问题并快速找出故障。此外，运行状况检查会提供实时状态指示，显示部署是否按预期运行，或是否需要关注。

监控对于优化也很重要。输入数据、流量或使用模式发生变化时，性能可能会有所波动。通过跟踪指标和日志，你可以发现延迟过高、错误率上升或扩缩容受限等问题，并采取措施维持稳定的性能。

使用 Ultralytics Platform 构建视觉解决方案的优势#

以下是使用 Ultralytics Platform 构建和扩展视觉检测系统的一些主要优势：

• 针对实际应用进行了优化：自动扩缩容端点、边缘部署和模型导出等功能可确保系统在生产环境中可靠运行。
• 加快开发周期：内置工具和默认配置有助于更高效地将原始数据转化为可运行的系统。
• 易于使用：直观的界面、精简的工作流和极少的设置要求，让新手和经验丰富的用户都能轻松使用平台。
• 减少手动工作：AI 辅助标注和自动化数据处理等功能可减少重复任务所耗费的时间。
• 可随时间扩展：随着需求变化，你可以通过添加新数据并重新训练模型来更新系统，使系统能够适应新的缺陷类型、条件和多摄像头配置。

要点#

构建基于摄像头的视觉检测系统不一定很复杂，也不需要深厚的 AI 专业知识。借助 Ultralytics Platform，你可以在同一处将原始数据转化为可运行的系统，并监控系统性能。这简化了检测系统在实际环境中的构建、改进和运行流程。

加入我们的社区，并探索我们的 GitHub 代码库，进一步了解视觉 AI。查看我们的许可选项，启动你的计算机视觉项目。对制造业中的 AI或汽车行业中的计算机视觉等创新应用感兴趣？访问我们的解决方案页面，了解更多信息。