Klassifikator trainieren

Diese Anleitung zeigt Ihnen, wie Sie ein Klassifikationsmodell auf dem OV20i-Kamerasystem konfigurieren und trainieren. Verwenden Sie dieses Verfahren, wenn Sie Objekte automatisch anhand visueller Merkmale in verschiedene Klassen einordnen müssen.

Video Guide

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

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

Voraussetzungen

• Aktives Rezept mit konfigurierten Imaging-Einstellungen
• Template-Bild und Ausrichtung abgeschlossen (oder übersprungen)
• Inspection ROI(s) definiert
• Beispielobjekte, die jede Klasse repräsentieren, die Sie erkennen möchten

Schritt 1: Auf Classification Block zugreifen

1.1 Zur Klassifikation navigieren

1. Klicken Sie auf "Classification Block" im Breadcrumb-Menü, ODER
2. Wählen Sie aus dem Dropdown-Menü 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 Kategorie, die Sie erkennen möchten

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 sich das Objekt innerhalb der ROI-Grenzen befindet
3. Klicken Sie auf Capture, um ein Trainingsbild aufzunehmen
4. Wählen Sie die entsprechende Klasse aus dem Dropdown-Menü
5. Klicken Sie auf Save, um das gelabelte Bild zu speichern
6. Wiederholen Sie den Vorgang mit verschiedenen Beispielen derselben Klasse

3.2 Anforderungen an Trainingsdaten

Klasse	Minimale Bildanzahl	Empfohlene Bildanzahl	Hinweise
Jede Klasse	5	10-15	Mehr Bilder = bessere 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 unterschiedliche 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 einschließen
• Klassen in einzelnen Bildern mischen
• Unscharfe oder schlecht beleuchtete Bilder verwenden
• ROI-Größe zwischen Aufnahmen ändern

3.4 Qualitätskontrolle

Nach der Aufnahme jedes Bildes:

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

Schritt 4: Trainingsparameter konfigurieren

4.1 Auf Trainingseinstellungen zugreifen

1. Schaltfläche Train Classification Model anklicken

4.2 Trainingsmodus auswählen

Wählen Sie basierend auf Ihren Anforderungen:

Trainingsmodus	Dauer	Genauigkeit	Anwendungsfall
Fast	2-5 Minuten	Gut zum Testen	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): Schnelles Testen, 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, kann weniger stabil sein

Learning Rate:

• Niedrigere Werte: Stabiler, langsameres Lernen
• Höhere Werte: Schnelleres Lernen, Instabilitätsrisiko

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

Schritt 5: Trainingsprozess starten

5.1 Training initialisieren

1. Trainingskonfiguration überprüfen
2. Start Training anklicken
3. Fortschritt überwachen im Trainings-Modal

5.2 Trainingsfortschritts-Indikatoren

Überwachen Sie diese Metriken:

• 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 stoppen
• Finish Early: Stoppen, wenn die aktuelle Genauigkeit ausreichend ist
• Extend Training: Bei Bedarf weitere Iterationen hinzufügen

5.4 Abschluss des Trainings

Das Training stoppt automatisch, wenn:

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

Schritt 6: Modellleistung bewerten

6.1 Trainingsergebnisse überprüfen

Endmetriken prüfen:

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

6.2 Indikatoren für die Modellqualität

Genauigkeitsbereich	Qualitätsstufe	Empfehlung
95 %+	Ausgezeichnet	Bereit für den Produktionseinsatz
85-94 %	Gut	Geeignet für die meisten Anwendungen
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 hinweg ausbalancieren

Schritt 7: Klassifizierungsleistung testen

7.1 Live-Test

1. Klicken Sie auf Live Preview, um auf Echtzeit-Tests zuzugreifen
2. Platzieren Sie Testobjekte im Inspektionsbereich
3. Beobachten Sie die Klassifizierungsergebnisse:
   • Name der vorhergesagten Klasse
   • Konfidenz in Prozent
   • 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 folgende 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 nicht zufriedenstellend ist

Iterativer Verbesserungsprozess:

1. Identifizieren Sie Problembereiche:
   • Welche Klassen werden verwechselt?
   • Welche Objekte werden falsch klassifiziert?
   • Sind die Konfidenzwerte angemessen?
2. Fügen Sie gezielte Trainingsdaten hinzu:
   • Mehr Beispiele verwechselter Klassen
   • Grenzfälle und Borderline-Beispiele
   • Unterschiedliche Beleuchtungs-/Positionierungsbedingungen
3. Modell neu 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:

• Data Augmentation: Verwenden Sie verschiedene Beleuchtungen und Positionen
• Transfer Learning: Beginnen Sie mit ähnlich trainierten Modellen
• Ensemble-Methoden: Kombinieren Sie mehrere Modelle
• Regelmäßiges Neutraining: 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 folgende Details:

• Trainingsdatum und Version
• Anzahl der Bilder pro Klasse
• Verwendeter Trainingsmodus und Iterationen
• Erreichte endgültige Genauigkeit
• Besondere Hinweise

9.3 Backup-Konfiguration

1. Recipe exportieren zur Sicherung
2. Trainingsbilder bei Bedarf separat speichern
3. Modellparameter dokumentieren

Erfolg! Ihr Klassifikator ist einsatzbereit

Ihr trainiertes Klassifizierungsmodell kann nun:

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

Laufende Wartung

Regelmäßige Modellaktualisierungen

• Leistung überwachen im Laufe der Zeit
• Neue Trainingsdaten hinzufügen bei Bedarf
• Periodisch neu trainieren, um die Genauigkeit aufrechtzuerhalten
• Klassen aktualisieren für neue Produktvarianten

Leistungsüberwachung

• Genauigkeitsmetriken in der Produktion verfolgen
• Drift erkennen in der Modellleistung
• Neutraining planen basierend auf Leistungsabfall

Nächste Schritte

Nach dem Training Ihres Klassifikators:

1. I/O-Logik konfigurieren für Pass/Fail-Entscheidungen
2. Produktions-Workflows einrichten im IO Block
3. Komplettes Inspektionssystem durchgehend testen
4. In die Produktionsumgebung bereitstellen

Häufige Fallstricke

Fallstrick	Auswirkung	Vermeidung
Unzureichende Trainingsdaten	Geringe Genauigkeit	Mindestens 10 Bilder pro Klasse verwenden
Unausgewogene Klassen	Verzerrte Vorhersagen	Gleiche Bildanzahl über alle Klassen
Schlechte Bildqualität	Inkonsistente Ergebnisse	Beleuchtung und Fokus optimieren
Zu ähnliche Klassen	Verwechselte Klassifizierungen	Eindeutige Klassendefinitionen wählen
Keine Validierungstests	Produktionsausfälle	Stets mit unbekannten Objekten testen