Cải Thiện Mô Hình Theo Thời Gian

Hệ thống kiểm tra của bạn đã được triển khai. Vậy làm thế nào để duy trì hiệu suất tốt khi điều kiện thay đổi, các loại lỗi mới xuất hiện, hoặc thông số kỹ thuật phát triển?

Library: Công cụ cải thiện liên tục của bạn

Mỗi lần camera chụp ảnh đều được lưu vào Library, cùng với dự đoán của AI và điểm tin cậy. Đây là kho vàng để cải thiện.

Tìm những gì AI đã sai

1. Vào Library
2. Duyệt các ảnh chụp gần đây
3. Tìm hai điều:
   • Misses: hình ảnh mà dự đoán của AI rõ ràng là sai (hộp kiểm ở góc trên bên trái của mỗi hình thu nhỏ)
   • Dự đoán có độ tin cậy thấp: cuộn xuống trên bất kỳ hình ảnh nào để xem giá trị độ tin cậy. Độ tin cậy thấp = AI không chắc chắn

Một hình ảnh bị gán nhãn sai có thể làm giảm độ chính xác đáng kể

Trong một tập dữ liệu nhỏ, một nhãn sai có tác động lớn. Với chỉ 5 hình ảnh huấn luyện, một nhãn sai làm hỏng 20% dữ liệu của bạn. Luôn kiểm tra kỹ mọi nhãn trước khi huấn luyện lại, đặc biệt khi tập dữ liệu của bạn nhỏ.

Huấn luyện lại với dữ liệu có mục tiêu

1. Chọn các hình ảnh mà AI đã sai hoặc không chắc chắn
2. Nhấp vào "Add to Active Recipe Train Set"
3. Sửa nhãn nếu cần
4. Nhấp Retrain

Tập trung vào misses và các ảnh chụp có độ tin cậy thấp, không phải dữ liệu mới ngẫu nhiên. Đây là cách hiệu quả nhất để cải thiện.

Kiểm tra hình ảnh đã lưu bằng Metadata Viewer

Nếu bạn cần xem chính xác AI đã dự đoán gì trên một hình ảnh cụ thể, hãy tải tệp JPEG đã lưu lên Metadata Viewer. Camera OV nhúng kết quả dự đoán, điểm tin cậy và cài đặt camera trực tiếp vào mỗi hình ảnh được chụp.

Sử dụng Haystack để phát hiện nhãn sai ở quy mô lớn

Khi tập dữ liệu của bạn phát triển, việc kiểm tra thủ công mọi nhãn trở nên không khả thi. Haystack cho phép bạn khám phá trực quan dữ liệu huấn luyện, gom nhóm các hình ảnh tương tự và nhanh chóng phát hiện những nhãn có vẻ không phù hợp. Chạy định kỳ để giữ cho tập dữ liệu của bạn sạch.

Quy trình cải thiện Classifier

1. Xem xét các hình ảnh trong Library → tìm lỗi và dự đoán có độ tin cậy thấp
2. Thêm chúng vào tập huấn luyện
3. Gán nhãn lại nếu cần
4. Huấn luyện lại
5. Sử dụng Haystack để khám phá dữ liệu trực quan và tìm các hình ảnh bị gán nhãn sai ở quy mô lớn

Quy trình cải thiện Segmenter

Segmenter mất nhiều thời gian hơn để gán nhãn (chú thích ở mức pixel), vì vậy có một cách rút ngắn:

1. Nhập các hình ảnh có vấn đề vào segmentation recipe
2. Nhấp Generate Predictions để mô hình gán nhãn trước cho các hình ảnh mới một cách tốt nhất có thể
3. Sửa các dự đoán thay vì gán nhãn từ đầu (nhanh hơn nhiều)
4. Huấn luyện lại

Giảm false positive trong segmentation

Nếu segmenter của bạn đang phát hiện nhiều blob nhỏ ngẫu nhiên không nên có, bạn có hai công cụ mạnh mẽ: lọc các blob nhỏ ra khỏi logic pass/fail, và huấn luyện mô hình để hiểu rõ hơn "bình thường" trông như thế nào.

Lọc các blob nhỏ bằng ngưỡng kích thước tối thiểu

Cách khắc phục nhanh nhất là yêu cầu hệ thống bỏ qua các blob có diện tích pixel dưới một mức nhất định. Các blob nhiễu nhỏ thường rất nhỏ so với lỗi thực, vì vậy bộ lọc kích thước loại bỏ chúng mà không ảnh hưởng đến phát hiện thực tế của bạn.

Ở Basic Mode (IO Logic): Đặt ngưỡng minimum blob area trong cài đặt pass/fail. Bất kỳ blob nào nhỏ hơn số pixel này sẽ bị bỏ qua hoàn toàn. Bắt đầu với giá trị như 50 pixel và điều chỉnh tăng lên cho đến khi nhiễu biến mất nhưng các lỗi thực vẫn được kích hoạt.

Ở Advanced Mode (Node-RED): Lọc các blob theo blob.pixel_count trong function node của bạn. Ví dụ, để bỏ qua bất kỳ blob nào dưới 50 pixel:

const minBlobSize = 50;
const allBlobs = msg.payload.segmentation.blobs;
const realBlobs = allBlobs.filter(blob => blob.pixel_count >= minBlobSize);
const results = realBlobs.length <1; // Pass if no real blobs remain
msg.payload = results;
return msg;

Điều chỉnh giá trị minBlobSize dựa trên ứng dụng của bạn. Hãy xem số lượng pixel của các blob nhiễu so với lỗi thực trong debug output để tìm điểm cắt phù hợp.

Thêm hình ảnh tốt vào tập huấn luyện

Đây là cách hiệu quả nhất để giảm các phát hiện false positive, và là điều mà mọi người thường bỏ qua nhất.

Vấn đề: nếu bạn chỉ huấn luyện với các hình ảnh có lỗi, mô hình chưa bao giờ học được một bộ phận sạch trông như thế nào. Nó bắt đầu nhìn thấy "lỗi" trong kết cấu bề mặt bình thường, độ chuyển sáng và các biến thể nhỏ -- tất cả các blob nhỏ ngẫu nhiên mà bạn đang phải đối mặt.

Cách khắc phục:

1. Vào Library và tìm các hình ảnh của bộ phận tốt -- bề mặt sạch không có lỗi
2. Thêm các hình ảnh này vào tập huấn luyện (Add to Active Recipe Train Set)
3. Trong giao diện gán nhãn, chọn các ROI nhưng không thêm bất kỳ chú thích lỗi nào. Chỉ bao gồm chúng nguyên trạng mà không có dấu sơn nào
4. Huấn luyện lại mô hình

Bằng cách cho mô hình xem các ví dụ về "bình thường", bạn đang dạy nó ngừng đánh dấu các biến thể bề mặt thông thường là lỗi. Điều này giảm nhiễu một cách đáng kể.

Hướng dẫn:

• Bắt đầu với 10-15 hình ảnh tốt và huấn luyện lại. Kiểm tra kết quả
• Nếu nhiễu vẫn tồn tại, thêm nhiều hơn. Nhắm tới ít nhất 20-30 hình ảnh tốt được trộn với các hình ảnh có lỗi của bạn
• Điều này đặc biệt quan trọng nếu tập huấn luyện ban đầu của bạn chỉ chứa các hình ảnh có lỗi
• Đảm bảo các hình ảnh tốt bao quát phạm vi biến thể bình thường mà bạn thấy trong sản xuất (ánh sáng khác nhau, dịch chuyển màu nhẹ, kết cấu bề mặt)

Đây là cách khắc phục số 1 cho segmenter bị nhiễu

Chín trên mười lần, khi ai đó phàn nàn về các blob nhỏ ngẫu nhiên xuất hiện khắp nơi, nguyên nhân gốc rễ là tập huấn luyện không có hình ảnh tốt nào trong đó. Thêm chúng và huấn luyện lại -- sự cải thiện thường ngay lập tức và đáng kể.

Các mẹo khác để giảm nhiễu

• Cải thiện sự nhất quán của ánh sáng. Ánh sáng không nhất quán tạo ra bóng và điểm sáng mà mô hình có thể nhầm lẫn với lỗi. Đảm bảo các đèn LED tích hợp được cấu hình đúng cách và các nguồn sáng bên ngoài không gây chói hoặc bóng dịch chuyển
• Kiểm tra căn chỉnh template. Nếu aligner không hoạt động tốt, ROI sẽ dịch chuyển giữa các lần chụp. Mô hình thấy các vùng nền khác nhau mỗi lần, làm tăng nhiễu. Xác minh căn chỉnh ổn định
• Lặp lại từng bước nhỏ. Thêm 10-15 hình ảnh tốt, huấn luyện lại, kiểm tra. Lặp lại cho đến khi kết quả sạch. Cách này nhanh hơn so với việc đổ 50 hình ảnh vào cùng lúc và hy vọng đạt kết quả tốt nhất

Triết lý

• Không bao giờ ngừng lặp lại. AI có khả năng học cao, và nó tiếp tục cải thiện với 50, 100, thậm chí 500+ hình ảnh
• Nhắm vào các trường hợp lỗi cụ thể. Đừng thêm dữ liệu một cách ngẫu nhiên. Hãy thêm các trường hợp mà AI gặp khó khăn
• Kiểm tra nhãn sai thường xuyên. Khi tập dữ liệu của bạn phát triển, các nhãn sai trở nên khó phát hiện hơn nhưng vẫn làm tổn hại đến độ chính xác

Tăng tốc với các công cụ GenAI

Ba công cụ được hỗ trợ bởi AI tại tools.overview.ai có thể tăng tốc đáng kể chu kỳ cải thiện của bạn:

• Defect Studio -- Tạo hình ảnh lỗi tổng hợp chân thực nhanh hơn tới 10.000 lần so với chờ đợi các lỗi thực tế
• Integration Builder -- Xây dựng các Node-RED flow sẵn sàng cho production từ các mô tả bằng tiếng Anh đơn giản
• AI Expert Helper -- Nhận hướng dẫn chuyên gia 24/7 cho mọi câu hỏi về camera

Lợi thế của bộ công cụ GenAI

Cùng nhau, ba công cụ này có thể giảm thời gian triển khai của bạn từ ngày xuống giờ. Tạo dữ liệu huấn luyện tổng hợp thay vì chờ các lỗi thực, xây dựng tích hợp bằng cách mô tả những gì bạn muốn và nhận hướng dẫn chuyên gia ngay lập tức mà không cần chờ ticket hỗ trợ.

→ Xem hướng dẫn đầy đủ về GenAI Toolkit