defect-detector-neu-det
детектор дефектов стали на базе YOLOv8s
2 min readupdated
Модель defect-detector-neu-det от автора Aarun-1 находит и классифицирует шесть типов дефектов поверхности горячекатаной стали на черно-белых снимках: трещины (crazing), включения (inclusion), пятна (patches), точечную коррозию (pitted_surface), вкатанную окалину (rolled-in_scale) и царапины (scratches). В основе лежит компактная архитектура Ultralytics YOLOv8s (11 млн параметров), дообученная на исследовательском датасете NEU-DET с разрешением входа 640×640. От простых демо-моделей проект отличается полноценным инженерным пайплайном вокруг весов: здесь есть слой принятия решений на основе стоимости ошибок, мониторинг дрейфа данных и автоматический отбор моделей перед обновлением. Модель не предназначена для реального производства, но отлично подойдет ML-инженерам и студентам как готовый шаблон MLOps-системы компьютерного зрения.
Ключевые особенности
- Высокая точность на выраженных дефектах: AP50 достигает 0.952 на царапинах (scratches) и 0.877 на пятнах (patches).
- Встроенная политика принятия решений: детекции маршрутизируются на ручную проверку (
human_review) или в алерт с учетом условной стоимости пропуска и ложного срабатывания. - Двухуровневый мониторинг дрейфа: система отслеживает сдвиги яркости, контраста, шума и уверенности модели с помощью двухвыборочного теста Колмогорова — Смирнова (KS test).
- Готовая инфраструктура: в репозитории предусмотрены сервис на FastAPI, интерфейс Gradio и строгий promotion gate для проверки новых версий весов.
Что можно сделать
- Использовать как эталонный учебный пример для построения end-to-end пайплайна дефектоскопии с логикой эскалации на оператора.
- Взять за основу FastAPI-обвязку и скрипты проверки дрейфа (KS test с поправкой Холма) для собственных задач промышленного контроля качества.
- Протестировать гипотезы по улучшению локализации размытых текстурных дефектов вроде сетки трещин (crazing), где модель чаще ошибается с границами рамки, чем с самим фактом наличия дефекта.
Пример
Модель принимает одиночное черно-белое изображение поверхности стали (исходно 200×200 в NEU-DET, приводится к 640×640), возвращает координаты боксов для 6 классов дефектов и пропускает их через пороговую политику: например, уверенность от 0.10 до 0.25 для crazing отправляет снимок на ручную проверку оператору, а значения выше верхнего порога формируют сигнал тревоги (monitor, schedule_service или stop_now).
Подробнее
Метрики на валидации (216 изображений): mAP50 = 0.755 (при conf 0.001) и 0.668 (при conf 0.25), mAP50-95 = 0.430, Precision = 0.725, Recall = 0.713.Обучение: YOLOv8s (11M параметров), 50 эпох, batch 16, lr0 0.001 на одном GPU Kaggle.
Устойчивость: модель стабильна к изменениям яркости, но заметно теряет качество при размытии (до -0.53 mAP50), шуме (до -0.73) и сильном JPEG-сжатии.
Ограничения: обучена только на 1800 лабораторных снимках без примеров здоровой стали без дефектов; лицензия весов AGPL-3.0, лицензия датасета NEU-DET не определена.










Comments