Huấn Luyện Bộ Phân Loại

Hướng dẫn này trình bày cách cấu hình và huấn luyện mô hình phân loại trên hệ thống camera OV80i. Sử dụng quy trình này khi bạn cần tự động phân loại đối tượng vào các lớp khác nhau dựa trên đặc điểm thị giác.

Hướng Dẫn Video

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

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

Điều Kiện Tiên Quyết

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

Bước 1: Truy Cập Classification Block

1.1 Điều Hướng Đến Classification

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

1.2 Xác Minh Các 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 Lớp Phân Loại

2.1 Xác Định Các Lớp

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

2.2 Cấu Hình Mỗi Lớp

Đối với mỗi lớp:

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

2.3 Thực Hành Tốt Nhất Khi Đặt Tên Lớp

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

Đối với mỗi lớp, chụp tối thiểu 5 ảnh (khuyến nghị 10+):

1. Đặt đối tượng đại diện cho lớp 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 lớp phù hợp từ dropdown
5. Nhấp Save để lưu ảnh đã gán nhãn
6. Lặp lại với các ví dụ khác nhau của cùng một lớp

3.2 Yêu Cầu Dữ Liệu Huấn Luyện

Lớp	Số Ảnh Tối Thiểu	Số Ảnh Khuyến Nghị	Ghi Chú
Mỗi lớp	5	10-15	Nhiều ảnh hơn = độ chính xác tốt hơn
Tổng tập dữ liệu	15+	30-50+	Cân bằng giữa tất cả các lớp
Trường hợp biên	2-3 mỗi lớp	5+ mỗi lớp	Các ví dụ ở ranh giới

3.3 Thực Hành Tốt Nhất Cho Ảnh Huấn Luyện

Nên:

• Sử dụng các ví dụ khác nhau trong mỗi lớp
• Thay đổi hướng và vị trí đối tượng
• Bao gồm điều kiện ánh sáng tốt
• Chụp các trường hợp biên và ví dụ ranh giới
• Duy trì khung ROI nhất quán

Không Nên:

• Sử dụng các đối tượng giống hệt nhau lặp đi lặp lại
• Bao gồm nhiều đối tượng trong một ROI
• Trộn lẫn các lớp trong một ảnh
• Sử dụng ảnh mờ hoặc ánh sáng kém
• Thay đổi kích thước ROI giữa các lần chụp

3.4 Kiểm Soát Chất Lượng

Sau khi chụp mỗi hình ảnh:

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

Bước 4: Cấu Hình Các Tham Số Huấn Luyện

4.1 Truy Cập Cài Đặt Huấn Luyện

1. Nhấp vào nút Train Classification Model

4.2 Chọn Chế Độ Huấn Luyện

Chọn dựa trên nhu cầu của bạn:

Chế Độ Huấn Luyện	Thời Gian	Độ Chính Xác	Trường Hợp Sử Dụng
Fast	2-5 phút	Tốt cho thử nghiệm	Xác thực mô hình ban đầu
Balanced	5-15 phút	Sẵn sàng cho sản xuất	Hầu hết các ứng dụng
Accurate	15-30 phút	Độ chính xác cao nhất	Các ứng dụng quan trọng

4.3 Đặt Số Lần Lặp

Cài đặt số lần lặp thủ công:

• Thấp (50-100): Thử nghiệm nhanh, độ chính xác cơ bản
• Trung bình (200-500): Chất lượng sản xuất
• Cao (500+): Độ chính xác tối đa, huấn luyện chậm hơn

4.4 Cài Đặt Nâng Cao (Tùy Chọn)

Batch Size:

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

Learning Rate:

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

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

Bước 5: Bắt Đầu Quá Trình Huấn Luyện

5.1 Khởi Tạo Huấn Luyện

1. Xem lại cấu hình huấn luyện
2. Nhấp Start Training
3. Theo dõi tiến trình trong cửa sổ huấn luyện

5.2 Các Chỉ Số Tiến Trình Huấn Luyện

Theo dõi các chỉ số sau:

• Current Iteration: Tiến trình qua các chu kỳ huấn luyện
• Training Accuracy: Hiệu suất mô hình trên dữ liệu huấn luyện
• Estimated Time: Thời gian huấn luyện còn lại
• Loss Value: Sai số mô hình (nên giảm dần theo thời gian)

5.3 Điều Khiển Huấn Luyện

Các hành động có sẵn trong quá trình huấn luyện:

• Abort Training: Dừng huấn luyện 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 Thành Huấn Luyện

Huấn luyện tự động dừng khi:

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

Bước 6: Đánh Giá Hiệu Suất Mô Hình

6.1 Xem Lại Kết Quả Huấn Luyện

Kiểm tra các chỉ số cuối cùng:

• Final Accuracy: Nên >85% để sử dụng trong sản xuất
• Training Time: Ghi lại thời gian để tham khảo trong tương lai
• Convergence: Xác minh độ chính xác đã ổn định

6.2 Các Chỉ Số Chất Lượng Mô Hình

Khoảng Độ Chính Xác	Mức Chất Lượng	Khuyến Nghị
95%+	Xuất sắc	Sẵn sàng cho sản xuất
85-94%	Tốt	Phù hợp cho hầu hết các ứng dụng
75-84%	Khá	Xem xét bổ sung thêm dữ liệu huấn luyện
<75%	Kém	Huấn luyện lại với nhiều/tốt hơn hình ảnh

6.3 Khắc Phục Sự Cố Hiệu Suất Kém

Vấn Đề	Nguyên Nhân Có Thể	Giải Pháp
Độ chính xác thấp (<75%)	Dữ liệu huấn luyện không đủ	Thêm nhiều hình ảnh được gán nhãn hơn
Huấn luyện không cải thiện	Chất lượng hình ảnh kém	Cải thiện ánh sáng/lấy nét
Các lớp bị nhầm lẫn	Các đối tượng trông tương tự	Thêm các ví dụ phân biệt rõ hơn
Overfitting	Quá ít hình ảnh cho mỗi lớp	Cân bằng tập dữ liệu giữa các lớp

Bước 7: Kiểm Tra Hiệu Suất Phân Loại

7.1 Kiểm Tra Trực Tiếp

1. Nhấp Live Preview để truy cập kiểm tra thời gian thực
2. Đặt các đối tượng thử nghiệm vào khu vực kiểm tra
3. Quan sát kết quả phân loại:
   • Tên lớp được dự đoán
   • Phần trăm độ tin cậy
   • Thời gian xử lý

7.2 Kiểm Tra Xác Thực

Quy trình xác thực có hệ thống:

Đối Tượng Thử Nghiệm	Lớp Dự Kiến	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 Mô Hình

8.1 Nếu Hiệu Suất Chưa Đạt Yêu Cầu

Quy trình cải tiến lặp lại:

1. Xác định các khu vực có vấn đề:
   • Những lớp 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:
   • Thêm ví dụ cho các lớp 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 mô hình:
   • Sử dụng chế độ "Accurate" để có hiệu suất tốt hơn
   • Tăng số lần lặp
   • Theo dõi sự cải thiện về độ chính xác

8.2 Tối Ưu Hóa Nâng Cao

Dành 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 mô hình đã huấn luyện tương tự
• Phương pháp ensemble: Kết hợp nhiều mô hình
• Huấn luyện lại định kỳ: Cập nhật với dữ liệu sản xuất mới

Bước 9: Hoàn Tất Cấu Hình

9.1 Lưu Mô Hình

1. Xác minh hiệu suất đạt yêu cầu
2. Mô hình tự động lưu khi huấn luyện hoàn tất
3. Ghi lại phiên bản mô hình để lập tài liệu

9.2 Lập Tài Liệu

Ghi lại các chi tiết sau:

• Ngày huấn luyện và phiên bản
• Số lượng hình ảnh cho mỗi lớp
• Chế độ huấn luyện và số lần lặp được sử dụng
• Độ chính xác cuối cùng đạt được
• Bất kỳ cân nhắc 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. Lập tài liệu các tham số mô hình

Thành Công! Classifier Của Bạn Đã Sẵn Sàng

Mô hình phân loại đã được huấn luyện của bạn giờ có thể:

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

Bảo Trì Liên Tục

Cập Nhật Mô Hình 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 lớp 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 trong hiệu suất mô hình
• Lên lịch huấn luyện lại dựa trên sự suy giảm hiệu suất

Các Bước Tiếp Theo

Sau khi huấn luyện classifier của bạn:

1. Cấu hình I/O logic cho các quyết định pass/fail
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	Cách Phòng Tránh
Dữ liệu huấn luyện không đủ	Độ chính xác kém	Sử dụng 10+ hình ảnh cho mỗi class
Các class mất 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 các định nghĩa class khác biệt rõ ràng
Không kiểm tra xác thực	Thất bại trong sản xuất	Luôn kiểm tra với các đối tượng chưa từng thấy