Tạo Recipe Đầu Tiên

Phần tìm hiểu chuyên sâu này giải thích Recipe là gì, nêu ra sự khác biệt giữa Classification và Segmentation, đồng thời 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 Alignment, tối ưu hóa ROI, thu thập dữ liệu và huấn luyện AI, cũng như cấu hình image augmentation.

Video Hướng Dẫn

Xem chủ đề này trong thực tế: Cách tạo recipe segmentation trong vài phút

---

Mục Tiêu Học Tập

Sau khi hoàn thành phần tìm hiểu chuyên sâu này, bạn sẽ hiểu:

• recipe là gì
• sự khác biệt giữa classification và segmentation – và khi nào nên sử dụng loại nào
• 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 cho việc huấn luyện AI
• Kiểm thử và Xác thực recipe

Recipe Là Gì?

• Một tập hợp các chỉ dẫn đã được cấu hình để hướng dẫn camera cách kiểm tra một chi tiết 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 hệ thống tự động hóa cho tín hiệu pass/fail hoặc các tín hiệu nâng cao.
• Có thể được lưu và tái sử dụng để đảm bảo việc kiểm tra nhất quán giữa các ca, dây chuyền hoặc nhà máy.

Classification và Segmentation

Định Nghĩa

• Classification: Nhận diện loại đối tượng trong ROI
• Segmentation: Xác định vị trí 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 đạt yêu cầu 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 được tinh gọn
Độ chính xác	Phù hợp cho pass/fail tổng thể hoặc nhận diện loại chi tiết	Độ chính xác cao hơn cho việc định vị lỗi chính xác
Độ phức tạp	Đơn giản để thiết lập và bảo trì; ít tham 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	Trung bình – Yêu cầu nhiều hình ảnh với chú thích chính xác đến từng pixel
Trường Hợp Sử Dụng	Kiểm tra sự hiện diện của chi tiết, định hướng, kiểm tra chất lượng cơ bản, chi tiết được lắp/không được lắp, v.v.	Lỗi bề mặt, kiểm tra đặc điểm chi tiết, phát hiện đa lỗi, đếm, đo lường, v.v.

Tạo và Xuất Recipe

Sử dụng nút Export Recipe bên cạnh một Recipe để xuất từng 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.

note

Lưu ý: Mỗi Recipe chỉ hỗ trợ một loại inspection tại một thời điểm, hoặc là segmentation hoặc là classification. Hãy chọn đúng loại trước khi bắt đầu thiết lập.

Imaging Setup

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 calibration) khi lấy nét.

Image Rotation

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

note

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 motion blur.
  • 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 chất logarit, và exposure cao hơn đồng nghĩa với latency cao hơn (vì cần nhiều thời gian hơn để chụp ảnh).

Gain

• Là gì: Làm sáng 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 noise (nhiễu hạt).
  • Gain thấp hơn → hình ảnh sạch hơn, nhưng cần ánh sáng tốt.

High Gain	Low Gain
Sáng hơn và nhiều 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 sắc để màu trắng hiển thị đúng là màu trắng.
• Khi nào sử dụng:
  • Lý tưởng cho môi trường có điều kiện ánh sáng thay đổi hoặc không ổn định.
  • Đối với các thiết lập ổn định, white balance thủ công cung cấp kết quả nhất quán và có thể lặp lại tốt hơn.

note

Để điều chỉnh white balance thủ công:

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

Gamma

• Định nghĩa: Điều chỉnh độ sáng của các tông trung gian mà không ảnh hưởng quá nhiều đến các vùng tối hoặc sáng.
• Tác dụng: Hữu ích để làm lộ chi tiết trong vùng bóng tối hoặc giảm các điểm sáng quá chói.

Lens Correction

• Định nghĩa: Hiệu chỉnh méo hình từ ống kính góc rộng.
• Khi nào nên bật: Nếu các cạnh của hình ảnh trông bị cong hoặc méo, hãy bật chức năng này để đảm bảo độ chính xác trong các tác vụ căn chỉnh.

LED Strobe Mode

• Định nghĩa: Kiểm soát thời điểm đèn LED tích hợp của camera kích hoạt.
• Tùy chọn:
  • Off: Đèn LED sáng liên tục.
  • On: Đèn LED chỉ nháy trong lúc chụp, giúp giảm phản chiếu.

LED Light Pattern

• Định nghĩa: Chọn cách các đèn LED 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 chiếu sáng của bạn để chiếu sáng chi tiết tối ưu.

tip

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

LED Light Intensity

• Định nghĩa: Điều chỉnh độ sáng của đèn LED.
• Thực hành tốt nhất: Bắt đầu từ mức thấp và tăng dần để tránh chói hoặc phản chiếu.

Photometric Control

• Định nghĩa: 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 được cải thiện 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 chi tiết.
• Khi nào sử dụng: Lý tưởng cho các chi tiết phức tạp, bề mặt có độ phản chiếu cao, hoặc các chi tiết có bề mặt không đồng đều, nơi hình ảnh chụp bằng một nguồn sáng tiêu chuẩn có thể bỏ sót các chi tiết quan trọng.

Trigger Settings

Manual Trigger

• Định nghĩa: Chụp hình ảnh khi bạn nhấn nút trên màn hình HMI.
• Phù hợp nhất cho: Kiểm tra, thiết lập, hoặc kiểm định thủ công.

Hardware Trigger

• Định nghĩa: Sử dụng tín hiệu điện (ví dụ: từ cảm biến) để kích hoạt camera.
• Phù hợp nhất cho: Dây chuyền tự động nơi cảm biến phát hiện sự hiện diện của chi tiết.

PLC Trigger

• Định nghĩa: Tín hiệu kích hoạt được gửi qua bộ điều khiển công nghiệp (PLC) để đồng bộ hóa hoạt động với các máy khác.
• Phù hợp nhất cho: Hệ thống hoàn toàn tự động yêu cầu thời gian chính xác.

Aligner Trigger

• Định nghĩa: Tự động kích hoạt khi hệ thống phát hiện chi tiết được căn chỉnh trong khung hình.
• Phù hợp nhất cho: Các ứng dụng cần vị trí chi tiết nhất quán trước khi chụp hoặc khi không có các nguồn kích hoạt đáng tin cậy khác.

Interval Trigger

• Định nghĩa: Kích hoạt camera theo các khoảng thời gian được đặt trước.
• Phù hợp nhất cho: Các quy trình liên tục hoặc giám sát dây chuyền chuyển động mà không có cảm biến phát hiện chi tiết.

Template Image and Alignment

Skip Aligner

• Là gì: Tắt bước căn chỉnh (alignment) trong quá trình kiểm tra.
• Khi nào sử dụng: Khi sản phẩm 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 region of interest hình chữ nhật.
  • Circle: Vẽ một region of interest 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 đặc trưng nhất của sản phẩm để căn chỉnh chính xác.

Rotation Range

• Là gì: Thiết lập mức độ xoay (theo độ) mà hệ thống sẽ chấp nhận khi so khớp sản phẩm với template.
• Ví dụ: Thiết lập ±20° cho phép sản phẩm xoay nhẹ nhưng vẫn được phát hiện.
• Khi nào điều chỉnh: Tăng lên nếu sản phẩm có xu hướng xoay trong quá trình sản xuất; giảm xuống cho các hướng rất nhất quán.

Sensitivity

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

Confidence Threshold

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

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 sản phẩm có kích thước lớn hơn hoặc nhỏ hơn một chút so với template image gốc.
• Khi nào bật: Nếu kích thước sản phẩm 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 FOV (trường nhìn) của camera để giám sát trong quá trình triggering.

• 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 vật thể chuyển động, để đảm bảo sản phẩm nằm hoàn toàn trong vùng phát hiện.
  • Để tối ưu hóa tốc độ xử lý bằng cách giảm lượng dữ liệu hình ảnh cần phân tích.

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

• Mục đích: Giúp bạn căn chỉnh và định vị vùng tìm kiếm tương đối với sản phẩm hoặc góc nhìn camera.

3. Đường màu xanh lá cho biết cạnh của vật thể đã được phát hiện.

tip

Nếu bạn thấy đường đổi 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)

Inspection Types

• Mô tả: Xác định loại kiểm tra đang được thực hiện và nhóm các ROI (Regions of Interest) tương tự lại với nhau.
• Ví dụ: "Holes" để kiểm tra sự hiện diện, kích thước hoặc chất lượng của các lỗ trên một chi tiết.
• Tính năng chính:
  • Add Inspection Type: Tạo các 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

• Mô tả: Điều chỉnh vị trí và hình dạng của các ROI đã chọn để căn chỉnh và định vị 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.
• Ứng dụng tốt nhất: Tăng tốc quá trình thiết lập khi bạn có các mẫu lặp lại, chẳng hạn như nhiều lỗ giống nhau.

Inspection Regions

• Mô tả: Danh sách tất cả các ROI được xác định trong ảnh mẫu.
• Tính năng:
  • Add Inspection Region: 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: Biểu thị các ROI đã khóa, không thể di chuyển nếu chưa mở khóa.

Live Preview Mode

• Mô tả: 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.

Test Button

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

Thu Thập Dữ Liệu và Huấn Luyện AI

Xác định các inspection class 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 class cần chú thích. Giới hạn hiện tại là tối đa 10 class cho mỗi recipe đối với segmentation.

Tầm quan trọng của dữ liệu chất lượng

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

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

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

Những kiến thức cơ bản về Annotation:

• Classification: Gán nhãn toàn bộ ảnh hoặc ROI thành một class cụ thể (ví dụ: "Good", "Damaged").
• Segmentation: Tô, phác thảo hoặc đánh dấu các vùng quan tâm cụ thể 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 khi gán nhãn để tránh nhầm lẫn trong quá trình huấn luyện.

Những sai lầm thường gặp

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

Data Augmentation

Image augmentations chỉnh sửa nhân tạo các ảnh huấn luyện để cải thiện độ bền vững của mô hình. Chúng mô phỏng các biến thể trong thế giới thực như thay đổi độ sáng, xoay, hoặc nhiễu để mô hình hoạt động tốt trong các điều kiện khác nhau.

Color Augmentations

Brightness

• Định nghĩa: Điều chỉnh độ sáng hoặc tối của ảnh.
• Trường hợp sử dụng: Để xử lý các 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

• Định nghĩa: Thay đổi sự khác biệt giữa các vùng sáng và tối.
• Trường hợp sử dụng: Hữu ích cho các chi tiết có kết cấu hoặc bề mặt đa dạng để giúp mô hình thích ứng với các khác biệt về thị giác.

Hue

• Định nghĩa: Dịch chuyển tông màu nhẹ.
• Trường hợp sử dụng: Phù hợp với các thiết lập mà màu ánh sáng (ví dụ: nhiệt độ LED) có thể thay đổi theo thời gian.

Saturation

• Định nghĩa: Điều chỉnh độ đậm của màu sắc.
• Trường hợp sử dụng: Giúp xử lý các biến thể về chiếu sáng khiến ảnh trông mờ nhạt hơn hoặc rực rỡ hơn.

Geometric Augmentations

Rotation Range

• Định nghĩa: Xoay ảnh ngẫu nhiên trong phạm vi được thiết lập (ví dụ: ±20°).
• Trường hợp sử dụng: Đối với các chi tiết có thể đến ở vị trí xoay nhẹ.

tip

Tránh xoay quá mức đối với các chi tiết thường được cố định về hướng.

Flip

• Định nghĩa: Lật ảnh theo chiều ngang, chiều dọc, hoặc cả hai.
• Trường hợp sử dụng: Hữu ích cho các chi tiết đối xứng hoặc khi hướng có thể bị lật trong quá trình xử lý.

Lighting & Color Simulation

Planckian

• Định nghĩa: Mô phỏng các biến thể về nhiệt độ màu (ví dụ: ánh sáng ấm hoặc lạnh).
• Trường hợp sử dụng: Xử lý các ca làm việc khác nhau hoặc các work cell có nguồn sáng khác nhau.

Gaussian Noise

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

Motion Simulation

Motion Blur

• Định nghĩa: Mô phỏng hiện tượng mờ nhẹ như thể chi tiết bị di chuyển trong quá trình chụp.
• Trường hợp sử dụng: Quan trọng đối với các dây chuyền tốc độ cao nơi có thể xảy ra hiện tượng motion blur.

Probability (prob)

• Định nghĩa: Thiết lập khả năng áp dụng mỗi augmentation trong quá trình huấn luyện.
• Ví dụ: 0.50 = 50% khả năng áp dụng thay đổi đó cho bất kỳ ảnh huấn luyện nào.

tip

Bắt đầu ở mức 0.5 cho hầu hết các augmentation và điều chỉnh dựa trên mức độ biến thiên thực tế.

Training Parameters (Segmentation)

Các tham số huấn luyện (còn gọi là hyperparameters) là các thiết lập kiểm soát cách 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 nếu quá cao có thể gây ra sự bất ổn định hoặc độ chính xác kém.
• Phạm vi Slider: Từ 10^-4 (rất chậm) đến 10^-1 (rất nhanh).

tip

Thông thường, giá trị nằm trong khoảng 0.001–0.01 là điểm khởi 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: Theo mặc định, mô hình sẽ 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 thành 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 đảm bảo tính ổn định, 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 qua toàn bộ tập dữ liệu huấn luyện.
• Giá trị (100): Mô hình sẽ huấn luyện trong 100 lần duyệt hoàn chỉnh.

tip

Tăng giá trị 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.

Architecture

• Định nghĩa: Lựa chọn kích thước và độ phức tạp của mạng neural.
• 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.
• Mô hình lớn hơn có thể nắm bắt được nhiều chi tiết hơn nhưng có thể bị overfitting trên các tập dữ liệu nhỏ, trong khi các mô hình nhỏ hơn hiệu quả hơn và tổng quát hóa tốt hơn khi dữ liệu bị hạn chế.

tip

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

External GPU

Liên hệ với bộ phận Hỗ Trợ để biết thêm thông tin về External GPU.

Tham Số Huấn Luyện (Classification)

Tham số huấn luyện (còn gọi là hyperparameters) là các thiết lập điều khiển cách một mô hình machine learning học từ dữ liệu.

Learning Rate

• Định nghĩa: Điều khiển 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 Slider: 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 riêng cho validation (kiểm tra trong quá trình huấn luyện).
• Mục đích: Dữ liệu validation giúp giám sát mức độ hoạt động của mô hình trên các mẫu chưa được thấy, ngăn ngừa overfitting.
• Phạm vi: 0–50%.

tip

Các lựa chọn phổ biến là 10–20%.

Nếu đặt là 0%, toàn bộ dữ liệu sẽ được sử dụng để huấn luyện, điều này có thể cải thiện độ chính xác huấn luyện nhưng gây khó khăn trong việc phát hiện overfitting.

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 training.
• Không chọn: Theo mặc định, model sẽ tự động xác định ROI dựa trên dữ liệu của bạn.
• Khi được chọn: Bạn có thể đặt 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 tạo, hoặc để phù hợp với 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 tính của tập dữ liệu.

Số lần lặp (Epochs)

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

tip

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

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

Architecture

• Định nghĩa: Chọn kích thước và độ phức tạp của neural network.
• Small: Training nhanh hơn và thường đủ cho hầu hết các tập dữ liệu. Lý tưởng để thử nghiệm nhanh hoặc cho các tập dữ liệu nhỏ.

tip

Hãy bắt đầu với Small, thường là đủ và giúp bạn thử nghiệm nhanh hơn trước khi mở rộng quy mô.

Architecture và Camera	Mô tả	Khuyến nghị sử dụng
ConvNeXt-Pico	Model siêu nhẹ được tối ưu hóa cho tốc độ và sử dụng ít bộ nhớ.	Phù hợp cho các 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 tập dữ liệu nhỏ–vừa.
ConvNeXt-Tiny	Cung cấp độ chính xác cao hơn trong khi vẫn hiệu quả.	Phù hợp cho tập dữ liệu trung bình và các lần training dài hơn.
ConvNeXt-Small	Biến thể mạnh nhất trong danh sách này. Dung lượng và độ chính xác cao hơn.	Sử dụng cho tập dữ liệu lớn hoặc khi cần hiệu suất tối đa.

External GPU

Liên hệ bộ phận Support để biết thêm về External GPU.