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 = 0.395 üzerindedir.)
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_bite sınıfında 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=0.25 eşleşen = 59 (yalnız FP32: 3, yalnız INT8: 1, ort IoU = 0.9537, ort |Δconf| = 0.0320); conf=0.395 eşleşen = 43 (ort IoU = 0.9530, tüm farklar Kart 05 şablonundaki 2 sabit spurious_copper noktasında 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, 0.395 sayım 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] RGB float32 ([0, 1] normalize), en-boy oranını koruyan letterbox + sabit 114 (114/255) dolgu.
  • Çıktı tensörü: [1, 10, 21504] ([cx, cy, w, h, 6 sınıf skoru]); dahili NMS yoktur, istemci tarafında conf >= 0.395 ve iou = 0.7 NMS uygulanır (meta.json).

Ortam Değişkeniyle Otomatik İndirme (Tracera Repo)

export TRACERA_MODEL_REPO=ebboo/tracera-model
pytest -v

5. Sınırlılıklar / Known Limitations

  1. Küçük Kart Çeşitliliği: PKU-Market-PCB yalnızca 10 kart tasarımı içerir; kilitli test kümesi yalnız 2 kart tasarımına (Kart 06 ve 10) dayanır.
  2. Çözünürlük Seçimi Bağımsızlığı: 1024 vs 640 5-katlı CV deneyi tüm 10 kartlık havuz üzerinde yürütüldüğünden çözünürlük kararı test kartlarından tam bağımsız değildir (nihai ağırlık test kartlarını görmemiştir).
  3. Şablon Yanlış Alarmları: Kart 06 temiz şablonunda mouse_bite yanlış alarmı sabit tekrarlanır; FP32–INT8 niceleme farkları da conf >= 0.395 düzeyinde Kart 05 şablonundaki 2 sabit spurious_copper konumunda yoğunlaşır.
  4. Çapraz Platform Farkları: OpenVINO INT8 Windows vs Linux çalışmaları arasında eşik sınırındaki kutularda küçük (~0.01) güven farkı görülebilir.
  5. 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.
  6. 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
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Paper for ebboo/tracera-model