Hinzufügen von Daten & Nachtraining

OV10i Hinweis

Die OV10i unterstützt ausschließlich Klassifikationsmodelle. Die auf dieser Seite erwähnten Segmentierungsfunktionen sind auf den Kameras OV20i und OV80i verfügbar.

Dieses Tutorial zeigt Ihnen, wie Sie die Genauigkeit Ihres AI-Modells verbessern können, indem Sie einem bestehenden Rezept neue Bilder hinzufügen und das Modell neu trainieren. Dieser Prozess ist unerlässlich, wenn Ihr Modell Gutteile fälschlicherweise ablehnt oder neue Variationen in Ihrer Produktion auftreten.

Video-Anleitung

Sehen Sie sich dieses Thema in Aktion an: OV Auto-Defect Creator Studio

Zu wenige Defektbilder?

Verwenden Sie den Defect Creator Studio, um aus einem einzigen Bild eines Gutteils fotorealistische synthetische Defektbilder zu erzeugen. Beschreiben Sie den Defekt in einfachem Englisch und erhalten Sie in Sekundenschnelle trainingsfähige Bilder.

Was Sie lernen werden:

• Wie Sie Bilder für das Nachtraining finden und auswählen
• Wie Sie Bilder zu einem bestehenden Trainset hinzufügen
• Wie Sie neue Trainingsdaten labeln
• Wie Sie Ihr Modell mit den neuen Daten neu trainieren

Wann Sie dies verwenden sollten: Wenn Gutteile bei der Inspektion durchfallen, wenn Sie neue Teilevarianten haben oder wenn Sie die Modellgenauigkeit durch zusätzliche Beispiele verbessern müssen.

Voraussetzungen

• Aktives Rezept mit einem trainierten AI-Modell (Klassifikation oder Segmentierung)
• Zugriff auf die OV10i-Kameraoberfläche
• Bilder in der Library, die dem Training hinzugefügt werden müssen

Schritt 1: Bilder für das Nachtraining finden

1.1 Zur Library navigieren

1. Öffnen Sie die OV10i-Oberfläche
2. Klicken Sie auf "Library" im linken Navigationsmenü
3. Sie sehen alle von Ihrer Kamera erfassten Bilder

1.2 Bilder filtern

1. Nach Rezept filtern: Wählen Sie das Rezept aus, das Sie verbessern möchten
2. Nach Pass/Fail filtern: Wählen Sie "FAIL" zur Anzeige fehlgeschlagener Bilder oder "PASS" für bestandene Bilder
3. Sortieren nach: Wählen Sie Datum oder andere Kriterien, um die Ergebnisse zu organisieren
4. Klicken Sie auf "Search", um die gefilterten Ergebnisse anzuzeigen

Ziel: Bilder finden, die falsch klassifiziert wurden – entweder Gutteile, die durchgefallen sind, oder Schlechtteile, die bestanden haben.

Schritt 2: Bilder zum Trainset hinzufügen

2.1 Bilder auswählen

1. Überprüfen Sie jedes Bild, um falsch klassifizierte Teile zu identifizieren
2. Wählen Sie Bilder aus, die zeigen:
   • Gutteile, die fälschlicherweise als fehlgeschlagen markiert wurden
   • Schlechtteile, die fälschlicherweise als bestanden markiert wurden
3. Klicken Sie auf das Kontrollkästchen bei jedem Bild, das Sie hinzufügen möchten

Wichtig

Fügen Sie Bilder hinzu, die falsch klassifiziert wurden – dazu gehören sowohl Gutteile, die durchgefallen sind, ALS AUCH Schlechtteile, die bestanden haben. Beide tragen zur Verbesserung der Modellgenauigkeit bei.

2.2 Zum Trainset hinzufügen

1. Klicken Sie nach Auswahl der Bilder unten auf "Add to the active recipe's trainset"
2. Eine Erfolgsmeldung bestätigt, dass die Bilder hinzugefügt wurden
3. Klicken Sie auf "Go to recipe editor", um fortzufahren

Schritt 3: Neue Trainingsdaten labeln

3.1 Zu Label and Train navigieren

1. Gehen Sie im Recipe Editor zu:
   • Klassifikationsrezept: "Classification Block"
   • Segmentierungsrezept: "Label And Train"
2. Klicken Sie auf "View All ROIs"

3.2 Ungelabelte Bilder finden

1. Verwenden Sie das Dropdown "Filter By Class"
2. Wählen Sie "Unlabeled", um nur ungelabelte Bilder anzuzeigen
3. Sie sehen die Bilder, die Sie soeben dem Trainset hinzugefügt haben

3.3 Ausgewählte Bilder labeln

1. Wählen Sie alle ungelabelten Bilder aus, die Sie hinzugefügt haben
2. Klicken Sie unten links auf "Label Selected ROIs"
3. Wählen Sie das korrekte Label aus dem Dropdown (z. B. "Pass", "Good" usw.)
4. Klicken Sie auf "OK", um das Label anzuwenden

Wichtig

Klicken Sie zwischen verschiedenen Labeling-Sitzungen auf "Clear Selection", um Fehlmarkierungen zu vermeiden.

3.4 ROI-Ansicht schließen

1. Schließen Sie das "View All ROIs"-Modal
2. Kehren Sie zur Hauptseite Label and Train zurück

Schritt 4: Modell neu trainieren

4.1 Nachtraining starten

1. Klicken Sie auf "Train Classification Model" oder "Train Segmentation Model"
2. Das System trainiert mit allen vorhandenen Daten plus Ihren neuen Bildern neu
3. Überwachen Sie den Trainingsfortschritt

4.2 Trainingsprozess

• Das Modell lernt sowohl aus alten als auch aus neuen gelabelten Daten
• Die Trainingsdauer hängt von der Gesamtmenge der Daten ab
• Warten Sie das Trainingsende ab, bevor Sie testen

4.3 Verbessertes Modell testen

1. Verwenden Sie den "Live Preview Mode", um das neu trainierte Modell zu testen
2. Testen Sie mit denselben Bildern, die zuvor fälschlicherweise durchgefallen sind
3. Überprüfen Sie, ob das Modell Gutteile nun korrekt als bestanden erkennt

Schritt 5: Ergebnisse validieren

5.1 Mit neuen Bildern testen

1. Erfassen Sie neue Bilder ähnlicher Teile
2. Prüfen Sie, ob das Modell bei Grenzfällen besser abschneidet
3. Stellen Sie sicher, dass zuvor gute Bilder nun korrekt bestehen

5.2 Leistung überwachen

1. Achten Sie auf neue False Positives oder False Negatives
2. Dokumentieren Sie die Verbesserung der Genauigkeit
3. Notieren Sie verbleibende Probleme für zukünftiges Nachtraining

Erfolg! Ihr Modell ist neu trainiert

Ihr verbessertes AI-Modell kann nun:

✅ Gutteile besser identifizieren, die zuvor durchgefallen sind

✅ Neue Variationen verarbeiten in Ihren Produktionsteilen

✅ False Failures reduzieren und die Genauigkeit verbessern

✅ Sich an Änderungen anpassen in Ihrem Fertigungsprozess

Wichtige Tipps für den Erfolg

Datenqualität

• Fügen Sie falsch klassifizierte Bilder hinzu (sowohl False Passes als auch False Failures)
• Labeln Sie konsistent – Gutteile als "Pass", Schlechtteile als "Fail"
• Schließen Sie vielfältige Beispiele ein sowohl für bestandene als auch fehlgeschlagene Bedingungen
• Heben Sie Auswahlen auf zwischen verschiedenen Labeling-Sitzungen

Wann neu trainieren

• False Failures nehmen zu (Gutteile fallen durch)
• False Passes nehmen zu (Schlechtteile bestehen)
• Neue Teilevarianten treten in der Produktion auf
• Prozessänderungen wirken sich auf das Aussehen der Teile aus
• Saisonale Schwankungen bei Materialien oder Beleuchtung

Best Practices

• Klein anfangen – fügen Sie jeweils 10–20 Bilder hinzu
• Gründlich testen nach jedem Nachtraining
• Änderungen dokumentieren und Verbesserungen
• Backup aufbewahren funktionierender Modelle vor größeren Nachtrainings

Mehr Bilder sind nicht immer besser

Das Hinzufügen großer Mengen Bilder ohne Überprüfung kann Ihr Modell verschlechtern. Jedes Bild, das Sie hinzufügen, lehrt die AI etwas. Enthalten diese Bilder fehlerhaft gelabelte Teile, inkonsistente Beleuchtung, unscharfe Aufnahmen oder Grenzfälle, die nicht den realen Produktionsbedingungen entsprechen, lernt das Modell die falschen Muster und die Genauigkeit sinkt. Gute Daten rein, gute Daten raus.

Bevor Sie Bilder hinzufügen, überprüfen Sie, ob jedes Bild: korrekt gelabelt ist (Pass zeigt tatsächlich ein Gutteil, Fail zeigt tatsächlich einen Defekt), repräsentativ für reale Produktionsbedingungen ist, klar und fokussiert (nicht unscharf oder überbelichtet) und relevant für das Merkmal, das das Modell lernen soll. Wenn die Genauigkeit nach dem Nachtraining sinkt, überprüfen Sie zuerst Ihre kürzlich hinzugefügten Bilder. Das Entfernen einiger schlechter Beispiele hilft oft mehr als das Hinzufügen Dutzender neuer.

Nächste Schritte

Nach dem Nachtraining Ihres Modells:

1. Produktion überwachen auf verbesserte Genauigkeit
2. Weiter problematische Bilder sammeln für zukünftiges Nachtraining
3. Regelmäßigen Nachtrainingsplan einrichten, falls erforderlich
4. Bediener schulen, wann sie Bilder für das Nachtraining markieren sollen
5. Ihren Nachtrainingsprozess dokumentieren für Konsistenz

🔗 Siehe auch

• Train a Classifier
• Library & Image Management
• Using a Classifier (Single-ROI Example)