Tạo Recipe Đầu Tiên

OV10i Note

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

Phần đi sâu này giải thích Recipe là gì, nêu rõ sự khác biệt giữa Classification và Segmentation, và cung cấp hướng dẫn từng bước để tạo một Recipe. Nó cũng bao gồm hướng dẫn chi tiết về cấu hình Imaging Setup, chụp Template Image và thiết lập Aligner, tối ưu hóa ROI, thu thập dữ liệu và huấn luyện AI, cũng như cấu hình image augmentation.

Video Guide

Xem chủ đề này trong thực tế: How to create a segmentation recipe in minutes

---

Mục Tiêu Học Tập

Kết thúc phần đi sâu này, bạn sẽ hiểu:

• recipe là gì
• sự khác biệt giữa classification và segmentation – và khi nào nên sử dụng từng loại
• cách tạo một recipe
• cách cấu hình Imaging Setup
• cách chụp Template Image và cấu hình Aligner
• ROI (Regions of Interest) là gì và cách tối ưu hóa chúng
• thu thập dữ liệu để huấn luyện AI
• kiểm thử và xác thực recipe

Recipe Là Gì?

• Một tập hợp các hướng dẫn đã được cấu hình cho camera biết cách kiểm tra một bộ phận hoặc sản phẩm cụ thể.
• Xác định các thiết lập camera, bao gồm exposure, focus, và các thông số ánh sáng để chụp ảnh nhất quán.
• Bao gồm logic xử lý như định nghĩa ROI, Aligner, các lớp classification hoặc segmentation.
• Lưu trữ cấu hình input/output để tích hợp với các hệ thống tự động hóa cho các tín hiệu pass/fail hoặc nâng cao.
• Có thể được lưu và tái sử dụng để đảm bảo kiểm tra nhất quán trên các ca làm việc, dây chuyền hoặc cơ sở.

Classification vs. Segmentation

Định Nghĩa

• Classification: Xác định loại đối tượng trong ROI
• Segmentation: Định vị và phân tích các vùng trong hình ảnh/ROI

Ví Dụ

Image Classification	Image Segmentation	Image Classification	Image Segmentation
Con cừu là gì?	Pixel nào thuộc về đối tượng nào?	Chiếc pizza này chấp nhận được hay bị lỗi?	Mỗi miếng pepperoni ở đâu?

So Sánh Chính

	Classification	Segmentation
Tốc độ	Tốc độ phụ thuộc vào Image Setup và độ phức tạp. Nhìn chung hiệu quả và nhanh với các thiết lập đơn giản	Có thể nhanh bằng hoặc thậm chí nhanh hơn classification khi được tối ưu hóa, đặc biệt với các mô hình đã được tinh gọn
Độ chính xác	Tốt cho pass/fail tổng thể hoặc nhận dạng loại bộ phận	Độ chính xác cao hơn cho việc định vị lỗi chính xác
Độ phức tạp	Đơn giản để thiết lập và bảo trì; ít thông số hơn	Phức tạp – Cần nhiều dữ liệu, gán nhãn và tinh chỉnh hơn
Yêu Cầu Dữ Liệu	Thấp – Cần ít hình ảnh được gán nhãn hơn	Trung bình – Yêu cầu nhiều hình ảnh với các chú thích chính xác đến từng pixel
Trường Hợp Sử Dụng	Sự hiện diện của bộ phận, định hướng, kiểm tra chất lượng cơ bản, bộ phận được lắp/không được lắp, v.v.	Lỗi bề mặt, kiểm tra chi tiết nhỏ, phát hiện nhiều lỗi, đếm, đo lường, v.v.

Tạo và Xuất Recipe

Sử dụng nút Export Recipe bên cạnh một Recipe để xuất một Recipe riêng lẻ.

Sử dụng nút Export ở đầu màn hình để xuất nhiều Recipe cùng lúc.

Sử dụng nút Import ở đầu màn hình để nhập Recipe.

ghi chú

Lưu ý: Mỗi recipe chỉ hỗ trợ một loại kiểm tra tại một thời điểm, hoặc segmentation hoặc classification. Chọn đúng loại trước khi bắt đầu thiết lập.

Thiết Lập Hình Ảnh

Focus

• Là gì: Điều chỉnh độ sắc nét của hình ảnh được chụp.
• Cách sử dụng: Trượt cho đến khi các cạnh và chi tiết trong hình ảnh trông sắc nét và rõ ràng.

tip

Sử dụng một đối tượng mục tiêu có các cạnh rõ ràng (như thước kẻ hoặc thẻ hiệu chuẩn) khi lấy nét.

Image Rotation

• Là gì: Xoay hình ảnh (0° hoặc 180°).
• Khi nào sử dụng: Nếu camera được lắp ở một góc nhưng bạn muốn hình ảnh được hiển thị theo hướng khác trong giao diện.

ghi chú

Nếu bạn cần xoay hình ảnh 90°, hãy xoay camera.

Exposure (ms)

• Là gì: Thời gian cảm biến tiếp xúc với ánh sáng trong quá trình chụp ảnh.
• Hiệu ứng:
  • Exposure cao hơn → hình ảnh sáng hơn, nhưng có nguy cơ bị nhòe do chuyển động.
  • Exposure thấp hơn → ít ánh sáng hơn, nhưng hình ảnh sắc nét hơn trong các ứng dụng chuyển động nhanh.

Underexposed	Correctly Exposed	Overexposed

tip

Exposure có tính logarit, và exposure cao hơn đồng nghĩa với độ trễ cao hơn (vì cần nhiều thời gian hơn để chụp ảnh).

Gain

• Là gì: Tăng độ sáng của hình ảnh một cách nhân tạo bằng kỹ thuật số (giống như ISO trên máy ảnh).
• Hiệu ứng:
  • Gain cao hơn → hình ảnh sáng hơn, nhưng thêm nhiễu (trông có hạt).
  • Gain thấp hơn → hình ảnh sạch hơn, nhưng cần ánh sáng tốt.

High Gain	Low Gain
Sáng hơn và nhiễu hơn	Tối hơn và ít nhiễu hơn

tip

Chỉ tăng gain nếu không thể điều chỉnh exposure hoặc ánh sáng.

Auto White Balance

• Là gì: Tự động điều chỉnh cân bằng màu để các vùng trắng hiển thị đúng màu trắng.
• Khi nào sử dụng:
  • Lý tưởng cho môi trường có điều kiện ánh sáng thay đổi hoặc biến động.
  • Đối với các thiết lập ổn định, cân bằng trắng thủ công mang lại kết quả nhất quán và có thể lặp lại tốt hơn.

ghi chú

Để điều chỉnh cân bằng trắng thủ công:

• Bật ON công tắc Auto White Balance.
• Đặt một tờ giấy trắng dưới camera hoặc trước ống kính.
• Chuyển công tắc sang OFF để khóa cài đặt cân bằng trắng.

Gamma

• Nó là gì: Điều chỉnh độ sáng của các vùng trung tính (mid-tones) mà không ảnh hưởng quá nhiều đến các vùng tối hoặc sáng.
• Hiệu quả: Hữu ích để làm rõ chi tiết trong vùng bóng tối hoặc giảm các vùng sáng quá mức.

Lens Correction

• Nó là gì: Hiệu chỉnh biến dạng từ ống kính góc rộng.
• Khi nào bật: Nếu các cạnh của hình ảnh trông cong hoặc bị biến dạng, bật tùy chọn này ON để đảm bảo độ chính xác trong các tác vụ căn chỉnh.

LED Strobe Mode

• Nó là gì: Điều khiển thời điểm đèn LED tích hợp của camera kích hoạt.
• Tùy chọn:
  • Off: Đèn LED bật liên tục.
  • On: Đèn LED chỉ nhấp nháy trong khi chụp, giúp giảm phản xạ.

LED Light Pattern

• Nó là gì: Chọn cách các đèn LED bật sáng (ví dụ: Tất cả bật, tất cả tắt, Trái và phải, trên và dưới, v.v.).
• Trường hợp sử dụng: Điều chỉnh dựa trên thiết lập ánh sáng của bạn để chiếu sáng bộ phận tối ưu.

tip

Sử dụng các mẫu định hướng để giảm chói hoặc phản xạ bằng cách tắt các đèn LED chiếu trực tiếp vào bề mặt phản chiếu, đồng thời giữ các nguồn sáng góc nghiêng hoạt động để có tầm nhìn tốt hơn.

LED Light Intensity

• Nó là gì: Điều chỉnh độ sáng của đèn LED.
• Thực hành tốt nhất: Bắt đầu ở mức thấp và tăng dần để tránh chói hoặc phản xạ.

Photometric Control

• Nó là gì: Chụp nhiều hình ảnh (thường là bốn) với các hướng chiếu sáng khác nhau (trái, phải, trên và dưới) và sau đó kết hợp chúng thành một hình ảnh nâng cao duy nhất.
• Mục đích: Kỹ thuật này giảm bóng đổ và làm nổi bật các đặc điểm bề mặt tinh tế bằng cách cung cấp ánh sáng đồng đều, nhất quán trên toàn bộ bộ phận.
• Khi nào sử dụng: Lý tưởng cho các bộ phận phức tạp, bề mặt phản chiếu cao hoặc các bộ phận có kết cấu không đồng đều mà hình ảnh chiếu sáng đơn tiêu chuẩn có thể bỏ sót các chi tiết quan trọng.

Trigger Settings

Manual Trigger

• Nó là gì: Chụp hình ảnh khi bạn nhấn nút trên màn hình HMI.
• Tốt nhất cho: Kiểm tra, thiết lập hoặc kiểm tra thủ công.

Hardware Trigger

• Nó là gì: Sử dụng tín hiệu điện (ví dụ: từ cảm biến) để kích hoạt camera.
• Tốt nhất cho: Dây chuyền tự động nơi cảm biến phát hiện sự hiện diện của bộ phận.

PLC Trigger

• Nó là gì: Tín hiệu kích hoạt được gửi qua bộ điều khiển công nghiệp (PLC) để đồng bộ hóa hoạt động với các máy khác.
• Tốt nhất cho: Hệ thống hoàn toàn tự động yêu cầu định thời chính xác.

Aligner Trigger

• Nó là gì: Tự động kích hoạt khi hệ thống phát hiện sự căn chỉnh của bộ phận trong trường nhìn.
• Tốt nhất cho: Các ứng dụng mà các bộ phận cần vị trí nhất quán trước khi chụp hoặc khi không có trigger đáng tin cậy nào khác.

Interval Trigger

• Nó là gì: Kích hoạt camera theo khoảng thời gian đã đặt.
• Tốt nhất cho: Các quy trình liên tục hoặc giám sát dây chuyền chuyển động mà không có cảm biến phát hiện bộ phận.

Template Image and Alignment

Skip Aligner

• Là gì: Tắt bước căn chỉnh trong quá trình kiểm tra.
• Khi nào sử dụng: Nếu bộ phận luôn ở cùng vị trí và hướng trong hình ảnh.

Template Regions

• Là gì: Xác định (các) vùng của template image được sử dụng để căn chỉnh.
  • Rectangle: Vẽ một vùng quan tâm hình chữ nhật.
  • Circle: Vẽ một vùng quan tâm hình tròn.
  • Ignore Template Region: Loại trừ các vùng nhất định khỏi việc căn chỉnh để tránh các mẫu gây nhiễu hoặc các đặc điểm không liên quan.
• Sử dụng tốt nhất: Giúp hệ thống chỉ tập trung vào các đặc điểm riêng biệt nhất của bộ phận để căn chỉnh chính xác.

Rotation Range

• Là gì: Đặt mức độ xoay (tính bằng độ) mà hệ thống sẽ chấp nhận khi khớp bộ phận với template.
• Ví dụ: Đặt ±20° cho phép bộ phận xoay nhẹ nhưng vẫn được phát hiện.
• Khi nào điều chỉnh: Tăng nếu các bộ phận có xu hướng xoay trong quá trình sản xuất; giảm đối với các hướng có tính nhất quán cao.

Sensitivity

• Là gì: Điều khiển mức độ chi tiết mà hệ thống tìm kiếm sự khớp giữa hình ảnh trực tiếp và template.
• Hiệu ứng:
  • Độ nhạy cao → phát hiện các chi tiết tinh tế hơn, hữu ích cho các bộ phận phức tạp.
  • Độ nhạy thấp hơn → giảm các khớp sai nhưng có thể bỏ sót các đặc điểm nhỏ.

Confidence Threshold

• Là gì: Đặt điểm tin cậy tối thiểu cần thiết để hệ thống chấp nhận một phát hiện.
• Hiệu ứng:
  • Ngưỡng cao hơn → ít kết quả dương tính giả hơn nhưng có thể bỏ sót các khớp ranh giới.
  • Ngưỡng thấp hơn → nhiều phát hiện hơn, nhưng tăng nguy cơ dương tính giả.

tip

Bắt đầu ở mức vừa phải và điều chỉnh dựa trên kết quả kiểm tra.

Scale Invariant

• Là gì: Cho phép hệ thống phát hiện các bộ phận lớn hơn hoặc nhỏ hơn một chút so với template image ban đầu.
• Khi nào bật: Nếu kích thước bộ phận có thể thay đổi nhẹ do vị trí, thay đổi khoảng cách, hoặc dung sai sản xuất.

Live Preview Legend

1. Một bounding box có thể cấu hình xác định vùng cụ thể của trường nhìn FOV của camera để giám sát trong quá trình kích hoạt.

• Mục đích: Đảm bảo camera chỉ tập trung vào vùng liên quan, bỏ qua các vùng nền không cần thiết.
• Sử dụng tốt nhất:
  • Đối với các đối tượng chuyển động, để đảm bảo bộ phận nằm hoàn toàn trong vùng phát hiện.
  • Để tối ưu hóa tốc độ xử lý bằng cách giảm lượng dữ liệu hình ảnh được phân tích.

2. Một chấm đỏ trực quan hiển thị điểm trung tâm của tất cả các ROI (Regions of Interest) đã được xác định trong hình ảnh.

• Mục đích: Giúp bạn căn chỉnh và định vị vùng tìm kiếm so với bộ phận hoặc khung nhìn camera.

3. Đường màu xanh lá chỉ ra rằng cạnh của đối tượng đã được phát hiện.

tip

Nếu bạn thấy đường chuyển sang màu đỏ, hãy thử tăng kích thước ROI, điều chỉnh ROI, hoặc tăng Sensitivity.

Định Nghĩa và Tối Ưu Hóa ROI (Region of Interest)

Loại Kiểm Tra

• Là gì: Xác định loại kiểm tra đang được thực hiện và nhóm các ROI (Regions of Interest) tương tự nhau.
• Ví dụ: "Holes" để kiểm tra sự hiện diện, kích thước hoặc chất lượng của các lỗ trên một bộ phận.
• Tính năng chính:
  • Add Inspection Type: Tạo danh mục mới cho các yêu cầu kiểm tra khác nhau.
  • # of ROIs: Hiển thị số lượng ROI hiện đang được gán cho loại kiểm tra đó.

Transformation

• Là gì: Điều chỉnh vị trí và hình học của các ROI được chọn để căn chỉnh và bố trí chính xác.
• Các trường và mục đích:
  • Height/Width: Thay đổi kích thước của ROI.
  • X / Y: Di chuyển vị trí của ROI theo trục ngang (X) và trục dọc (Y).
  • Angle: Xoay ROI quanh tâm của nó.
• Sử dụng tốt nhất: Tăng tốc quá trình thiết lập khi bạn có các mẫu lặp lại, chẳng hạn như nhiều lỗ giống hệt nhau.

Regions of Interest (ROIs)

• Là gì: Danh sách tất cả các ROI được định nghĩa trong hình ảnh template.
• Tính năng:
  • Add Region of Interest (ROI): Tạo một ROI mới theo cách thủ công.
  • Ignore Regions: Loại trừ các vùng cụ thể khỏi quá trình xử lý.
  • Edit: Lưu, xóa hoặc hủy.
  • Lock Icon: Chỉ ra các ROI đã bị khóa không thể di chuyển nếu không mở khóa.

Live Preview Mode

• Là gì: Hiển thị phản hồi theo thời gian thực sau khi điều chỉnh hoặc thêm ROI.
• Trường hợp sử dụng: Rất phù hợp để tinh chỉnh vị trí và kích thước ROI trong quá trình thiết lập.

Nút Test

• Là gì: Chạy backtesting dựa trên các hình ảnh cũ để xác minh các thay đổi.
• Trường hợp sử dụng: So sánh kết quả hiện tại với các cài đặt trước đó về độ chính xác và tính nhất quán.

Thu Thập Dữ Liệu và Huấn Luyện AI

Xác định các lớp kiểm tra khác nhau và gán nhãn cho từng ROI dựa trên loại kiểm tra được chỉ định (xem ví dụ bên dưới).

Sử dụng Annotation Tools để gán nhãn/chú thích hình ảnh. Sử dụng menu thả xuống Brush Class để chọn lớp cần chú thích. Giới hạn hiện tại là tối đa 10 lớp cho mỗi recipe đối với segmentation.

Tầm quan trọng của dữ liệu tốt

• Garbage In, Garbage Out: Các mô hình AI chỉ có thể tốt bằng dữ liệu bạn cung cấp cho chúng. Dữ liệu kém chất lượng hoặc không nhất quán sẽ dẫn đến kết quả không chính xác.

• Sự đa dạng rất quan trọng: Thu thập dữ liệu đại diện cho tất cả các biến thể trong thực tế: các ca làm việc khác nhau, điều kiện ánh sáng, vị trí bộ phận và tình trạng bề mặt.

• Chất lượng hơn Số lượng: Một tập dữ liệu nhỏ hơn, sạch và được gán nhãn tốt thường sẽ hoạt động tốt hơn một tập dữ liệu lớn nhưng nhiễu hoặc không nhất quán.

Cơ Bản về Chú Thích:

• Classification: Gắn thẻ toàn bộ hình ảnh hoặc ROI thành một lớp cụ thể (ví dụ: "Good", "Damaged").
• Segmentation: Tô, phác thảo hoặc làm nổi bật các vùng cụ thể cần quan tâm với độ chính xác ở cấp độ pixel (ví dụ: vị trí vết xước trên bề mặt).
• Tính nhất quán: Sử dụng các quy tắc và định nghĩa nhất quán cho việc gán nhãn để tránh nhầm lẫn trong quá trình huấn luyện.

Các Sai Lầm Thường Gặp

• Dữ liệu không đủ: Quá ít mẫu sẽ dẫn đến underfitting, gây ra hiệu suất kém trong thực tế.
• Các lớp không cân bằng: Việc đại diện quá mức của một lớp (ví dụ: nhiều bộ phận "tốt" nhưng ít bộ phận lỗi) sẽ làm sai lệch mô hình.
• Gán nhãn kém: Gán nhãn sai, không nhất quán hoặc vội vàng dẫn đến giảm đáng kể độ chính xác.
• Bỏ qua thay đổi môi trường: Không cập nhật tập dữ liệu khi ánh sáng, hướng bộ phận hoặc điều kiện bề mặt thay đổi sẽ dẫn đến sự trôi dạt về độ chính xác.
• Không xác thực dữ liệu: Bỏ qua các kiểm tra chất lượng trước khi huấn luyện thường dẫn đến lãng phí thời gian và phải làm lại.

Data Augmentation

Việc tăng cường hình ảnh (image augmentation) sửa đổi hình ảnh huấn luyện của bạn một cách nhân tạo để cải thiện độ bền vững của mô hình. Chúng mô phỏng các biến thể trong thực tế như thay đổi độ sáng, xoay hoặc nhiễu để mô hình hoạt động tốt trong các điều kiện khác nhau.

Color Augmentations

Brightness

• Là gì: Điều chỉnh mức độ sáng hoặc tối của hình ảnh.
• Trường hợp sử dụng: Để xử lý những thay đổi nhỏ về ánh sáng trong quá trình sản xuất.

tip

Sử dụng ±0.1 cho các thiết lập ổn định; tăng lên nếu ánh sáng thay đổi nhiều hơn.

Contrast

• Là gì: Thay đổi sự khác biệt giữa các vùng sáng và tối.
• Trường hợp sử dụng: Hữu ích cho các bộ phận có kết cấu hoặc bề mặt đa dạng để giúp mô hình thích ứng với sự khác biệt trực quan.

Hue

• Là gì: Dịch chuyển tông màu một chút.
• Trường hợp sử dụng: Phù hợp cho các thiết lập mà màu sắc ánh sáng (ví dụ: nhiệt độ màu LED) có thể thay đổi theo thời gian.

Saturation

• Là gì: Điều chỉnh cường độ của màu sắc.
• Trường hợp sử dụng: Giúp xử lý các biến thể về ánh sáng khiến hình ảnh trông kém rực rỡ hoặc rực rỡ hơn.

Geometric Augmentations

Rotation Range

• Là gì: Xoay hình ảnh ngẫu nhiên trong phạm vi đã đặt (ví dụ: ±20°).
• Trường hợp sử dụng: Cho các bộ phận có thể ở vị trí hơi bị xoay.

tip

Tránh xoay quá mức đối với các bộ phận thường được cố định về hướng.

Flip

• Là gì: Lật hình ảnh theo chiều ngang, chiều dọc hoặc cả hai.
• Trường hợp sử dụng: Hữu ích cho các bộ phận đối xứng hoặc khi hướng có thể bị lật trong quá trình xử lý.

Lighting & Color Simulation

Planckian

• Là gì: Mô phỏng các biến thể về nhiệt độ màu (ví dụ: ánh sáng ấm hoặc lạnh).
• Trường hợp sử dụng: Xử lý các sự dịch chuyển khác nhau hoặc các work cell với các nguồn sáng khác nhau.

Gaussian Noise

• Là gì: Thêm nhiễu nhẹ vào hình ảnh.
• Trường hợp sử dụng: Cải thiện độ bền vững nếu môi trường sản xuất của bạn có nhiễu hình ảnh nhỏ hoặc các hiện tượng nhiễu từ cảm biến camera.

Motion Simulation

Motion Blur

• Là gì: Mô phỏng hiện tượng nhòe nhẹ như thể bộ phận di chuyển trong khi chụp.
• Trường hợp sử dụng: Quan trọng đối với các dây chuyền tốc độ cao nơi có thể xảy ra hiện tượng nhòe do chuyển động.

Probability (prob)

• Là gì: Đặt xác suất áp dụng mỗi phương thức tăng cường trong quá trình huấn luyện.
• Ví dụ: 0.50 = 50% khả năng áp dụng thay đổi đó cho bất kỳ hình ảnh huấn luyện nào.

tip

Bắt đầu ở mức 0.5 cho hầu hết các phương thức tăng cường và điều chỉnh dựa trên sự biến động thực tế.

Tham Số Huấn Luyện (Segmentation)

Các tham số huấn luyện (còn gọi là hyperparameter) là các cài đặt kiểm soát cách một mô hình machine learning học từ dữ liệu.

Learning Rate

• Định nghĩa: Kiểm soát tốc độ mô hình cập nhật các trọng số nội bộ trong quá trình huấn luyện.
• Giá trị (0.003): Learning rate càng cao, mô hình học càng nhanh, nhưng quá cao có thể gây ra sự bất ổn định hoặc độ chính xác kém.
• Phạm Vi Thanh Trượt: Từ 10^-4 (rất chậm) đến 10^-1 (rất nhanh).

tip

Thông thường, giá trị từ 0.001–0.01 là điểm bắt đầu tốt cho các tác vụ segmentation.

Kích thước ROI (Region of Interest)

• Định nghĩa: Xác định kích thước (chiều rộng × chiều cao) của vùng ảnh được sử dụng trong quá trình huấn luyện.
• Không chọn: Mặc định, model tự động xác định ROI dựa trên dữ liệu của bạn.
• Khi được chọn: Bạn có thể thiết lập thủ công chiều rộng và chiều cao nếu cần kích thước đầu vào nhất quán (ví dụ: tất cả hình ảnh được cắt xuống 256×256 pixel).

tip

Sử dụng kích thước cố định (ví dụ: 256×256) khi tập dữ liệu của bạn có hình ảnh với kích thước khác nhau và bạn muốn đầu vào nhất quán để có độ ổn định tốt hơn, khả năng tái lập, hoặc để phù hợp với một kiến trúc model đã biết.

Hãy để hệ thống tự động chọn khi dữ liệu của bạn đã có độ phân giải đồng nhất hoặc khi bạn muốn hệ thống tối ưu hóa vùng quan tâm tốt nhất dựa trên đặc điểm của tập dữ liệu.

Số Lần Lặp (Epochs)

• Định nghĩa: Một epoch = một lần duyệt qua toàn bộ tập dữ liệu huấn luyện.
• Giá trị (100): Model sẽ được huấn luyện qua 100 lần duyệt hoàn chỉnh.

tip

Tăng số này thường cải thiện độ chính xác đến một mức nhất định nhưng mất nhiều thời gian hơn.

Nguyên tắc chung: Theo dõi training loss và validation loss trong quá trình huấn luyện. Nếu validation loss ngừng giảm trong khi training loss vẫn tiếp tục giảm, đó là dấu hiệu model đang overfitting và bạn nên dừng huấn luyện sớm hơn.

Kiến Trúc (Architecture)

• Định nghĩa: Chọn kích thước và độ phức tạp của mạng nơ-ron.
• Small: Huấn luyện nhanh hơn và thường đủ cho hầu hết các tập dữ liệu. Lý tưởng cho việc thử nghiệm nhanh hoặc các tập dữ liệu nhỏ hơn.
• Các model lớn hơn có thể nắm bắt nhiều chi tiết hơn nhưng có thể overfitting trên các tập dữ liệu nhỏ, trong khi các model nhỏ hơn hiệu quả hơn và tổng quát hóa tốt hơn khi dữ liệu bị hạn chế.

tip

Bắt đầu với Small, nó thường đủ và giúp bạn lặp lại nhanh hơn trước khi mở rộng quy mô.

External GPU

Liên hệ Support để biết thêm về External GPU.

Tham Số Huấn Luyện (Classification)

Các tham số huấn luyện (còn gọi là hyperparameters) là các thiết lập kiểm soát cách một model machine learning học từ dữ liệu.

Learning Rate

• Định nghĩa: Kiểm soát tốc độ model cập nhật trọng số nội bộ của nó trong quá trình huấn luyện.
• Giá trị (0.003): Learning rate càng cao, model học càng nhanh, nhưng quá cao có thể gây ra sự mất ổn định hoặc độ chính xác kém.
• Phạm Vi Thanh Trượt: Từ 10^-4 (rất chậm) đến 10^-1 (rất nhanh).

tip

Thông thường, giá trị từ 0.001–0.01 là điểm khởi đầu tốt cho các tác vụ segmentation.

Validation Percent

• Định nghĩa: Xác định phần nào của tập dữ liệu sẽ được dành cho validation (kiểm tra trong quá trình huấn luyện).
• Mục Đích: Dữ liệu validation giúp giám sát mức độ hoạt động của model trên các ví dụ chưa từng thấy, ngăn ngừa overfitting.
• Phạm Vi: 0–50%.

tip

Các lựa chọn phổ biến là 10–20%.

Nếu đặt là 0%, tất cả dữ liệu được sử dụng cho huấn luyện, điều này có thể cải thiện độ chính xác huấn luyện nhưng khiến việc phát hiện overfitting khó hơn.

Kích thước ROI (Region of Interest)

• Định nghĩa: Xác định kích thước (chiều rộng × chiều cao) của vùng ảnh được sử dụng trong quá trình huấn luyện.
• Không chọn: Theo mặc định, mô hình tự động xác định ROI dựa trên dữ liệu của bạn.
• Khi chọn: Bạn có thể thiết lập thủ công chiều rộng và chiều cao nếu cần kích thước đầu vào nhất quán (ví dụ: tất cả hình ảnh được cắt về 256×256 pixel).

tip

Sử dụng kích thước cố định (ví dụ: 256×256) khi tập dữ liệu của bạn có các hình ảnh với kích thước khác nhau và bạn muốn đầu vào nhất quán để có độ ổn định tốt hơn, khả năng tái lập, hoặc để phù hợp với một kiến trúc mô hình đã biết.

Để hệ thống tự động chọn khi dữ liệu của bạn đã có độ phân giải đồng nhất hoặc khi bạn muốn hệ thống tối ưu hóa vùng quan tâm tốt nhất dựa trên đặc điểm của tập dữ liệu.

Số Lần Lặp (Epochs)

• Định nghĩa: Một epoch = một lần duyệt hoàn chỉnh toàn bộ tập dữ liệu huấn luyện.
• Giá trị (100): Mô hình sẽ huấn luyện trong 100 lần duyệt hoàn chỉnh.

tip

Tăng số này thường cải thiện độ chính xác đến một mức nhất định nhưng sẽ mất nhiều thời gian hơn.

Quy tắc chung: Theo dõi training loss và validation loss trong quá trình huấn luyện. Nếu validation loss ngừng giảm trong khi training loss vẫn tiếp tục giảm, đó là dấu hiệu mô hình đang bị overfitting và bạn nên dừng huấn luyện sớm hơn.

Kiến Trúc

• Định nghĩa: Chọn kích thước và độ phức tạp của mạng nơ-ron.
• Small: Huấn luyện nhanh hơn và thường đủ dùng cho hầu hết các tập dữ liệu. Lý tưởng cho việc thử nghiệm nhanh hoặc các tập dữ liệu nhỏ hơn.

tip

Bắt đầu với Small, thường là đủ và giúp bạn lặp lại nhanh hơn trước khi mở rộng quy mô.

Kiến trúc và Camera	Mô tả	Khuyến nghị sử dụng
ConvNeXt-Pico	Mô hình siêu nhẹ được tối ưu hóa cho tốc độ và sử dụng ít bộ nhớ.	Tuyệt vời cho thử nghiệm nhanh hoặc phần cứng hạn chế.
ConvNeXt-Nano	Lớn hơn Pico một chút; độ chính xác tốt hơn với chi phí tăng thêm tối thiểu.	Cân bằng tốt cho các tập dữ liệu nhỏ đến trung bình.
ConvNeXt-Tiny	Cung cấp độ chính xác cải thiện trong khi vẫn hiệu quả.	Phù hợp với các tập dữ liệu vừa phải và thời gian huấn luyện dài hơn.
ConvNeXt-Small	Biến thể mạnh nhất trong danh sách này. Dung lượng và độ chính xác cao hơn.	Sử dụng cho các tập dữ liệu lớn hoặc khi cần hiệu suất tối đa.

GPU Ngoài

Liên hệ Bộ phận Hỗ trợ để biết thêm về GPU Ngoài.