← Torna all’Archivio News
News
Edge AI
Machine Learning
NVIDIA
Transfer Learning

Modelli pre-trained RAEE: dal transfer learning all'edge

11 novembre 2026·di Nico Monaco
Modelli pre-trained RAEE: dal transfer learning all'edge

Nel trattamento dei rifiuti elettronici il vero collo di bottiglia non è la raccolta ma la selezione: le schede arrivano mescolate, diverse per marca, età e configurazione, e ogni componente di valore va riconosciuto prima di poter essere recuperato. Addestrare da zero una rete neurale per questo compito richiederebbe un grande numero di immagini annotate, molte ore di calcolo e competenze che poche imprese hanno al proprio interno.

I modelli pre-trained per i RAEE cambiano questa equazione: si parte da una rete che ha già imparato a vedere su grandi dataset generalisti e la si specializza con un numero contenuto di esempi reali. Per un decision maker significa abbassare il costo di avvio di un sistema di visione, accorciare i tempi di validazione e rendere sostenibile l'automazione anche su volumi di materiale non enormi. Non a caso il riconoscimento dei componenti sulle schede dismesse è oggi un terreno molto attivo della ricerca applicata al recupero di materie prime critiche.

Modelli pre-trained RAEE: cosa sono e perché convengono

Un modello pre-trained è una rete neurale già addestrata su un vasto insieme di immagini, tipicamente dataset pubblici come ImageNet o COCO. In quella fase i primi strati imparano a riconoscere bordi, texture, forme e contrasti: competenze generali che restano valide anche quando l'oggetto cambia. Il transfer learning consiste nel riutilizzare questi strati e nel riaddestrare la parte finale della rete, o l'intera rete con un passo di apprendimento ridotto, sul proprio compito specifico.

Nel caso dei RAEE il compito è rilevare e classificare i componenti presenti sulla scheda. I lavori accademici più recenti sulle schede dismesse usano in genere otto classi: condensatori, condensatori elettrolitici, bobine, diodi, circuiti integrati, resistori, trasformatori e transistor. È una granularità sufficiente per stimare dove si concentrano i materiali di interesse e per instradare la scheda verso il processo di recupero più adatto. I vantaggi pratici di partire da un modello già addestrato sono tre:

  • Meno dati: basta un dataset annotato molto più piccolo di quello richiesto da un addestramento da zero.
  • Meno calcolo: il fine-tuning converge in tempi più brevi e può essere ripetuto quando cambia il mix di schede.
  • Più robustezza: le caratteristiche generali apprese a monte aiutano il modello a gestire variazioni di luce, orientamento e sporco.

Cosa dice la letteratura sulle schede elettroniche dismesse

Gli studi pubblicati offrono indicazioni utili, anche perché mostrano i limiti dell'approccio. Un lavoro basato su YOLOv5 con pesi pre-addestrati ha usato immagini raccolte in impianti di riciclo con una camera Raspberry Pi collegata a una Jetson Nano. Il dataset era di appena 42 immagini e le metriche sono rimaste modeste, con una mAP dell'ordine di 0,56: il modello pre-addestrato aiuta, ma non compensa l'assenza di dati rappresentativi.

Con più dati e un'architettura più recente il quadro cambia. Uno studio sui trasformatori di rilevamento ha applicato il transfer learning a RT-DETR, con fine-tuning su un dataset di schede dismesse a otto classi, ottenendo una mAP50 di 0,98 per la variante L e 0,99 per la XL, contro valori intorno a 0,90-0,91 per YOLOv8 e YOLOv9 nello stesso confronto. Il costo sta nel tempo di addestramento, circa 6,85 ore per la variante L contro 24,45 ore per la XL, con una mAP50-95 che passa da 0,82 a 0,84. Gli autori sottolineano che la scelta del modello dipende dalle risorse di calcolo e dall'accuratezza richiesta, e che la distribuzione delle classi nel dataset è sbilanciata: i numeri vanno letti come indicazione, non come promessa.

Sul fronte dell'efficienza, PCBDet innesta un backbone pre-addestrato su ImageNet in una struttura RetinaNet e lo valuta sulle immagini fotografiche del dataset pubblico FICS-PCB, che comprende 31 schede e oltre 77 mila componenti. Rispetto a una baseline con EfficientNet-B4 ha meno della metà dei parametri, una mAP COCO più alta di circa il 4% sul test set e un'inferenza circa il 65% più veloce su Jetson Nano.

Dal modello generico al modello specializzato: il fine-tuning

La differenza tra un prototipo e un sistema affidabile sta nella disciplina con cui si prepara il fine-tuning. Un percorso tipico segue questi passi:

  1. Acquisizione controllata: telecamera fissa, illuminazione stabile e messa a fuoco costante riducono la variabilità che il modello dovrebbe altrimenti imparare a ignorare.
  2. Annotazione coerente: strumenti come Label Studio, usato in uno dei lavori citati, permettono di definire le classi e disegnare i riquadri; la qualità delle etichette pesa più della quantità.
  3. Bilanciamento delle classi: le classi rare vanno rafforzate con data augmentation, come negli studi citati, che ricorrono ad esempio a ribaltamenti, traslazioni e ritagli casuali.
  4. Congelamento parziale: bloccare i primi blocchi del backbone, come fa PCBDet, riduce il rischio di sovradattamento quando i dati sono pochi.
  5. Validazione per scheda: il test set deve contenere schede mai viste in addestramento, non solo porzioni diverse delle stesse schede, altrimenti le metriche risultano gonfiate.

Conviene poi leggere insieme mAP50 e mAP50-95: la prima misura se il componente è trovato, la seconda quanto precisamente è localizzato, e per un braccio robotico che deve prelevarlo conta soprattutto la seconda.

Dal training all'inferenza sul campo

Un modello accurato che non gira sull'hardware di linea non serve. NVIDIA TAO Toolkit è un esempio di ambiente pensato per questo passaggio: è un toolkit low-code basato su TensorFlow e PyTorch che mette a disposizione oltre 100 modelli pre-addestrati dal catalogo NGC, alcuni allenati su dataset pubblici come ImageNet, COCO e OpenImages. Il flusso prevede fine-tuning sui propri dati, comandi di pruning ed export, quantization aware training come passo opzionale, e un risultato in formato ONNX compatibile con TensorRT, per l'inferenza accelerata su dispositivi NVIDIA tramite DeepStream e TensorRT.

Il compromesso da valutare è sempre tra accuratezza e latenza. Gli esperimenti con RT-DETR citati sopra sono stati condotti su un server con GPU dedicata, mentre YOLOv5 e PCBDet sono stati misurati su Jetson Nano: prima di scegliere l'architettura occorre quindi fissare l'hardware di destinazione e il tempo massimo di ciclo della cella. Va verificata anche la licenza dei pesi pre-addestrati, perché non tutti sono utilizzabili in un contesto commerciale, e pianificato un monitoraggio in esercizio che segnali quando il mix di schede in ingresso si allontana da quello usato in addestramento.

Un vantaggio competitivo che si costruisce sui dati

I modelli pre-trained per il riconoscimento dei RAEE sono ormai una commodity: chiunque può scaricarli. Ciò che distingue un sistema affidabile è il dataset proprietario di schede reali, annotato con criteri coerenti e aggiornato con i casi difficili che emergono in linea. È questo anello di retroazione, più dell'architettura scelta, a determinare nel tempo precisione, stabilità e capacità di adattarsi a nuove famiglie di prodotti.

Per un'azienda che valuta l'automazione della selezione il percorso più sensato è graduale: un pilota su una famiglia di schede ben definita, una misura onesta di quanti dati servono per raggiungere la precisione richiesta e un confronto tra almeno due architetture sull'hardware reale. Chi costruisce oggi la propria base di immagini e la propria pipeline di fine-tuning si ritrova domani con un asset difficile da replicare.

    Modelli pre-trained RAEE: dal transfer learning all'edge | Orbita Technologies