YOLOv8 — Сегментация дефектов ткани

Модель YOLOv8 разработана для обнаружения и сегментации дефектов на поверхности ткани. Способна выявлять различные типы дефектов: разрывы, дыры, пятна и неравномерности. Построена на архитектуре YOLO (You Only Look Once), обеспечивающей обнаружение и сегментацию объектов в реальном времени.

• Разработчик: Ebest
• Тип модели: Обнаружение и сегментация объектов
• Язык: Python, PyTorch
• Лицензия: apache-2.0
• Базовая модель: YOLOv8

Источники

• Репозиторий: https://github.com/TheJagStudio/pipeliner

Применение

Прямое использование

Модель можно напрямую применять для обнаружения и сегментации дефектов на поверхности ткани в реальном времени или на статичных изображениях.

Использование в downstream-задачах

Может быть дообучена для конкретных типов тканей или категорий дефектов, а также интегрирована в системы контроля качества текстильных производств.

Вне области применения

Модель может плохо справляться с обнаружением дефектов на нетекстильных поверхностях или в средах со сложным фоном.

Ограничения и риски

Производительность модели может варьироваться в зависимости от условий освещения, текстуры ткани и степени выраженности дефекта. Возможны трудности с обнаружением незначительных дефектов или различением дефектов от сложных узоров ткани.

Детали обучения

Обучающие данные

Модель обучена на датасете из изображений различных типов ткани с размеченными областями дефектов. Датасет включает примеры разрывов, дыр, пятен и других распространённых дефектов.

Процедура обучения

Использовались техники аугментации данных: случайные повороты, отражения и масштабирование. Архитектура YOLOv8 обучалась на комбинации размеченных и синтетически сгенерированных изображений дефектов.

Гиперпараметры

• Оптимизатор: SGD
• Скорость обучения: 0.005
• Размер батча: 16
• Эпохи: 300

Техническая спецификация

• Архитектура: YOLOv8 (сегментация)
• Фреймворк: PyTorch, CUDA
• GPU: Nvidia RTX 3050