Huấn Luyện Classifier

Hướng dẫn này chỉ cho bạn cách cấu hình và huấn luyện mô hình phân loại trên hệ thống camera OV20i. Sử dụng quy trình này khi bạn cần tự động phân loại đối tượng vào các class khác nhau dựa trên đặc điểm hình ảnh.

Video Hướng Dẫn

Xem chủ đề này trong thực tế: OV Auto-Defect Creator Studio

Khi Nào Sử Dụng Classification: Phân loại linh kiện theo loại, kích thước, màu sắc hoặc tình trạng; nhận diện các biến thể sản phẩm khác nhau; kiểm soát chất lượng với nhiều danh mục chấp nhận được.

Điều Kiện Tiên Quyết

• Recipe đang hoạt động với cài đặt imaging đã được cấu hình
• Ảnh template và căn chỉnh (alignment) đã hoàn tất (hoặc đã bỏ qua)
• ROI kiểm tra đã được xác định
• Các đối tượng mẫu đại diện cho mỗi class bạn muốn phát hiện

Bước 1: Truy Cập Classification Block

1.1 Điều Hướng Đến Classification

1. Nhấp vào "Classification Block" trong menu breadcrumb, HOẶC
2. Chọn từ dropdown trong thanh điều hướng

1.2 Xác Minh Điều Kiện Tiên Quyết

Đảm bảo các block sau hiển thị trạng thái xanh:

• ✅ Imaging Setup
• ✅ Template and Alignment (hoặc đã bỏ qua)
• ✅ Inspection Setup

Bước 2: Tạo Các Classification Class

2.1 Xác Định Các Class Của Bạn

1. Nhấp Edit dưới "Inspection Types"
2. Thêm các class cho mỗi danh mục bạn muốn phát hiện

2.2 Cấu Hình Mỗi Class

Với mỗi class:

1. Nhập Tên Class: Sử dụng tên mô tả (ví dụ: "Small", "Medium", "Large")
2. Chọn Màu Class: Chọn các màu riêng biệt để nhận diện trực quan
3. Thêm Mô Tả: Chi tiết tùy chọn về class
4. Nhấp Save

2.3 Thực Hành Tốt Nhất Khi Đặt Tên Class

Tên Tốt	Tên Không Tốt
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

Bước 3: Chụp Ảnh Huấn Luyện

3.1 Quy Trình Chụp Ảnh

Với mỗi class, chụp tối thiểu 5 ảnh (khuyến nghị 10+):

1. Đặt đối tượng đại diện cho class vào khu vực kiểm tra
2. Xác minh đối tượng nằm trong ranh giới ROI
3. Nhấp Capture để chụp ảnh huấn luyện
4. Chọn class phù hợp từ dropdown
5. Nhấp Save để lưu ảnh đã gán nhãn
6. Lặp lại với các mẫu khác nhau của cùng một class

3.2 Yêu Cầu Dữ Liệu Huấn Luyện

Class	Số Ảnh Tối Thiểu	Số Ảnh Khuyến Nghị	Ghi Chú
Mỗi class	5	10-15	Nhiều ảnh hơn = độ chính xác cao hơn
Tổng bộ dữ liệu	15+	30-50+	Cân bằng giữa tất cả các class
Trường hợp biên	2-3 mỗi class	5+ mỗi class	Các mẫu ranh giới

3.3 Thực Hành Tốt Nhất Khi Chụp Ảnh Huấn Luyện

Nên:

• Sử dụng các mẫu khác nhau trong mỗi class
• Thay đổi hướng và vị trí đối tượng
• Đảm bảo điều kiện ánh sáng tốt
• Chụp các trường hợp biên và mẫu ranh giới
• Duy trì khung ROI nhất quán

Không nên:

• Sử dụng lặp lại các đối tượng giống nhau
• Đưa nhiều đối tượng vào một ROI
• Trộn lẫn các class trong cùng một ảnh
• Sử dụng ảnh mờ hoặc thiếu sáng
• Thay đổi kích thước ROI giữa các lần chụp

3.4 Kiểm Soát Chất Lượng

Sau khi chụp mỗi ảnh:

1. Xem lại chất lượng ảnh trong phần xem trước
2. Xác minh việc gán nhãn class chính xác
3. Xóa các ảnh chất lượng kém bằng nút Delete
4. Chụp lại nếu cần thiết

Bước 4: Cấu Hình Tham Số Training

4.1 Truy Cập Cài Đặt Training

1. Nhấn nút Train Classification Model

4.2 Chọn Chế Độ Training

Chọn dựa trên nhu cầu của bạn:

Chế Độ Training	Thời Lượng	Độ Chính Xác	Trường Hợp Sử Dụng
Fast	2-5 phút	Tốt cho kiểm thử	Xác thực model ban đầu
Balanced	5-15 phút	Sẵn sàng cho production	Hầu hết các ứng dụng
Accurate	15-30 phút	Độ chính xác cao nhất	Ứng dụng quan trọng

4.3 Thiết Lập Số Lần Lặp (Iteration)

Cài đặt số lần lặp thủ công:

• Thấp (50-100): Kiểm thử nhanh, độ chính xác cơ bản
• Trung bình (200-500): Chất lượng production
• Cao (500+): Độ chính xác tối đa, training chậm hơn

4.4 Cài Đặt Nâng Cao (Tùy Chọn)

Batch Size:

• Batch nhỏ hơn: Training ổn định hơn, chậm hơn
• Batch lớn hơn: Training nhanh hơn, có thể kém ổn định hơn

Learning Rate:

• Giá trị thấp hơn: Ổn định hơn, học chậm hơn
• Giá trị cao hơn: Học nhanh hơn, có nguy cơ không ổn định

Khuyến nghị: Sử dụng cài đặt mặc định trừ khi bạn có yêu cầu hiệu năng cụ thể.

Bước 5: Bắt Đầu Quá Trình Training

5.1 Khởi Tạo Training

1. Xem lại cấu hình training
2. Nhấn Start Training
3. Theo dõi tiến trình trong cửa sổ training

5.2 Các Chỉ Số Tiến Trình Training

Theo dõi các chỉ số sau:

• Current Iteration: Tiến độ qua các chu kỳ training
• Training Accuracy: Hiệu năng model trên dữ liệu training
• Estimated Time: Thời gian training còn lại
• Loss Value: Sai số của model (nên giảm dần theo thời gian)

5.3 Điều Khiển Training

Các hành động khả dụng trong quá trình training:

• Abort Training: Dừng training ngay lập tức
• Finish Early: Dừng khi độ chính xác hiện tại đã đủ
• Extend Training: Thêm số lần lặp nếu cần

5.4 Hoàn Tất Training

Training sẽ tự động dừng khi:

• Đạt độ chính xác mục tiêu (thường là 95%+)
• Hoàn thành số lần lặp tối đa
• Người dùng dừng training thủ công

Bước 6: Đánh Giá Hiệu Năng Model

6.1 Xem Lại Kết Quả Training

Kiểm tra các chỉ số cuối cùng:

• Final Accuracy: Nên >85% để sử dụng cho production
• Training Time: Ghi lại thời lượng để tham khảo sau này
• Convergence: Xác minh độ chính xác đã ổn định

6.2 Các Chỉ Số Chất Lượng Model

Khoảng Độ Chính Xác	Mức Chất Lượng	Khuyến Nghị
95%+	Xuất sắc	Sẵn sàng cho production
85-94%	Tốt	Phù hợp cho hầu hết các ứng dụng
75-84%	Trung bình	Cân nhắc bổ sung thêm dữ liệu training
<75%	Kém	Training lại với nhiều/ảnh chất lượng tốt hơn

6.3 Khắc Phục Sự Cố Hiệu Năng Kém

Vấn Đề	Nguyên Nhân Có Thể	Giải Pháp
Độ chính xác thấp (<75%)	Dữ liệu training không đủ	Thêm nhiều ảnh đã gán nhãn hơn
Training không cải thiện	Chất lượng ảnh kém	Cải thiện ánh sáng/lấy nét
Các class bị nhầm lẫn	Các đối tượng trông giống nhau	Thêm các ví dụ phân biệt rõ hơn
Overfitting	Quá ít ảnh cho mỗi class	Cân bằng dataset giữa các class

Bước 7: Kiểm Tra Hiệu Suất Phân Loại

7.1 Kiểm Tra Trực Tiếp

1. Nhấp vào Live Preview để truy cập kiểm tra thời gian thực
2. Đặt đối tượng kiểm tra vào khu vực kiểm tra
3. Quan sát kết quả phân loại:
   • Tên class dự đoán
   • Tỷ lệ phần trăm độ tin cậy
   • Thời gian xử lý

7.2 Kiểm Tra Xác Thực

Quy trình xác thực có hệ thống:

Đối Tượng Kiểm Tra	Class Mong Đợi	Kết Quả Thực Tế	Độ Tin Cậy	Đạt/Không Đạt
Đối tượng Class A đã biết	Class A	_____	____%	☐
Đối tượng Class B đã biết	Class B	_____	____%	☐
Ví dụ ranh giới	Class A hoặc B	_____	____%	☐
Đối tượng không xác định	Độ tin cậy thấp	_____	____%	☐

7.3 Xác Thực Hiệu Suất

Xác minh các khía cạnh sau:

• Độ chính xác: Phân loại đúng cho các đối tượng đã biết
• Độ tin cậy: Độ tin cậy cao (>80%) cho các ví dụ rõ ràng
• Tính nhất quán: Kết quả có thể lặp lại cho cùng một đối tượng
• Tốc độ: Thời gian xử lý chấp nhận được cho ứng dụng của bạn

Bước 8: Tối Ưu Hóa Model

8.1 Nếu Hiệu Suất Chưa Đạt Yêu Cầu

Quy trình cải tiến lặp:

1. Xác định các khu vực có vấn đề:
   • Những class nào bị nhầm lẫn?
   • Những đối tượng nào bị phân loại sai?
   • Mức độ tin cậy có phù hợp không?
2. Bổ sung dữ liệu huấn luyện có mục tiêu:
   • Nhiều ví dụ hơn về các class bị nhầm lẫn
   • Các trường hợp biên và ví dụ ranh giới
   • Các điều kiện ánh sáng/vị trí khác nhau
3. Huấn luyện lại model:
   • Sử dụng chế độ "Accurate" để có hiệu suất tốt hơn
   • Tăng số lần lặp
   • Theo dõi cải thiện độ chính xác

8.2 Tối Ưu Hóa Nâng Cao

Cho các ứng dụng quan trọng:

• Tăng cường dữ liệu: Sử dụng ánh sáng và vị trí đa dạng
• Transfer learning: Bắt đầu từ các model đã huấn luyện tương tự
• Phương pháp ensemble: Kết hợp nhiều model
• Huấn luyện lại định kỳ: Cập nhật với dữ liệu sản xuất mới

Bước 9: Hoàn Tất Cấu Hình

9.1 Lưu Model

1. Xác minh hiệu suất đạt yêu cầu
2. Model tự động lưu khi huấn luyện hoàn tất
3. Ghi lại phiên bản model để làm tài liệu

9.2 Tài Liệu Hóa

Ghi lại các chi tiết sau:

• Ngày huấn luyện và phiên bản
• Số lượng hình ảnh cho mỗi class
• Chế độ huấn luyện và số lần lặp đã sử dụng
• Độ chính xác cuối cùng đạt được
• Bất kỳ lưu ý đặc biệt nào

9.3 Sao Lưu Cấu Hình

1. Xuất recipe để sao lưu
2. Lưu hình ảnh huấn luyện riêng nếu cần
3. Ghi lại các tham số của model

Thành Công! Bộ Phân Loại Của Bạn Đã Sẵn Sàng

Model phân loại đã huấn luyện của bạn giờ đây có thể:

• Tự động phân loại đối tượng vào các class đã xác định
• Cung cấp điểm tin cậy cho mỗi dự đoán
• Xử lý hình ảnh theo thời gian thực cho sản xuất
• Tích hợp với logic I/O để ra quyết định tự động

Bảo Trì Liên Tục

Cập Nhật Model Định Kỳ

• Theo dõi hiệu suất theo thời gian
• Bổ sung dữ liệu huấn luyện mới khi cần
• Huấn luyện lại định kỳ để duy trì độ chính xác
• Cập nhật các class cho các biến thể sản phẩm mới

Giám Sát Hiệu Suất

• Theo dõi các chỉ số độ chính xác trong sản xuất
• Xác định sự trôi dạt (drift) trong hiệu suất của model
• Lên lịch huấn luyện lại dựa trên sự suy giảm hiệu suất

Các Bước Tiếp Theo

Sau khi huấn luyện bộ phân loại của bạn:

1. Cấu hình logic I/O cho quyết định đạt/không đạt
2. Thiết lập quy trình sản xuất trong IO Block
3. Kiểm tra toàn bộ hệ thống kiểm tra từ đầu đến cuối
4. Triển khai vào môi trường sản xuất

Các Lỗi Thường Gặp

Lỗi	Tác Động	Phòng Tránh
Dữ liệu huấn luyện không đủ	Độ chính xác kém	Sử dụng 10+ hình ảnh mỗi class
Các class không cân bằng	Dự đoán bị thiên lệch	Số lượng hình ảnh bằng nhau giữa các class
Chất lượng hình ảnh kém	Kết quả không nhất quán	Tối ưu hóa ánh sáng và lấy nét
Các class quá giống nhau	Phân loại bị nhầm lẫn	Chọn định nghĩa class rõ ràng, khác biệt
Không kiểm thử xác thực	Lỗi khi vận hành sản xuất	Luôn kiểm thử với các đối tượng chưa từng thấy