Answers are grounded in this paper and cite their sources.
Compares YOLOv10 and YOLOv11 for defect detection in PCBs, suggesting the best model for industrial applications.
Baskı Devre Kartı (Printed Circuit Board-PCB) kusurlarının tespiti, üretim verimliliği ve kalite kontrol açısından kritik öneme sahiptir. Bu çalışmada, PCB kusur tespiti için derin öğrenme tabanlı nesne algılama mimarileri YOLOv10 ve YOLOv11 karşılaştırılmıştır. Analizlerde her iki mimarinin Nano, Small ve Medium varyasyonları kullanılmış, performansları SGD ve Adamax optimizasyon algoritmalarıyla değerlendirilmiştir. Deneyler, altı kusur kategorisi içeren ve 10.668 görüntüden oluşan PKU-Market-PCB veri kümesi üzerinde gerçekleştirilmiştir. Sonuçlar, SGD ile eğitilen YOLOv10-Medium modelinin %70.30 mAP@50:95 değeriyle en yüksek doğruluğu sağladığını göstermiştir. Ancak bu model daha yüksek hesaplama maliyetine sahiptir. Doğruluk ve hesaplama verimliliği birlikte değerlendirildiğinde, Small ölçekli modellerin endüstriyel uygulamalar için daha dengeli bir çözüm sunduğu belirlenmiştir. Ayrıca YOLOv10’un YOLOv11’e göre ortalama %1.53, SGD’nin ise Adamax’a göre ortalama %5.33 daha yüksek performans sağladığı tespit edilmiştir. Gerçekleştirilen deneyler doğrultusunda, PCB kusur tespiti için uygun model-optimizasyon kombinasyonunun belirlenmesini amaçlamaktadır.
No takes yet. Share an insight, caveat, or question.
Kezer et al. (2026) studied this question.
Synapse has enriched 10 related papers. Consider them for comparative context: