Klassifikator trainieren

Diese Anleitung zeigt Ihnen, wie Sie ein Klassifikationsmodell auf dem OV80i-Kamerasystem konfigurieren und trainieren. Verwenden Sie dieses Verfahren, wenn Sie Objekte automatisch anhand visueller Merkmale in verschiedene Klassen einteilen müssen.

Video-Anleitung

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

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

Voraussetzungen

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

Schritt 1: Auf den Klassifikationsblock 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 verschiedene Farben zur visuellen Unterscheidung
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 erfassen

3.1 Bildaufnahmeprozess

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

1. Platzieren Sie das 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 beschriftete Bild zu speichern
6. Wiederholen Sie den Vorgang mit verschiedenen Beispielen derselben Klasse

3.2 Anforderungen an die Trainingsdaten

Klasse	Mindestanzahl Bilder	Empfohlene Bildanzahl	Hinweise
Pro Klasse	5	10–15	Mehr Bilder = bessere Genauigkeit
Gesamter Datensatz	15+	30–50+	Ausgeglichen 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
• Halten Sie eine konsistente ROI-Einrahmung ein

Nicht empfohlen:

• Verwenden Sie nicht wiederholt identische Objekte
• Fügen Sie nicht mehrere Objekte in einer ROI ein
• Mischen Sie keine Klassen in einzelnen Bildern
• Verwenden Sie keine unscharfen oder schlecht beleuchteten Bilder
• Ändern Sie die ROI-Größe nicht zwischen den Aufnahmen

3.4 Qualitätskontrolle

Nach der Aufnahme jedes Bildes:

1. Bildqualität prüfen in der Vorschau
2. Korrekte Klassenzuweisung verifizieren
3. Bilder mit schlechter Qualität löschen mit der Schaltfläche Delete
4. Bei Bedarf neu aufnehmen

Schritt 4: Trainingsparameter konfigurieren

4.1 Trainingseinstellungen aufrufen

1. Schaltfläche Train Classification Model klicken

4.2 Trainingsmodus auswählen

Wählen Sie basierend auf Ihren Anforderungen:

Trainingsmodus	Dauer	Genauigkeit	Anwendungsfall
Fast	2-5 Minuten	Gut zum Testen	Erste 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, 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 Trainingsdialog

5.2 Trainingsfortschrittsindikatoren

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

5.4 Trainingsabschluss

Das Training stoppt automatisch, wenn:

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

Schritt 6: Modellleistung bewerten

6.1 Trainingsergebnisse überprüfen

Finale Metriken prüfen:

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

6.2 Modellqualitätsindikatoren

Genauigkeitsbereich	Qualitätsstufe	Empfehlung
95%+	Exzellent	Bereit für die Produktion
85-94%	Gut	Geeignet für die meisten Anwendungen
75-84%	Ausreichend	Mehr Trainingsdaten erwägen
<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 Klassen 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:
   • 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 folgende Aspekte:

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

Schritt 8: Modelloptimierung

8.1 Wenn die Leistung unzureichend 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 für verwechselte Klassen
   • Randfälle und Grenzfall-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:

• Datenaugmentierung: Verwenden Sie variierende Beleuchtung und Positionen
• Transfer Learning: Starten Sie von ähnlichen trainierten Modellen
• Ensemble-Methoden: Kombinieren Sie mehrere Modelle
• Regelmäßiges Neutrainieren: Aktualisierung mit neuen Produktionsdaten

Schritt 9: Konfiguration abschließen

9.1 Modell speichern

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

9.2 Dokumentation

Erfassen Sie folgende Details:

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

9.3 Konfiguration sichern

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

Erfolg! Ihr Klassifikator 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
• Mit I/O-Logik integrieren für automatisierte Entscheidungsfindung

Laufende Wartung

Regelmäßige Modellaktualisierungen

• Leistung überwachen im Zeitverlauf
• Neue Trainingsdaten hinzufügen nach Bedarf
• Regelmäßig neu trainieren, um die Genauigkeit zu erhalten
• Klassen aktualisieren für neue Produktvarianten

Leistungsüberwachung

• Genauigkeitsmetriken in der Produktion verfolgen
• Drift in der Modellleistung erkennen
• Neutrainieren planen basierend auf Leistungsverschlechterung

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 testen Ende-zu-Ende
4. In Produktionsumgebung bereitstellen

Häufige Fallstricke

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