Skip to main content

AI-POWERED DOCS

What do you want to know?

Thêm Dữ Liệu & Huấn Luyện Lại

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

Video Hướng Dẫn

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

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 không qua được kiểm tra, khi bạn có các biến thể sản phẩm mới, hoặc khi cần cải thiện độ chính xác của mô hình bằng các ví dụ 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 OV80i
  • 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 OV80i
  2. Nhấp vào "Library" trong menu điều hướng bên trái
  3. Bạn sẽ thấy tất cả hình ảnh đã chụp từ camera của mình

1.2 Lọc Hình Ảnh​

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

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

Bước 2: Thêm Hình Ảnh Vào Trainset​

2.1 Chọn Hình Ảnh​

  1. Xem lại từng hình ảnh để xác định các sản phẩm bị phân loại sai
  2. Chọn các hình ảnh hiển thị:
    • Sản phẩm tốt bị đánh dấu sai thành fail
    • Sản phẩm lỗi bị đánh dấu sai thành pass
  3. Nhấp vào ô chọn trên mỗi hình ảnh bạn muốn thêm
Quan Trọng

Thêm các hình ảnh bị phân loại sai - bao gồm các sản phẩm tốt bị fail VÀ các sản phẩm lỗi được pass. 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 vào "Add to the active recipe's trainset" ở phía dưới
  2. Một thông báo thành công sẽ xác nhận rằng hình ảnh đã được thêm
  3. Nhấp vào "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 tới:
    • Classification Recipe: "Classification Block"
    • Segmentation Recipe: "Label And Train"
  2. Nhấp vào "View All ROIs"

3.2 Tìm Hình Ảnh Chưa Được Gán Nhãn​

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

image.png

3.3 Gán Nhãn Các Hình Ảnh Đã Chọn​

  1. Chọn tất cả các hình ảnh chưa được gán nhãn mà bạn đã thêm
  2. Nhấp vào "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 vào "OK" để áp dụng nhãn
Quan Trọng

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

image.png

3.4 Đóng ROI View​

  1. Đóng hộp thoại "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 vào "Train Classification Model" hoặc "Train Segmentation Model"
  2. Hệ thống sẽ huấn luyện lại bằng cách sử dụng tất cả dữ liệu hiện có cùng với các hình ảnh mới của bạn
  3. Theo dõi tiến trình huấn luyện

4.2 Quy Trình Huấn Luyện​

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

4.3 Kiểm Tra Mô Hình Đã Cải Thiện​

  1. Sử dụng "Live Preview Mode" để kiểm tra mô hình đã được huấn luyện lại
  2. Kiểm tra với cùng các hình ảnh đã bị fail không chính xác trước đây
  3. Xác nhận mô hình hiện đã phân loại chính xác các sản phẩm tốt là pass

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 với các trường hợp biên không
  3. Xác nhận các hình ảnh tốt trước đây hiện đã pass chính xác

5.2 Theo Dõi 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 tồn tại nào cho các lần huấn luyện lại trong tương lai

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

Mô hình AI đã được cải thiện của bạn giờ đây có thể:

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

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

✅ Giảm false failures và cải thiện độ chính xác

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

Những Mẹo Quan Trọng Để Thành Công​

Chất Lượng Dữ Liệu​

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

Khi Nào Huấn Luyện Lại​

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

Các Best Practice​

  • 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 thiện
  • Giữ bản backup của các mô hình đang hoạt động trước khi huấn luyện lại lớn
Nhiều hình ảnh không phải lúc nào cũng tốt hơn

Thêm hàng loạt hình ảnh lớn mà không xem xét chúng có thể làm cho mô hình của bạn tệ hơn. Mỗi hình ảnh bạn thêm vào đều dạy AI điều gì đó. Nếu những hình ảnh đó chứa các sản phẩm được gán nhãn sai, ánh sáng không nhất quán, ảnh 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 sẽ giảm. Dữ liệu tốt vào, dữ liệu tốt ra.

Trước khi thêm hình ảnh, hãy xác minh từng hình ảnh là: được gán nhãn chính xác (pass thực sự hiển thị sản phẩm tốt, fail thực sự hiển thị 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 đặc điểm mà mô hình cần học. Nếu độ chính xác giảm sau khi huấn luyện lại, hãy xem xét lại các hình ảnh vừa thêm gần đây trước. Loại bỏ một vài ví dụ xấu thường giúp ích nhiều hơn là thêm hàng chục ví dụ mới.

Các Bước Tiếp Theo​

Sau khi huấn luyện lại mô hình của bạn:

  1. Theo dõi 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 huấn luyện lại định kỳ nếu cần
  4. Đào tạo người vận hành về thời điểm đánh dấu hình ảnh để huấn luyện lại
  5. Ghi lại quy trình huấn luyện lại của bạn để đảm bảo tính nhất quán

🔗 Xem Thêm​