Zum Hauptinhalt springen

KI-GESTÜTZTE DOKUMENTATION

Was möchten Sie wissen?

Schritt 4: KI-Modell trainieren

Ihre Regions of Interest (ROIs) sind festgelegt. Jetzt ist es an der Zeit, der KI beizubringen, wie "gut" und "schlecht" aussehen.

Die drei Grundregeln des Trainings​

Bevor Sie etwas anderes tun, verinnerlichen Sie diese drei Regeln. Sie gelten unabhängig davon, ob Sie einen Classifier oder einen Segmenter trainieren, mit 5 Bildern oder mit 500.

Regel 1: Labeln Sie nur anhand des Bildes​

Schauen Sie sich niemals das physische Teil an (oder legen Sie es unter ein Mikroskop), um zu entscheiden, ob es gut oder schlecht ist. Wenn Sie den Fehler im Kamerabild nicht sehen können, kann die KI ihn auch nicht erlernen.

Die KI ist keine Zauberei. Sie kann nur mit dem arbeiten, was die Kamera sieht. Wenn Sie ein Teil als "defekt" labeln, weil Sie beim Anfassen oder unter der Lupe etwas bemerkt haben, das Kamerabild aber in Ordnung aussieht, bringen Sie der KI bei, etwas zu sehen, das gar nicht da ist.

Wenn Sie es nicht allein anhand des Bildes labeln können, gehen Sie zurück zum Install-Schritt und korrigieren Sie den physischen Aufbau: besseres Objektiv, bessere Beleuchtung, näher montieren, anderer Winkel.

Regel 2: Überprüfen Sie Ihre Labels doppelt und dreifach​

Fehlbeschriftungen passieren jedem; auch erfahrene Ingenieure machen sie. Aber ein einziges falsches Label in einem kleinen Datensatz kann Ihre Ergebnisse zunichtemachen.

Bei 5 Trainingsbildern beschädigt eine Fehlbeschriftung 20 % Ihrer Trainingsdaten. Das ist katastrophal.

Vor jedem Trainingslauf: Klicken Sie auf View All ROIs und überprüfen Sie jede einzelne Annotation. Das ist die einfachste Korrektur mit der größten Wirkung.

Regel 3: Klein anfangen, schnell iterieren​

Labeln Sie nicht 50 Bilder und starten Sie dann das Training. Erstellen Sie stattdessen eine enge Schleife: Labeln Sie 10-15 Bilder pro Klasse, trainieren (ca. 30 Sekunden), testen und versuchen, das Modell zu brechen, und fügen Sie dann gezielt Daten dort hinzu, wo es versagt. Wiederholen Sie diesen Zyklus 2-4 Mal.

Diese Schleife ist Ihr schnellster Weg zu einem guten Modell.

Schritt-für-Schritt-Trainings-Workflow​

Welche Oberflächenversion haben Sie?

Die Weboberfläche des OV20i wurde in v2026.5 neu gestaltet. Überprüfen Sie Ihre Softwareversion in der oberen rechten Ecke der Kamera-UI und wählen Sie den passenden Tab. Ihre Auswahl gilt für jede Seite dieses Setup-Workflows.

Folgen Sie den nummerierten Schritten unten, um Bilder aufzunehmen, zu labeln, zu trainieren und zu iterieren.

1. Erste Trainingsbilder aufnehmen​

Bei aktivem Rezept und laufenden (oder manuell platzierten) Teilen nehmen Sie Bilder auf. Sie benötigen mindestens 10-15 Bilder pro Klasse, um zu starten.

Für eine einfache Pass/Fail-Inspektion:

  • 10-15 Bilder von guten Teilen
  • 10-15 Bilder von defekten Teilen

2. Klassen definieren​

Wählen Sie den Modelltyp, den Sie trainieren, und lesen Sie dann die passenden Anweisungen. Der Umschalter unten bleibt zwischen Schritt 2 und Schritt 3 synchronisiert, und Ihre Auswahl wird in der URL gespeichert, sodass sie ein Neuladen oder Teilen übersteht.

Fügen Sie in der Labeling-Oberfläche die Klassen hinzu, die jeder Inspektionstyp benötigt. Häufige Classifier-Klassensätze:

  • Pass / Fail
  • Present / Absent
  • Good / Scratched / Cracked

Halten Sie es zunächst einfach. Sie können später jederzeit Klassen hinzufügen.

3. Bilder beschriften​

Classifier-Beschriftung: Wählen Sie für jede ROI eine Klasse aus dem Dropdown-Menü

Jede ROI erhält ihre eigene Klassifizierungsklasse. Wählen Sie die Klasse, die diese ROI in diesem Bild beschreibt (z. B. "pass" oder "fail").

Klassifizierung ist schneller zu beschriften

Wenn Sie unsicher sind, ob Sie Klassifizierung oder Segmentierung verwenden sollen, beginnen Sie mit der Klassifizierung. Sie ist deutlich schneller zu beschriften und für die meisten Pass/Fail-Szenarien geeignet. Eine Orientierungshilfe finden Sie unter Classifier vs. Segmenter.

4. Modell trainieren​

Klicken Sie auf Train. Der Classifier bietet zwei Trainingsmodi:

  • Fast mode, etwa 30 Sekunden bis eine Minute. Ideal für schnelle Iterationen während der Einrichtung, zur Plausibilitätsprüfung Ihrer Beschriftungen und für einfache/gut trennbare Teile. Die Genauigkeit ist geringer als im Production mode, aber Sie sehen das Signal schnell.
  • Production mode, dauert länger, erzeugt aber ein deutlich genaueres Modell. Verwenden Sie vor dem Einsatz in der Linie immer den Production mode. Für anspruchsvolle Teile, schwer zu unterscheidende Fehler oder alles, worauf Sie sich in der Produktion verlassen wollen, ist der Production mode die richtige Wahl.

Ein bewährter Rhythmus: Iterieren Sie im Fast mode, während Sie Beschriftungen bereinigen und Daten hinzufügen, führen Sie dann Production aus, sobald das Ergebnis gut aussieht, und erneut vor dem Deployment.

5. Test mit Live Preview​

Klicken Sie auf Live Preview Mode und führen Sie Teile durch. Beobachten Sie die Ergebnisse:

  • Werden einfache Fälle korrekt erkannt?
  • Wo gibt es Schwierigkeiten?
  • Was sind die Grenzfälle?

Versuchen Sie, das Modell zu überfordern. Finden Sie die Fälle, in denen es versagt. Diese Fehler sind Ihre Roadmap für Verbesserungen.

Classifier Live Preview: Verdikte und Confidence Scores pro ROI

Das Test-Panel zeigt die vorhergesagte Klasse und den Confidence Score für jede ROI. Führen Sie einige Aufnahmen durch und achten Sie auf Verdikte mit geringer Confidence (oft unter 70 %); das sind Ihre Grenzfälle und die Teile, die als Nächstes gelabelt werden sollten.

6. Gezielte Daten hinzufügen​

Fügen Sie keine zufälligen neuen Bilder hinzu. Fügen Sie Bilder hinzu, die gezielt die gefundenen Fehlermodi adressieren:

  • Verwechselt das Modell Kratzer mit Reflexionen, fügen Sie mehr Beispiele von beiden hinzu
  • Übersieht es kleine Defekte, fügen Sie mehr Bilder kleiner Defekte hinzu
  • Versagt es bei Teilen in den Ecken, fügen Sie mehr Beispiele aus den Ecken hinzu

7. Neutrainieren und erneut testen​

Wiederholen Sie die Schritte 4–6 zwei- bis viermal. Jede Iteration sollte die Genauigkeit verbessern. Eine ausführlichere Anleitung, einschließlich der Hinzufügung neuer Bilder zu einem bestehenden Modell ohne Verlust des vorherigen Trainings, finden Sie unter Daten hinzufügen & Neutrainieren.

Augmentations: der KI beibringen, mit Variation umzugehen​

Augmentationen verändern Ihre Trainingsbilder während des Trainingsprozesses zufällig, indem sie die Helligkeit anpassen, Rotation hinzufügen, den Kontrast verändern usw. Jedes Bild wird der KI hunderte Male mit leicht unterschiedlichen Augmentationen zugeführt, das Label bleibt jedoch dasselbe. So machen Sie ein Modell robust gegenüber realen Bedingungen, ohne ein Beispiel für jede mögliche Variation erfassen zu müssen.

Was standardmäßig aktiviert werden sollte​

Eine kleine Menge brightness-Variation lohnt sich fast immer – selbst die kontrollierteste Fabrik hat Deckenbeleuchtung, die flackert, Schatten, die sich im Laufe der Schicht verschieben, und geringfügige LED-Drift im Laufe der Zeit. Helligkeits-Augmentation macht das Modell quasi kostenlos resilient gegenüber all dem.

Rotation: nützlich, aber achten Sie auf die ROI-Form​

Rotations-Augmentation ist großartig, wenn Ihre Teile tatsächlich in unterschiedlichen Winkeln eintreffen können (lose Schrauben auf einem Förderband, von Hand platzierte Teile, alles, was nicht in einer Vorrichtung gehalten wird). Aber sie interagiert mit der ROI-Form:

  • Quadratische ROI: Rotations-Augmentation funktioniert sauber, das gedrehte Bild passt weiterhin in den ROI-Rahmen.
  • Nicht-quadratische ROI bei einem Classifier: Rotation kann das Bild beschneiden. Wenn eine hohe, schmale ROI um 45° gedreht wird, fallen die Ecken des gedrehten Inhalts aus dem Rahmen heraus und das Modell trainiert auf einem unvollständigen Bild. Wenn sich Ihr Teil drehen kann, machen Sie die ROI entweder quadratisch oder verlassen Sie sich auf den Aligner, um die Rotation vorgelagert zu behandeln, sodass Sie hier keine Rotations-Augmentation benötigen.
  • Segmenter: Das gleiche Beschneidungsproblem gilt, aber Segmentierung ist weniger empfindlich, da sie aus Pixelmasken und nicht aus der gesamten ROI-Form lernt.

Datenvielfalt ist wichtig​

Ihre Trainingsdaten sollten die gesamte Bandbreite dessen abbilden, was die KI in der Produktion sehen wird:

  • Verschiedene Tageszeiten (wenn die Beleuchtung variiert)
  • Verschiedene Teilechargen (Oberflächenbeschaffenheit kann leicht variieren)
  • Teile in unterschiedlichen Positionen innerhalb des Bildausschnitts
  • Sowohl einfache als auch schwierige Fälle

Konzentrieren Sie sich auf die schwierigsten Fälle. Wenn Ihre Trainingsdaten die 10 am schwierigsten zu klassifizierenden Teile enthalten, sind die 90 % der einfachen Teile für die KI trivial.

Wie viele Daten Sie tatsächlich benötigen​

Sie benötigen weit weniger Daten als bei den meisten KI-Systemen. Die meisten Inspektionen funktionieren bereits mit nur 5 bis 10 Bildern pro Klasse hervorragend. Für ein schwierigeres Problem mit mehreren Fehlern reichen in der Regel 15 bis 20 Bilder pro Klasse aus. Beginnen Sie klein, finden Sie in der Live Preview heraus, wo das Modell Schwierigkeiten hat, und ergänzen Sie nur dort gezielt Bilder, wo es nötig ist, anstatt im Voraus Hunderte zu sammeln.

Beschleunigung mit synthetischen Daten: Defect Studio​

Was, wenn Sie für einen Fehler trainieren müssen, den Sie selten sehen? Eine fehlende Schraube, die Sie absichtlich entfernen müssten, einen Kratzer, den Sie erzeugen müssten, einen Riss, der einmal pro tausend Teile auftritt? Monatelang zu warten, um genügend Beispiele zu sammeln, ist nicht praktikabel.

Das OV Auto-Defect Creator Studio auf tools.overview.ai löst dieses Problem. Es erzeugt fotorealistische synthetische Fehlerbilder – bis zu 10.000-mal schneller, als auf das Auftreten echter Fehler in der Produktionslinie zu warten.

So funktioniert es: 5 einfache Schritte​

  1. Laden Sie ein gutes Bild Ihres Teils hoch
  2. Markieren Sie den Bereich, in dem der Fehler erscheinen soll
  3. Beschreiben Sie den Fehler in einfachem Englisch (z. B. „deep scratch across the surface" oder „missing solder joint")
  4. Generieren Sie die Fehlervarianten (die KI erstellt fotorealistische Ergebnisse)
  5. Exportieren Sie die synthetischen Bilder direkt in Ihren Trainingsdatensatz

Warum synthetische Daten funktionieren​

Die generierten Bilder sind nicht einfach „aufgeklebte" Artefakte. Es handelt sich um fotorealistische Varianten, die zu Ihrer tatsächlichen Beleuchtung, Ihrem Kamerawinkel und Ihrer Teileoberfläche passen. Die KI versteht die Physik dahinter, wie Fehler unter Ihren spezifischen Bildgebungsbedingungen aussehen.

Anwendungsfälle:

  • Seltene Fehler: Trainieren Sie für Fehlermodi, die Sie noch nie (oder selten) gesehen haben
  • Neue Produkteinführungen: Erstellen Sie eine Inspektion, bevor das erste fehlerhafte Teil vom Band läuft
  • Grenzfälle: Generieren Sie grenzwertige Beispiele, um die Entscheidungsgrenze der KI zu verbessern
  • Daten-Augmentation: Ergänzen Sie kleine Datensätze mit synthetischer Vielfalt

Sehen Sie es in Aktion​

Mit echten Daten beginnen, mit synthetischen beschleunigen

Der beste Ansatz: Trainieren Sie zunächst mit Ihren ersten 3–5 echten Bildern, identifizieren Sie, wo die KI Schwierigkeiten hat, und nutzen Sie dann Defect Studio, um gezielt synthetische Beispiele für diese spezifischen Fehlermodi zu generieren. Echte Daten vermitteln die Grundlage; synthetische Daten füllen die Lücken.

Trainings-Checkliste​

Bevor Sie fortfahren, bestätigen Sie:

  • Erste Bilder aufgenommen, mindestens 10–15 pro Klasse
  • Alle Labels doppelt überprüft (View All ROIs)
  • Trainiert und mit Live Preview getestet
  • Fehlerfälle identifiziert und gezielte Daten hinzugefügt
  • 2–4 Iterationen von Labeln → Trainieren → Testen abgeschlossen
  • Ergebnisse entsprechen den Erwartungen

Modell trainiert und sieht gut aus? Weiter zu Schritt 5: Ausgänge einrichten.