Tracera
детекция дефектов печатных плат на базе YOLO11s
2 мин чтенияобновлено
Модель Tracera от автора ebboo находит и классифицирует шесть типов поверхностных дефектов на фотографиях печатных плат (PCB): отсутствующие отверстия, выкусы, обрывы дорожек, короткие замыкания, заусенцы и лишнюю медь. В основе лежит компактная архитектура yolo11s с высоким входным разрешением 1024×1024, обученная на датасете PKU-Market-PCB со строгим разделением по дизайнам плат, чтобы исключить утечку фоновых данных между обучением и тестом. Помимо стандартного чекпоинта PyTorch, в репозиторий сразу включены квантованная (сжатая до 8-битных целых чисел для ускорения) версия OpenVINO INT8 для процессоров и ONNX-файл для запуска прямо в браузере. Инструмент пригодится разработчикам систем визуального контроля электроники, студентам и инженерам, создающим веб- или десктоп-приложения для инспекции плат.
Ключевые особенности
- 6 классов дефектов: распознаёт
missing_hole,mouse_bite,open_circuit,short,spurиspurious_copper. - Три формата из коробки: PyTorch (
18.37 MB), лёгкий OpenVINO INT8 (9.97 MB) для CPU и ONNX FP32 (36.43 MB) для WebGPU и WebView. - Поддержка объяснимости (XAI): в интерфейсе проекта решения модели визуализируются через LayerCAM на 4-м слое, подсвечивая область дефекта.
- Готовые константы постобработки: в файле
meta.jsonзафиксированы оптимальные порогиconf=0.395иiou_nms=0.7.
Что можно сделать
- Встроить в десктоп-приложение на CPU: использовать сборку OpenVINO INT8 в связке с FastAPI или Tauri для локальной проверки снимков плат без видеокарты (~22.9 FPS на Ryzen 7 8845HS).
- Запустить прямо в браузере или Android WebView: подключить
tracera_1024.onnxчерез ONNX Runtime Web, реализовав фильтрацию боксов (NMS) на стороне клиента. - Исследовать работу детектора: загрузить веса
last.ptчерезultralyticsдля анализа градиентов LayerCAM и проверки работы на собственных изображениях плат.
Пример
from huggingface_hub import snapshot_download
from ultralytics import YOLO
weights_dir = snapshot_download(repo_id="ebboo/tracera-model")
model = YOLO(f"{weights_dir}/last.pt")
results = model.predict("pcb.jpg", imgsz=1024, conf=0.395, iou=0.7)
Подробнее
Метрики на отложенном тесте (2 дизайна плат, 93 фото): mAP50 = 0.9225, mAP50-95 = 0.4740, F1 = 0.8101 приconf=0.395; на 5-фолдовой кросс-валидации mAP50 = 0.8575 ± 0.1523.Скорость на ноутбуке: 67.4 FPS в PyTorch FP32 (RTX 4060 Laptop) и 22.9 FPS в OpenVINO INT8 (Ryzen 7 8845HS).
Обучение: 80 эпох, пиковое потребление VRAM при обучении — 5.14 ГБ.
Ограничения: модель обучена на студийных снимках сверху с синтетическими дефектами из 10 дизайнов PKU-Market-PCB; при съёмке с рук под углом или при переходе на реальные промышленные данные AOI точность снижается. Лицензия AGPL-3.0.










Комментарии