Характеристики

Размер весов: 54,8 МБ
Архитектура: v8 · dense
Библиотека: ultralytics
Опубликована: 28 янв 2023

Ссылки

yolov8m-pcb-defect-segmentation

Сегментация изображенийИзображение → mask3 профессии

Модель YOLOv8m сегментирует на изображениях печатных плат четыре типа дефектов для автоматизированного визуального контроля.

955скачиваний за 30 дней18лайковвеса обновлены22 фев 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

keremberke/yolov8m-pcb-defect-segmentation — модель компьютерного зрения на базе YOLOv8m, опубликованная Keremberke и предназначенная для сегментации дефектов печатных плат. Она принимает изображения и выделяет масками четыре класса: холодная пайка, неправильная установка компонентов, повреждение платы и короткое замыкание. Модель подходит для автоматизированного контроля качества плат по снимкам; для запуска используется библиотека Ultralytics.

В репозитории указан формат PyTorch. Карточка не сообщает размер модели, разрешение входных изображений или лицензию, поэтому эти характеристики здесь не уточняются. Качество распознавания может зависеть от условий съёмки и сходства новых изображений с обучающими данными.

Сценарии применения

поиск холодной пайки на изображениях печатных плат
обнаружение неправильной установки компонентов
выделение повреждений печатной платы
поиск коротких замыканий при визуальном контроле платы

Ограничения

Распознаёт только четыре заявленных класса дефектов; качество на новых данных зависит от условий съёмки и соответствия изображений обучающим данным.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Supported Labels

['Dry_joint', 'Incorrect_installation', 'PCB_damage', 'Short_circuit']

How to use

Install ultralyticsplus:

pip install ultralyticsplus==0.0.24 ultralytics==8.0.23

Load model and perform prediction:

from ultralyticsplus import YOLO, render_result

# load model
model = YOLO('keremberke/yolov8m-pcb-defect-segmentation')

# set model parameters
model.overrides['conf'] = 0.25  # NMS confidence threshold
model.overrides['iou'] = 0.45  # NMS IoU threshold
model.overrides['agnostic_nms'] = False  # NMS class-agnostic
model.overrides['max_det'] = 1000  # maximum number of detections per image

# set image
image = 'https://github.com/ultralytics/yolov5/raw/master/data/images/zidane.jpg'

# perform inference
results = model.predict(image)

# observe results
print(results[0].boxes)
print(results[0].masks)
render = render_result(model=model, image=image, result=results[0])
render.show()

More models available at: awesome-yolov8-models

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · ultralytics

Нельзя запустить

Модели Ultralytics YOLO требуют отдельного рантайма.

Ревизия весов: 9c6a21a