Instructions to use ebboo/tracera-model with libraries, inference providers, notebooks, and local apps. Follow these links to get started.
- Libraries
- ultralytics
How to use ebboo/tracera-model with ultralytics:
from huggingface_hub import hf_hub_download from ultralytics import YOLO # pick the weights file from this repo's "Files and versions" tab weights = hf_hub_download("ebboo/tracera-model", "<weights>.pt") model = YOLO(weights) source = 'http://images.cocodataset.org/val2017/000000039769.jpg' model.predict(source=source, save=True) - Notebooks
- Google Colab
- Kaggle
- Tracera — YOLO11s PCB Kusur Tespiti Model Paketi / PCB Defect Detection Model Weights
Tracera — YOLO11s PCB Kusur Tespiti Model Paketi / PCB Defect Detection Model Weights
Bu model deposu, Tracera projesinin kart bazlı bölünmüş PKU-Market-PCB veri kümesi üzerinde eğitilmiş önceden kilitli (last.pt) YOLO11s @ 1024 ağırlıklarını ve çıkarım dışa aktarımlarını (OpenVINO INT8 + FP32 ONNX) içerir. Açıklanabilirlik arayüzünde tespit kararları LayerCAM (Katman 4) ile görselleştirilir.
English summary: This model repository hosts the Tracera YOLO11s (imgsz=1024, pre-locked last.pt) weights trained on board-grouped PKU-Market-PCB data for 6 PCB surface defect classes, packaged alongside OpenVINO INT8 (CPU) and raw FP32 ONNX (opset=17, client-side NMS) exports.
1. Depo İçeriği ve Dosyalar / Artifacts
| Dosya / Klasör | Format | Boyut (MB) | Kullanım Alanı |
|---|---|---|---|
last.pt |
PyTorch Checkpoint | 18.37 MB | Eğitim sonu kilitli ağırlık, PyTorch GPU çıkarımı ve LayerCAM @ Katman 4 gradyan hesabı |
last_int8_openvino_model/ |
OpenVINO IR INT8 (last.xml, last.bin, metadata.yaml) |
9.97 MB | Yerel FastAPI / Tauri masaüstü CPU çıkarımı |
tracera_1024.onnx |
ONNX FP32 (opset=17, ham çıktı [1, 10, 21504]) |
36.43 MB | Tarayıcı içi ve Android WebView ONNX Runtime Web çıkarımı |
meta.json |
JSON (version=1) |
<0.01 MB | Ön/son işleme sabitleri (imgsz=1024, conf=0.395, iou_nms=0.7, letterbox_pad=114) |
2. Görev, Veri Kümesi ve Eğitim Ayarları / Task, Data & Training
- Görev / Task: 6 sınıflı PCB yüzey kusuru nesne tespiti (
missing_hole,mouse_bite,open_circuit,short,spur,spurious_copper). - Veri Kümesi & Kart Bazlı Bölme / Dataset & Board-Grouped Split: PKU-Market-PCB veri kümesi 10 farklı kart tasarımından (CV havuzu = 623 görüntü) oluşur. Rastgele bölmede aynı kart arka planları eğitim ve test arasında sızıntı ürettiğinden katı kart-bazlı bölme uygulanmıştır: Val = Kart 05 + 11 (120 görüntü, 562 kutu), Tek Seferlik Kilitli Test = Kart 06 + 10 (93 görüntü, 469 kusur kutusu). Final eğitimindeki model test kartlarını hiç görmemiştir.
- Eğitim Ayarları (
g_y11s_1024_full): Mimari =yolo11s,imgsz=1024,batch=8,epochs=80,patience=0, seçilen ağırlık =last.pt(val tabanlı erken durdurma yok), eğitim süresi = 24.87 dk, tepe GPU belleği = 5.14 GB.
3. Doğrulanmış Sonuçlar / Verified Evaluation Results
Tüm standart sapmalar örneklem standart sapmasıdır (
ddof=1). Başlık sonucu 5-katlı kart bazlı CV'dir; kilitli test yalnız 2 farklı kart tasarımından (Kart 06 + 10) oluşur.
3.1 Başlık Sonucu: Kart Bazlı 5-Katlı Çapraz Doğrulama & Sızıntı Kontrolü
| Deney | Çözünürlük | Ağırlık | mAP50 (Ort ± std) | mAP50-95 (Ort ± std) | Katlar / Not |
|---|---|---|---|---|---|
| Nihai Mimari (Grouped CV) | 1024 | last.pt |
0.8575 ± 0.1523 | 0.4240 ± 0.1188 | Kat 1=0.5885, Kat 2=0.9080, Kat 3=0.8952, Kat 4=0.9388, Kat 5=0.9569 |
| Karşılaştırma (Grouped CV) | 640 | last.pt |
0.7869 ± 0.1548 | 0.3760 ± 0.1080 | Tüm 5 katta 1024 daha yüksek (+0.0706 mAP50) |
| Sızıntılı Rastgele Bölme (640) | 640 | last.pt |
0.9364 ± 0.0124 | 0.4988 ± 0.0078 | Kart arka planı sızıntılı üst sınır |
| Aynı Görüntülerde Grouped CV | 640 | last.pt |
0.8061 ± 0.1719 | 0.3957 ± 0.1116 | Rastgeleden fark: -0.1303 |
3.2 Tek Seferlik Kilitli Test (g_y11s_1024_full, last.pt, Kart 06 + 10)
- Eşikten Bağımsız Test mAP: mAP50 = 0.9225, mAP50-95 = 0.4740 (93 görüntü, 469 kutu).
- (Metodolojik not: Ultralytics çıktısındaki test F1-tepe oracle P/R değerleri işletme çalışma noktası olarak raporlanmaz; kilitli P/R/F1 aşağıda
conf = 0.395üzerindedir.)
| Sınıf | Test mAP50 | Test mAP50-95 |
|---|---|---|
missing_hole |
0.9705 | 0.4791 |
mouse_bite |
0.9442 | 0.4651 |
open_circuit |
0.9207 | 0.5158 |
short |
0.8903 | 0.4451 |
spur |
0.8527 | 0.4259 |
spurious_copper |
0.9564 | 0.5128 |
3.3 Kilitli Çalışma Noktası (conf = 0.395, IoU = 0.50)
| Split | TP | FP | FN | Precision | Recall | F1 |
|---|---|---|---|---|---|---|
| Val (Kart 05 + 11) | 514 | 16 | 48 | 0.9698 | 0.9146 | 0.9414 |
| Test Kilitli (Kart 06 + 10) | 416 | 142 | 53 | 0.7455 | 0.8870 | 0.8101 |
| Duyarlılık Satırı (Kart 06 2 sabit şablon noktası hariç) | 416 | 28 | 53 | 0.9369 | 0.8870 | 0.9113 |
- Temiz şablon kontrolünde Kart 06 şablon görüntüsü (
06.JPG)mouse_bitesınıfında 0.5569 güvenle sabit yanlış alarm üretmektedir.
3.4 Çıkarım Formatları, Nicemleme ve Tarayıcı Paritesi (Laptop Donanımı)
Not: Aşağıdaki hız ölçümleri dizüstü bilgisayar donanımında (Ryzen 7 8845HS CPU / RTX 4060 Laptop GPU) alınmıştır.
| Format | Donanım | Boyut (MB) | Medyan Model (ms) | Medyan Toplam (ms) | Uçtan Uca FPS | Val mAP50 |
|---|---|---|---|---|---|---|
| PyTorch FP32 (GPU) | NVIDIA GeForce RTX 4060 Laptop GPU | 18.37 | 9.80 | 14.83 | 67.4 | 0.9396 |
| ONNX Runtime (CPU) | AMD Ryzen 7 8845HS w/ Radeon 780M Graphics | 36.43 | 157.18 | 165.00 | 6.1 | 0.9372 |
| OpenVINO FP32 (CPU) | AMD Ryzen 7 8845HS w/ Radeon 780M Graphics | 36.47 | 103.06 | 109.70 | 9.1 | 0.9372 |
| OpenVINO INT8 (CPU) | AMD Ryzen 7 8845HS w/ Radeon 780M Graphics | 9.97 | 36.70 | 43.73 | 22.9 | 0.9430 |
| TensorRT FP16 (GPU) | NVIDIA GeForce RTX 4060 Laptop GPU | 22.06 | 3.34 | 12.29 | 81.4 | 0.9372 |
- FP32 vs OpenVINO INT8 Nicemleme Paritesi (10 val görüntüsü):
conf=0.25eşleşen = 59 (yalnız FP32: 3, yalnız INT8: 1, ort IoU = 0.9537, ort |Δconf| = 0.0320);conf=0.395eşleşen = 43 (ort IoU = 0.9530, tüm farklar Kart 05 şablonundaki 2 sabitspurious_coppernoktasında yoğunlaşmıştır). - Tarayıcı ORT WebGPU (
tracera_1024.onnx) Paritesi (10 val,conf=0.25): İki yönlü eşleşme = %96.72 (59 eşleşen), ort IoU = 0.9885, ort |Δconf| = 0.0065,0.395sayım farkı = -1; RTX 4060 Laptop WebGPU medyan model/toplam gecikmesi = 44.11 / 113.37 ms. - XAI Doğrulama (LayerCAM @ Katman 4, n=150): 1× silme göreli düşüş = 0.7004 (kazanma %97.3), 2× düşüş = 0.7654 (kazanma %98.7), pencere içi kutu enerjisi = %61.0.
- Endüstriyel PCB-AoI Temsil Transferi (3 Seed, null sonuç): PKU başlangıcı test mAP50 = 0.6172 ± 0.0301, COCO başlangıcı = 0.6083 ± 0.0042; fark seed varyansının içinde kalmıştır.
4. Kullanım / Quick Usage
Python (Ultralytics / PyTorch & OpenVINO INT8)
from huggingface_hub import snapshot_download
from ultralytics import YOLO
weights_dir = snapshot_download(repo_id="ebboo/tracera-model")
# PyTorch (GPU/CPU)
pt_model = YOLO(f"{weights_dir}/last.pt")
pt_res = pt_model.predict("pcb.jpg", imgsz=1024, conf=0.395, iou=0.7)
# OpenVINO INT8 (CPU)
ov_model = YOLO(f"{weights_dir}/last_int8_openvino_model", task="detect")
ov_res = ov_model.predict("pcb.jpg", imgsz=1024, conf=0.395, iou=0.7)
Tarayıcı / Browser (ONNX Runtime Web + tracera_1024.onnx)
- Girdi tensörü:
[1, 3, 1024, 1024]RGBfloat32([0, 1]normalize), en-boy oranını koruyan letterbox + sabit114(114/255) dolgu. - Çıktı tensörü:
[1, 10, 21504]([cx, cy, w, h, 6 sınıf skoru]); dahili NMS yoktur, istemci tarafındaconf >= 0.395veiou = 0.7NMS uygulanır (meta.json).
Ortam Değişkeniyle Otomatik İndirme (Tracera Repo)
export TRACERA_MODEL_REPO=ebboo/tracera-model
pytest -v
5. Sınırlılıklar / Known Limitations
- Küçük Kart Çeşitliliği: PKU-Market-PCB yalnızca 10 kart tasarımı içerir; kilitli test kümesi yalnız 2 kart tasarımına (Kart 06 ve 10) dayanır.
- Çözünürlük Seçimi Bağımsızlığı:
1024vs6405-katlı CV deneyi tüm 10 kartlık havuz üzerinde yürütüldüğünden çözünürlük kararı test kartlarından tam bağımsız değildir (nihai ağırlık test kartlarını görmemiştir). - Şablon Yanlış Alarmları: Kart 06 temiz şablonunda
mouse_biteyanlış alarmı sabit tekrarlanır; FP32–INT8 niceleme farkları daconf >= 0.395düzeyinde Kart 05 şablonundaki 2 sabitspurious_copperkonumunda yoğunlaşır. - Çapraz Platform Farkları: OpenVINO INT8 Windows vs Linux çalışmaları arasında eşik sınırındaki kutularda küçük (~0.01) güven farkı görülebilir.
- Alan Boşluğu & Kamera: Model yukarıdan çekilmiş yüksek çözünürlüklü sentetik kusurlu PKU görüntüleriyle eğitilmiştir. Gerçek AoI verisine transfer deneyi null sonuç vermiştir; el kamerasında açı/ışık değişimiyle doğruluk düşer.
- Donanım Kapsamı: Hız değerleri dizüstü donanımında (RTX 4060 Laptop / Ryzen 7 8845HS) ölçülmüştür; gömülü kart veya mobil tarayıcı hız garantisi verilmez.
6. Lisans ve Atıf / License & Citation
- Lisans / License: GNU Affero General Public License v3.0 (
AGPL-3.0). - Veri Kümesi Atfı / Dataset Citation:
@article{huang2019pcb,
title={A PCB Dataset for Defects Detection and Classification},
author={Huang, Weibo and Wei, Peng},
journal={arXiv preprint arXiv:1901.08204},
year={2019}
}
- Downloads last month
- 50