У роботі розглянуто можливості застосування моделі глибинного навчання YOLOv5s у задачі автоматизації процесу детектування поверхневих дефектів на друкованих платах. Сучасні друковані плати виготовляються у великих обсягах і містять значну кількість елементів. Технологічний процес виготовлення друкованих плат є складним, що підвищує ймовірність виникнення дефектів розведення плати, таких як короткі замикання, розриви, «укуси миші» тощо. Дані дефекти є поверхневими та можуть бути виявлені за допомогою візуально-оптичного контролю. У порівнянні з іншими методами візуально-оптичний легше піддається автоматизації. Доведено, що перспективним є застосування моделей глибинного навчання для автоматизації процесу виявлення об'єктів на зображеннях. Сучасні нейронні мережі можуть автоматично з високою достовірністю детектувати поверхневі дефекти на зображеннях друкованих плат. У статті розглянуто клас моделей YOLO.