Zum Hauptinhalt springen

KI-GESTÜTZTE DOKUMENTATION

Was möchten Sie wissen?

Daten hinzufügen & Neutrainieren

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

Video-Anleitung

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

Was Sie lernen werden:

  • Wie Sie Bilder für das Neutrainieren 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 gute Teile die Inspektion nicht bestehen, wenn Sie neue Teilevariationen haben oder wenn Sie die Modellgenauigkeit mit zusätzlichen Beispielen verbessern müssen.

Voraussetzungen​

  • Aktive Recipe mit einem trainierten KI-Modell (Classification oder Segmentation)
  • Zugriff auf die OV20i-Kameraschnittstelle
  • Bilder in der Library, die dem Training hinzugefügt werden müssen

Schritt 1: Bilder für das Neutrainieren finden​

1.1 Zur Library navigieren​

  1. Öffnen Sie die OV20i-Oberfläche
  2. Klicken Sie im linken Navigationsmenü auf "Library"
  3. Sie sehen alle aufgenommenen Bilder Ihrer Kamera

1.2 Bilder filtern​

  1. Nach Recipe filtern: Wählen Sie die Recipe aus, die Sie verbessern möchten
  2. Nach Pass/Fail filtern: Wählen Sie "FAIL" zum Anzeigen fehlgeschlagener Bilder oder "PASS" zum Anzeigen bestandener Bilder
  3. Sortieren nach: Wählen Sie Datum oder andere Kriterien zur Organisation der Ergebnisse
  4. Klicken Sie auf "Search", um die gefilterten Ergebnisse anzuzeigen

Ziel: Finden Sie Bilder, die falsch klassifiziert wurden – entweder gute Teile, die fehlgeschlagen sind, oder schlechte Teile, 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 Folgendes zeigen:
    • Gute Teile, die fälschlicherweise als fehlgeschlagen markiert wurden
    • Schlechte Teile, 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 – dies umfasst sowohl gute Teile, die fehlgeschlagen sind, ALS AUCH schlechte Teile, die bestanden haben. Beide helfen, die Modellgenauigkeit zu verbessern.

image.png

2.2 Zum Trainset hinzufügen​

  1. Nach Auswahl der Bilder klicken Sie 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 vom Recipe Editor zu:
    • Classification Recipe: "Classification Block"
    • Segmentation Recipe: "Label And Train"
  2. Klicken Sie auf "View All ROIs"

3.2 Unbeschriftete Bilder finden​

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

image.png

3.3 Ausgewählte Bilder labeln​

  1. Wählen Sie alle unbeschrifteten Bilder aus, die Sie hinzugefügt haben
  2. Klicken Sie auf "Label Selected ROIs" in der unteren linken Ecke
  3. Wählen Sie das korrekte Label aus dem Dropdown-Menü (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 Fehlbeschriftungen zu vermeiden.

image.png

3.4 ROI-Ansicht schließen​

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

Schritt 4: Modell neu trainieren​

4.1 Neutrainieren starten​

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

4.2 Trainingsprozess​

  • Das Modell lernt sowohl aus alten als auch aus neuen gelabelten Daten
  • Die Trainingszeit hängt von der Gesamtdatenmenge ab
  • Warten Sie, bis das Training abgeschlossen ist, 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 fehlgeschlagen sind
  3. Überprüfen Sie, ob das Modell gute Teile nun korrekt als bestanden erkennt

Schritt 5: Ergebnisse validieren​

5.1 Mit neuen Bildern testen​

  1. Nehmen Sie neue Bilder ähnlicher Teile auf
  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 Neutrainieren

Erfolg! Ihr Modell ist neu trainiert​

Ihr verbessertes KI-Modell kann nun:

✅ Gute Teile besser erkennen, die zuvor fehlgeschlagen sind

✅ Neue Variationen in Ihren Produktionsteilen verarbeiten

✅ Fehlschläge reduzieren und die Genauigkeit verbessern

✅ Sich an Änderungen in Ihrem Fertigungsprozess anpassen

Wichtige Tipps für den Erfolg​

Datenqualität​

  • Falsch klassifizierte Bilder hinzufügen (sowohl False Passes als auch False Failures)
  • Konsistent labeln – gute Teile als "Pass", schlechte Teile als "Fail"
  • Vielfältige Beispiele einbeziehen für sowohl bestehende als auch fehlschlagende Zustände
  • Auswahl löschen zwischen verschiedenen Labeling-Sitzungen

Wann neu trainieren​

  • False Failures nehmen zu (gute Teile fallen durch)
  • False Passes nehmen zu (schlechte Teile bestehen)
  • Neue Teilevariationen erscheinen in der Produktion
  • Prozessänderungen beeinflussen das Erscheinungsbild der Teile
  • Saisonale Variationen bei Materialien oder Beleuchtung

Best Practices​

  • Klein anfangen – 10–20 Bilder auf einmal hinzufügen
  • Gründlich testen nach jedem Neutrainieren
  • Änderungen dokumentieren und Verbesserungen festhalten
  • Backup aufbewahren funktionierender Modelle vor größeren Neutrainings
Mehr Bilder sind nicht immer besser

Das Hinzufügen großer Bildmengen ohne Überprüfung kann Ihr Modell verschlechtern. Jedes Bild, das Sie hinzufügen, bringt der KI etwas bei. Wenn diese Bilder falsch beschriftete Teile, inkonsistente Beleuchtung, unscharfe Aufnahmen oder Grenzfälle enthalten, die nicht den tatsächlichen Produktionsbedingungen entsprechen, lernt das Modell die falschen Muster, und die Genauigkeit nimmt ab. Gute Daten rein, gute Daten raus.

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

Nächste Schritte​

Nach dem Neutrainieren Ihres Modells:

  1. Produktion überwachen auf verbesserte Genauigkeit
  2. Weiterhin problematische Bilder für zukünftiges Neutrainieren sammeln
  3. Regelmäßigen Neutrainings-Zeitplan einrichten, falls erforderlich
  4. Bediener schulen, wann Bilder zum Neutrainieren markiert werden sollen
  5. Ihren Neutrainings-Prozess zur Konsistenz dokumentieren

🔗 Siehe auch​