/ Модель

Характеристики

Размер весов
6,7 МБ
Архитектура
v8 · dense
Библиотека
ultralytics
Опубликована
28 янв 2023

yolov8n-pcb-defect-segmentation

Сегментация изображенийИзображение → mask3 профессии

YOLOv8n сегментирует на изображениях четыре типа дефектов печатных плат для автоматизированного визуального контроля.

718скачиваний за 30 дней6лайковвеса 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/yolov8n-pcb-defect-segmentation — модель компьютерного зрения на базе YOLOv8n, опубликованная пользователем keremberke и предназначенная для сегментации дефектов печатных плат. Она выделяет на изображении области с сухими паяными соединениями, неправильной установкой компонентов, повреждениями платы и короткими замыканиями. Модель доступна в формате PyTorch и рассчитана на использование с библиотекой Ultralytics.

Модель подходит для автоматизированного визуального контроля печатных плат на производстве и анализа изображений плат при диагностике дефектов. Карточка указывает четыре поддерживаемых класса; сведения о лицензии не приведены в доступных данных.

Сценарии применения

  • поиск сухих паяных соединений на изображениях плат
  • выявление неправильной установки компонентов
  • сегментация повреждений печатной платы
  • обнаружение областей короткого замыкания
  • визуальный контроль качества сборки печатных плат

Ограничения

Модель распознаёт только четыре указанных класса дефектов, поэтому может не выявлять другие неисправности. Условия лицензирования и количественные показатели качества в доступных данных не описаны.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

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

pip install ultralyticsplus==0.0.23 ultralytics==8.0.21
  • Load model and perform prediction:
from ultralyticsplus import YOLO, render_result

# load model
model = YOLO('keremberke/yolov8n-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
689d968

0 моделей