Skip to main content

AI-POWERED DOCS

What do you want to know?

Thêm Dữ Liệu & Huấn Luyện Lại

Lưu Ý Về OV10i

OV10i chỉ hỗ trợ các mô hình classification. Các tính năng segmentation được đề cập trên trang này có sẵn trên các camera OV20i và OV80i.

Hướng dẫn này chỉ cho bạn cách cải thiện độ chính xác của mô hình AI bằng cách thêm hình ảnh mới vào một recipe hiện có và huấn luyện lại mô hình. Quy trình này rất cần thiết khi mô hình của bạn loại nhầm các sản phẩm tốt hoặc khi bạn gặp phải các biến thể mới trong sản xuất.

Hướng Dẫn Bằng Video

Xem chủ đề này qua video: OV Auto-Defect Creator Studio

Thiếu hình ảnh lỗi?

Sử dụng Defect Creator Studio để tạo các hình ảnh lỗi tổng hợp chân thực từ một hình ảnh sản phẩm tốt. Mô tả lỗi bằng tiếng Anh đơn giản và nhận được hình ảnh sẵn sàng để huấn luyện trong vài giây.

Những Gì Bạn Sẽ Học:

  • Cách tìm và chọn hình ảnh để huấn luyện lại
  • Cách thêm hình ảnh vào trainset hiện có
  • Cách gán nhãn dữ liệu huấn luyện mới
  • Cách huấn luyện lại mô hình với dữ liệu mới

Khi Nào Sử Dụng: Khi các sản phẩm tốt bị loại trong kiểm tra, khi bạn có các biến thể sản phẩm mới, hoặc khi bạn cần cải thiện độ chính xác của mô hình với các mẫu bổ sung.

Điều Kiện Tiên Quyết​

  • Recipe đang hoạt động với mô hình AI đã được huấn luyện (classification hoặc segmentation)
  • Quyền truy cập vào giao diện camera OV10i
  • Hình ảnh trong Library cần được thêm vào quá trình huấn luyện

Bước 1: Tìm Hình Ảnh Để Huấn Luyện Lại​

1.1 Điều Hướng Đến Library​

  1. Mở giao diện OV10i
  2. Nhấp vào "Library" trong menu điều hướng bên trái
  3. Bạn sẽ thấy tất cả hình ảnh đã chụp từ camera

1.2 Lọc Hình Ảnh​

  1. Lọc theo Recipe: Chọn recipe bạn muốn cải thiện
  2. Lọc theo Pass/Fail: Chọn "FAIL" để xem hình ảnh bị loại, hoặc "PASS" để xem hình ảnh đạt
  3. Sắp Xếp Theo: Chọn ngày hoặc các tiêu chí khác để sắp xếp kết quả
  4. Nhấp "Search" để hiển thị kết quả đã lọc

Mục Tiêu: Tìm các hình ảnh bị phân loại sai - hoặc là sản phẩm tốt bị loại hoặc là sản phẩm lỗi được chấp nhận.

Bước 2: Thêm Hình Ảnh Vào Trainset​

2.1 Chọn Hình Ảnh​

  1. Xem xét từng hình ảnh để xác định các sản phẩm bị phân loại sai
  2. Chọn các hình ảnh cho thấy:
    • Sản phẩm tốt bị đánh dấu sai là lỗi
    • Sản phẩm lỗi bị đánh dấu sai là đạt
  3. Nhấp vào ô kiểm trên mỗi hình ảnh bạn muốn thêm
Quan Trọng

Thêm các hình ảnh bị phân loại sai - bao gồm cả sản phẩm tốt bị loại VÀ sản phẩm lỗi được chấp nhận. Cả hai đều giúp cải thiện độ chính xác của mô hình.

image.png

2.2 Thêm Vào Trainset​

  1. Sau khi chọn hình ảnh, nhấp "Add to the active recipe's trainset" ở dưới cùng
  2. Một thông báo thành công sẽ xác nhận hình ảnh đã được thêm
  3. Nhấp "Go to recipe editor" để tiếp tục

Bước 3: Gán Nhãn Dữ Liệu Huấn Luyện Mới​

3.1 Điều Hướng Đến Label and Train​

  1. Từ Recipe Editor, đi đến:
    • Classification Recipe: "Classification Block"
    • Segmentation Recipe: "Label And Train"
  2. Nhấp "View All ROIs"

3.2 Tìm Hình Ảnh Chưa Gán Nhãn​

  1. Sử dụng menu thả xuống "Filter By Class"
  2. Chọn "Unlabeled" để chỉ hiển thị hình ảnh chưa gán nhãn
  3. Bạn sẽ thấy các hình ảnh bạn vừa thêm vào trainset

image.png

3.3 Gán Nhãn Cho Hình Ảnh Đã Chọn​

  1. Chọn tất cả hình ảnh chưa gán nhãn mà bạn đã thêm
  2. Nhấp "Label Selected ROIs" ở góc dưới bên trái
  3. Chọn nhãn chính xác từ menu thả xuống (ví dụ: "Pass", "Good", v.v.)
  4. Nhấp "OK" để áp dụng nhãn
Quan Trọng

Nhấp "Clear Selection" giữa các phiên gán nhãn khác nhau để tránh gán nhãn sai.

image.png

3.4 Đóng Chế Độ Xem ROI​

  1. Đóng modal "View All ROIs"
  2. Quay lại trang Label and Train chính

Bước 4: Huấn Luyện Lại Mô Hình​

4.1 Bắt Đầu Huấn Luyện Lại​

  1. Nhấp "Train Classification Model" hoặc "Train Segmentation Model"
  2. Hệ thống sẽ huấn luyện lại sử dụng tất cả dữ liệu hiện có cộng với hình ảnh mới của bạn
  3. Theo dõi tiến trình huấn luyện

4.2 Quá Trình Huấn Luyện​

  • Mô hình học từ cả dữ liệu cũ và dữ liệu đã gán nhãn mới
  • Thời gian huấn luyện phụ thuộc vào tổng lượng dữ liệu
  • Đợi huấn luyện hoàn tất trước khi kiểm tra

4.3 Kiểm Tra Mô Hình Đã Cải Tiến​

  1. Sử dụng "Live Preview Mode" để kiểm tra mô hình đã huấn luyện lại
  2. Kiểm tra với cùng các hình ảnh trước đó bị loại nhầm
  3. Xác minh rằng mô hình hiện xác định đúng các sản phẩm tốt là đạt

Bước 5: Xác Thực Kết Quả​

5.1 Kiểm Tra Với Hình Ảnh Mới​

  1. Chụp hình ảnh mới của các sản phẩm tương tự
  2. Kiểm tra xem mô hình có hoạt động tốt hơn trong các trường hợp biên không
  3. Xác minh rằng các hình ảnh tốt trước đây hiện đạt chính xác

5.2 Giám Sát Hiệu Suất​

  1. Theo dõi bất kỳ false positive hoặc false negative mới nào
  2. Ghi lại sự cải thiện về độ chính xác
  3. Ghi chú bất kỳ vấn đề còn lại nào để huấn luyện lại trong tương lai

Thành Công! Mô Hình Của Bạn Đã Được Huấn Luyện Lại​

Mô hình AI được cải tiến của bạn hiện có thể:

✅ Xác định tốt hơn các sản phẩm tốt trước đây bị loại

✅ Xử lý các biến thể mới trong các sản phẩm sản xuất của bạn

✅ Giảm các lỗi sai và cải thiện độ chính xác

✅ Thích ứng với các thay đổi trong quy trình sản xuất của bạn

Các Mẹo Quan Trọng Để Thành Công​

Chất Lượng Dữ Liệu​

  • Thêm hình ảnh bị phân loại sai (cả false pass và false failure)
  • Gán nhãn nhất quán - sản phẩm tốt là "Pass", sản phẩm lỗi là "Fail"
  • Bao gồm các ví dụ đa dạng về cả điều kiện đạt và lỗi
  • Xóa lựa chọn giữa các phiên gán nhãn khác nhau

Khi Nào Nên Huấn Luyện Lại​

  • False failures tăng (sản phẩm tốt bị loại)
  • False passes tăng (sản phẩm lỗi được chấp nhận)
  • Biến thể sản phẩm mới xuất hiện trong sản xuất
  • Thay đổi quy trình ảnh hưởng đến ngoại hình sản phẩm
  • Biến thể theo mùa về vật liệu hoặc ánh sáng

Các Thực Hành Tốt Nhất​

  • Bắt đầu nhỏ - thêm 10-20 hình ảnh mỗi lần
  • Kiểm tra kỹ lưỡng sau mỗi lần huấn luyện lại
  • Ghi lại các thay đổi và cải tiến
  • Giữ bản sao lưu của các mô hình đang hoạt động trước khi huấn luyện lại lớn
Nhiều hình ảnh hơn không phải lúc nào cũng tốt hơn

Thêm các lô hình ảnh lớn mà không xem xét chúng có thể làm cho mô hình của bạn tệ hơn. Mọi hình ảnh bạn thêm vào đều dạy AI điều gì đó. Nếu những hình ảnh đó chứa các phần được gán nhãn sai, ánh sáng không nhất quán, chụp bị mờ, hoặc các trường hợp biên không đại diện cho điều kiện sản xuất thực tế, mô hình sẽ học các mẫu sai và độ chính xác giảm. Dữ liệu tốt vào, dữ liệu tốt ra.

Trước khi thêm hình ảnh, hãy xác minh từng hình ảnh: được gán nhãn chính xác (pass thực sự cho thấy sản phẩm tốt, fail thực sự cho thấy lỗi), đại diện cho điều kiện sản xuất thực tế, rõ ràng và tập trung (không bị mờ hoặc phơi sáng quá mức), và liên quan đến tính năng mà mô hình cần học. Nếu độ chính xác giảm sau khi huấn luyện lại, hãy xem xét các hình ảnh bạn mới thêm vào trước. Loại bỏ một vài ví dụ tệ thường hữu ích hơn việc thêm hàng chục cái mới.

Các Bước Tiếp Theo​

Sau khi huấn luyện lại mô hình của bạn:

  1. Giám sát sản xuất để cải thiện độ chính xác
  2. Tiếp tục thu thập các hình ảnh có vấn đề để huấn luyện lại trong tương lai
  3. Thiết lập lịch trình huấn luyện lại thường xuyên nếu cần
  4. Đào tạo vận hành viên về thời điểm gắn cờ hình ảnh để huấn luyện lại
  5. Ghi lại quy trình huấn luyện lại của bạn để đảm bảo tính nhất quán

🔗 Xem Thêm​