Klassifikator trainieren

Diese Anleitung zeigt Ihnen, wie Sie ein Klassifikationsmodell auf dem OV10i-Kamerasystem konfigurieren und trainieren. Verwenden Sie dieses Verfahren, wenn Sie Objekte automatisch anhand visueller Merkmale in verschiedene Klassen kategorisieren möchten.

Video-Anleitung

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

Wann Klassifikation verwenden: Sortierung von Teilen nach Typ, Größe, Farbe oder Zustand; Identifizierung verschiedener Produktvarianten; Qualitätskontrolle mit mehreren akzeptablen Kategorien.

Voraussetzungen

• Aktives Rezept mit konfigurierten Bildgebungseinstellungen
• Vorlagenbild und Ausrichtung abgeschlossen (oder übersprungen)
• Inspektions-ROI(s) definiert
• Beispielobjekte, die jede zu erkennende Klasse repräsentieren

Schritt 1: Auf Klassifikationsblock zugreifen

1.1 Zur Klassifikation navigieren

1. Klicken Sie auf "Classification Block" im Breadcrumb-Menü, ODER
2. Wählen Sie aus dem Dropdown in der Navigationsleiste

1.2 Voraussetzungen überprüfen

Stellen Sie sicher, dass die folgenden Blöcke einen grünen Status anzeigen:

• ✅ Imaging Setup
• ✅ Template and Alignment (oder übersprungen)
• ✅ Inspection Setup

Schritt 2: Klassifikationsklassen erstellen

2.1 Klassen definieren

1. Klicken Sie auf Edit unter "Inspection Types"
2. Fügen Sie Klassen hinzu für jede zu erkennende Kategorie

2.2 Jede Klasse konfigurieren

Für jede Klasse:

1. Klassennamen eingeben: Verwenden Sie aussagekräftige Namen (z. B. "Small", "Medium", "Large")
2. Klassenfarbe auswählen: Wählen Sie unterschiedliche Farben zur visuellen Identifikation
3. Beschreibung hinzufügen: Optionale Details zur Klasse
4. Klicken Sie auf Save

2.3 Best Practices für die Klassenbenennung

Gute Namen	Schlechte Namen
Small_Bolt, Medium_Bolt, Large_Bolt	Type1, Type2, Type3
Red_Cap, Blue_Cap, Green_Cap	Color1, Color2, Color3
Good_Part, Defective_Part	Pass, Fail
Screw_PhillipsHead, Screw_Flathead	A, B

Schritt 3: Trainingsbilder aufnehmen

3.1 Bildaufnahmeprozess

Nehmen Sie für jede Klasse mindestens 5 Bilder auf (10+ empfohlen):

1. Platzieren Sie ein Objekt, das die Klasse repräsentiert, im Inspektionsbereich
2. Stellen Sie sicher, dass das Objekt innerhalb der ROI-Grenzen liegt
3. Klicken Sie auf Capture, um ein Trainingsbild aufzunehmen
4. Wählen Sie die entsprechende Klasse aus dem Dropdown
5. Klicken Sie auf Save, um das beschriftete Bild zu speichern
6. Wiederholen Sie den Vorgang mit verschiedenen Beispielen derselben Klasse

3.2 Anforderungen an Trainingsdaten

Klasse	Mindestanzahl Bilder	Empfohlene Bilder	Hinweise
Jede Klasse	5	10-15	Mehr Bilder = höhere Genauigkeit
Gesamtdatensatz	15+	30-50+	Ausgewogen über alle Klassen
Grenzfälle	2-3 pro Klasse	5+ pro Klasse	Grenzwertige Beispiele

3.3 Best Practices für Trainingsbilder

Empfohlen:

• Verwenden Sie verschiedene Beispiele innerhalb jeder Klasse
• Variieren Sie Objektausrichtungen und -positionen
• Sorgen Sie für gute Lichtverhältnisse
• Erfassen Sie Grenzfälle und grenzwertige Beispiele
• Behalten Sie eine konsistente ROI-Rahmung bei

Nicht empfohlen:

• Identische Objekte wiederholt verwenden
• Mehrere Objekte in einer ROI einbeziehen
• Klassen in einzelnen Bildern vermischen
• Unscharfe oder schlecht beleuchtete Bilder verwenden
• ROI-Größe zwischen Aufnahmen ändern

3.4 Qualitätskontrolle

Nach jeder Bildaufnahme:

1. Bildqualität überprüfen in der Vorschau
2. Korrekte Klassenzuordnung verifizieren
3. Bilder mit schlechter Qualität löschen über die Schaltfläche Delete
4. Bei Bedarf erneut aufnehmen

Schritt 4: Trainingsparameter konfigurieren

4.1 Zugriff auf Trainingseinstellungen

1. Schaltfläche Train Classification Model klicken

4.2 Trainingsmodus auswählen

Wählen Sie nach Ihren Anforderungen:

Trainingsmodus	Dauer	Genauigkeit	Anwendungsfall
Fast	2-5 Minuten	Gut für Tests	Initiale Modellvalidierung
Balanced	5-15 Minuten	Produktionsreif	Die meisten Anwendungen
Accurate	15-30 Minuten	Höchste Präzision	Kritische Anwendungen

4.3 Iterationsanzahl festlegen

Manuelle Iterationseinstellung:

• Niedrig (50-100): Schnelle Tests, grundlegende Genauigkeit
• Mittel (200-500): Produktionsqualität
• Hoch (500+): Maximale Genauigkeit, langsameres Training

4.4 Erweiterte Einstellungen (Optional)

Batch Size:

• Kleinere Batches: Stabileres Training, langsamer
• Größere Batches: Schnelleres Training, möglicherweise weniger stabil

Learning Rate:

• Niedrigere Werte: Stabiler, langsameres Lernen
• Höhere Werte: Schnelleres Lernen, Risiko von Instabilität

Empfehlung: Verwenden Sie die Standardeinstellungen, sofern Sie keine spezifischen Leistungsanforderungen haben.

Schritt 5: Trainingsprozess starten

5.1 Training initialisieren

1. Trainingskonfiguration überprüfen
2. Start Training klicken
3. Fortschritt überwachen im Trainings-Dialog

5.2 Fortschrittsanzeigen des Trainings

Folgende Metriken überwachen:

• Current Iteration: Fortschritt durch die Trainingszyklen
• Training Accuracy: Modellleistung auf den Trainingsdaten
• Estimated Time: Verbleibende Trainingsdauer
• Loss Value: Modellfehler (sollte mit der Zeit abnehmen)

5.3 Trainingssteuerung

Verfügbare Aktionen während des Trainings:

• Abort Training: Training sofort abbrechen
• Finish Early: Stoppen, wenn aktuelle Genauigkeit ausreicht
• Extend Training: Bei Bedarf weitere Iterationen hinzufügen

5.4 Abschluss des Trainings

Das Training stoppt automatisch, wenn:

• Zielgenauigkeit erreicht wurde (typischerweise 95 %+)
• Maximale Iterationen abgeschlossen sind
• Der Benutzer das Training manuell beendet

Schritt 6: Modellleistung bewerten

6.1 Trainingsergebnisse überprüfen

Finale Metriken prüfen:

• Final Accuracy: Sollte für den Produktiveinsatz >85 % betragen
• Training Time: Dauer für künftige Referenz notieren
• Convergence: Stabilisierung der Genauigkeit verifizieren

6.2 Qualitätsindikatoren des Modells

Genauigkeitsbereich	Qualitätsstufe	Empfehlung
95 %+	Exzellent	Bereit für den Produktiveinsatz
85-94 %	Gut	Für die meisten Anwendungen geeignet
75-84 %	Ausreichend	Mehr Trainingsdaten in Erwägung ziehen
<75 %	Schlecht	Mit mehr/besseren Bildern neu trainieren

6.3 Fehlerbehebung bei schlechter Leistung

Problem	Wahrscheinliche Ursache	Lösung
Niedrige Genauigkeit (<75 %)	Unzureichende Trainingsdaten	Mehr gelabelte Bilder hinzufügen
Training verbessert sich nicht	Schlechte Bildqualität	Beleuchtung/Fokus verbessern
Klassen werden verwechselt	Ähnlich aussehende Objekte	Mehr unterscheidende Beispiele hinzufügen
Overfitting	Zu wenige Bilder pro Klasse	Datensatz über die Klassen ausbalancieren

Schritt 7: Klassifizierungsleistung testen

7.1 Live-Test

1. Klicken Sie auf Live Preview, um auf den Echtzeittest zuzugreifen
2. Platzieren Sie Testobjekte im Inspektionsbereich
3. Beobachten Sie die Klassifizierungsergebnisse:
   • Vorhergesagter Klassenname
   • Konfidenzprozentsatz
   • Verarbeitungszeit

7.2 Validierungstest

Systematischer Validierungsprozess:

Testobjekt	Erwartete Klasse	Tatsächliches Ergebnis	Konfidenz	Bestanden/Nicht bestanden
Bekanntes Objekt der Klasse A	Klasse A	_____	____%	☐
Bekanntes Objekt der Klasse B	Klasse B	_____	____%	☐
Grenzfall-Beispiel	Klasse A oder B	_____	____%	☐
Unbekanntes Objekt	Niedrige Konfidenz	_____	____%	☐

7.3 Leistungsvalidierung

Überprüfen Sie diese Aspekte:

• Genauigkeit: Korrekte Klassifizierungen für bekannte Objekte
• Konfidenz: Hohe Konfidenz (>80 %) für eindeutige Beispiele
• Konsistenz: Wiederholbare Ergebnisse für dasselbe Objekt
• Geschwindigkeit: Akzeptable Verarbeitungszeit für Ihre Anwendung

Schritt 8: Modelloptimierung

8.1 Wenn die Leistung unbefriedigend ist

Iterativer Verbesserungsprozess:

1. Problembereiche identifizieren:
   • Welche Klassen werden verwechselt?
   • Welche Objekte werden falsch klassifiziert?
   • Sind die Konfidenzwerte angemessen?
2. Gezielte Trainingsdaten hinzufügen:
   • Mehr Beispiele für verwechselte Klassen
   • Grenzfälle und Borderline-Beispiele
   • Unterschiedliche Beleuchtungs-/Positionierungsbedingungen
3. Modell erneut trainieren:
   • Verwenden Sie den Modus "Accurate" für bessere Leistung
   • Erhöhen Sie die Anzahl der Iterationen
   • Überwachen Sie die Verbesserung der Genauigkeit

8.2 Erweiterte Optimierung

Für kritische Anwendungen:

• Datenaugmentation: Verwenden Sie unterschiedliche Beleuchtungen und Positionen
• Transfer Learning: Starten Sie mit ähnlichen trainierten Modellen
• Ensemble-Methoden: Kombinieren Sie mehrere Modelle
• Regelmäßiges erneutes Training: Aktualisieren Sie mit neuen Produktionsdaten

Schritt 9: Konfiguration abschließen

9.1 Modell speichern

1. Überprüfen Sie die zufriedenstellende Leistung
2. Das Modell wird automatisch gespeichert, wenn das Training abgeschlossen ist
3. Notieren Sie die Modellversion für die Dokumentation

9.2 Dokumentation

Erfassen Sie diese Details:

• Trainingsdatum und -version
• Anzahl der Bilder pro Klasse
• Verwendeter Trainingsmodus und Iterationen
• Erreichte endgültige Genauigkeit
• Besondere Überlegungen

9.3 Konfigurations-Backup

1. Rezept exportieren für die Sicherung
2. Trainingsbilder separat speichern, falls erforderlich
3. Modellparameter dokumentieren

Erfolg! Ihr Classifier ist einsatzbereit

Ihr trainiertes Klassifizierungsmodell kann jetzt:

• Objekte automatisch kategorisieren in definierte Klassen
• Konfidenzwerte bereitstellen für jede Vorhersage
• Bilder in Echtzeit verarbeiten für den Produktionseinsatz
• In I/O-Logik integrieren für automatisierte Entscheidungsfindung

Laufende Wartung

Regelmäßige Modellaktualisierungen

• Überwachen Sie die Leistung im Laufe der Zeit
• Fügen Sie neue Trainingsdaten hinzu nach Bedarf
• Trainieren Sie regelmäßig neu, um die Genauigkeit aufrechtzuerhalten
• Aktualisieren Sie Klassen für neue Produktvarianten

Leistungsüberwachung

• Verfolgen Sie Genauigkeitsmetriken in der Produktion
• Identifizieren Sie Drift in der Modellleistung
• Planen Sie ein erneutes Training basierend auf Leistungsverschlechterung

Nächste Schritte

Nach dem Training Ihres Classifiers:

1. Konfigurieren Sie die I/O-Logik für Pass/Fail-Entscheidungen
2. Richten Sie Produktions-Workflows im IO Block ein
3. Testen Sie das komplette Inspektionssystem durchgängig
4. Einsatz in der Produktionsumgebung

Häufige Fallstricke

Fallstrick	Auswirkung	Vermeidung
Unzureichende Trainingsdaten	Geringe Genauigkeit	10+ Bilder pro Klasse verwenden
Unausgewogene Klassen	Verzerrte Vorhersagen	Gleiche Bilderanzahl pro Klasse
Schlechte Bildqualität	Inkonsistente Ergebnisse	Beleuchtung und Fokus optimieren
Zu ähnliche Klassen	Verwechselte Klassifizierungen	Eindeutige Klassendefinitionen wählen
Keine Validierungstests	Ausfälle im Produktivbetrieb**	Stets mit unbekannten Objekten testen