跳到主要内容

添加数据和重新训练

本教程演示如何通过向现有配方添加新图像并重新训练模型来提高 AI 模型的准确性。当模型错误地将合格部件判定为不合格，或在生产中遇到新的变体时，此过程尤为重要。

您将学习：

  • 如何查找并选择用于重新训练的图像
  • 如何将图像添加到现有 trainset
  • 如何标注新的训练数据
  • 如何用新数据重新训练模型

使用时机： 当合格部件在检验中被判定为不合格、或出现新型零件变体，或需要通过增加示例来提升模型精度时。

先决条件​

  • 具有训练好 AI 模型的活跃配方（分类或分割）
  • 访问 OV80i 相机界面
  • 库中需要添加到训练中的图像

步骤 1：查找用于重新训练的图像​

1.1 导航到 Library​

  1. 打开 OV80i 界面
  2. 在左侧导航菜单中点击 "Library"
  3. 您将看到来自相机的所有捕获图像

1.2 过滤图像​

  1. 按配方过滤：选择您想要改进的配方
  2. 按通过/失败过滤：选择 "FAIL" 以查看失败的图像，或选择 "PASS" 以查看通过的图像
  3. 排序按：选择日期或其他条件来组织结果
  4. 点击 "Search" 以显示筛选结果

目标： 找到被错误分类的图像——要么将合格部件错误标记为不合格，要么将不合格部件错误标记为合格。

步骤 2：将图像添加到 Trainset​

2.1 选择图像​

  1. 逐一查看每张图像，以识别被错误分类的部件
  2. 选择图像，显示以下情况：
    • 被错误标记为不合格的合格部件
    • 被错误标记为通过的不良部件
  3. 在您想要添加的每张图像上点击复选框
重要

仅添加被错误分类的图像——包括被错误标记为不合格的合格部件，以及被错误标记为通过的不良部件。两者都能帮助提升模型的准确性。

image.png

2.2 添加到 Trainset​

  1. 选择图像后，在底部点击 "Add to the active recipe's trainset"
  2. 将显示一个成功消息以确认图像已被添加
  3. 点击 "Go to recipe editor" 以继续

步骤 3：标注新的训练数据​

3.1 导航到 Label and Train​

  1. 从 Recipe Editor，进入：
    • Classification Recipe： "Classification Block"
    • Segmentation Recipe： "Label And Train"
  2. 点击 "View All ROIs"

3.2 查找未标注的图像​

  1. 使用 "Filter By Class" 下拉菜单
  2. 选择 "Unlabeled" 仅显示未标注的图像
  3. 您将看到刚才添加到 trainset 的图像

image.png

3.3 标注选定的图像​

  1. 选择您添加的所有未标注的图像
  2. 点击左下角的 "Label Selected ROIs"
  3. 从下拉列表中选择正确的标签（例如 "Pass"、"Good" 等）
  4. 点击 "OK" 以应用标签
重要

在不同标注会话之间点击 "Clear Selection" 以避免错误标注。

image.png

3.4 关闭 ROI 视图​

  1. 关闭 "查看全部 ROI" 模态框
  2. 返回到主页面的“标注与训练”主界面

第 4 步：重新训练模型​

4.1 开始重新训练​

  1. 单击 "训练分类模型" 或 "训练分割模型"
  2. 系统将使用所有现有数据及您新添加的图像进行重新训练
  3. 监控训练进度

4.2 训练过程​

  • 该模型会从旧的和新的带标签数据中学习
  • 训练时间取决于数据总量
  • 在测试之前等待训练完成

4.3 测试改进后的模型​

  1. 使用 "实时预览模式" 来测试重新训练的模型
  2. 使用先前被错误判定为不通过的相同图像进行测试
  3. 验证模型现已能正确将良品识别为通过

第 5 步：验证结果​

5.1 使用新图像进行测试​

  1. 捕获相似部件的新图像
  2. 检查模型在边缘情况上的表现是否更好
  3. 验证先前良好的图像现在是否正确通过

5.2 监控性能​

  1. 关注是否出现新的误检或漏检
  2. 记录准确性的提升
  3. 记录仍然存在的问题以便未来重新训练

成功！您的模型已重新训练​

您的改进的 AI 模型现在可以：

✅ 更好地识别先前被错误判定为不良的良品

✅ 处理生产部件的新变体

✅ 减少误判为不良的情况并提高准确性

✅ 适应制造过程中的变动

成功的关键提示​

数据质量​

  • 添加被错误分类的图像（包括错误通过和错误失败）
  • 保持标注的一致性 - 将良品标注为 "Pass"，将不良品标注为 "Fail"
  • 包括对通过与不通过条件的多样化示例
  • 在不同标注会话之间清晰选择

何时重新训练​

  • 误判为不良的增多（良品被判为不良）
  • 误判为通过的增多（不良品被判为通过）
  • 生产中出现新的部件变体
  • 工艺变更 影响部件外观
  • 材料或照明的季节性变化

最佳实践​

  • 从小做起 - 一次添加 10-20 张图像
  • 在每次重新训练后进行彻底测试
  • 记录变更与改进
  • 在进行大规模重新训练前保留工作模型的备份

下一步​

重新训练您的模型后：

  1. 监控生产过程以提高准确性
  2. 继续收集有问题的图像以用于未来重新训练
  3. 如有需要，设定定期重新训练计划
  4. 培训操作员，了解何时标记图像以进行重新训练
  5. 记录重新训练过程以确保一致性

🔗 相关链接​