Характеристики

Размер весов: 23,8 МБ
Архитектура: v8 · dense
Библиотека: ultralytics
Опубликована: 28 янв 2023

Ссылки

yolov8s-pcb-defect-segmentation

Сегментация изображенийИзображение → mask3 профессии

Компактная YOLOv8-модель сегментирует на изображениях печатных плат четыре вида дефектов для визуального контроля и разметки.

704скачиваний за 30 дней2лайкавеса 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

Модель keremberke/yolov8s-pcb-defect-segmentation — компактная модель сегментации изображений на базе YOLOv8, опубликованная пользователем keremberke и предназначенная для обнаружения дефектов печатных плат. Она принимает изображения плат и выделяет области с сухими пайками, неправильной установкой компонентов, повреждениями платы и короткими замыканиями. Репозиторий содержит веса PyTorch и использует библиотеку Ultralytics; модель связана с датасетом keremberke/pcb-defect-segmentation. Она подходит для визуальной проверки плат и предварительной разметки дефектов, но карточка не сообщает метрики качества и условия лицензии.

Сценарии применения

поиск сухих паек на изображениях печатных плат
выделение повреждений печатной платы
обнаружение коротких замыканий по изображениям
проверка правильности установки компонентов
предварительная разметка дефектов плат для контроля качества

Ограничения

Карточка не приводит метрики качества, поэтому пригодность для производственного контроля следует проверять на целевых изображениях. Лицензия в предоставленных данных не указана.

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 II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей IV.6Отраслевые задачиНаучные исследования, математика и новые материалыAI помогает формировать гипотезы, анализировать научные данные и ускорять открытие новых материалов и методов.39 задач4 120моделей

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==0.0.23 ultralytics==8.0.21

Load model and perform prediction:

from ultralyticsplus import YOLO, render_result

# load model
model = YOLO('keremberke/yolov8s-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: 687127f