训练分类器

本指南介绍如何在 OV80i 相机系统上配置并训练分类模型。当需要基于视觉特征将对象自动归类到不同类别时，请使用此流程。

视频指南

请查看本主题的实际演示：OV Auto-Defect Creator Studio

何时使用 Classification： 根据类型、尺寸、颜色或状态对零件进行分类；识别不同的产品变体；在具有多种可接受类别的质量控制场景中使用。

先决条件

• 已启用的配方，且已配置成像设置
• 模板图像和对齐已完成（或跳过）
• 已定义检测 ROI（ROI/ROIs）
• 代表要检测的每个类别的样本对象

步骤 1：访问 Classification Block

1.1 导航到 Classification

1. 在面包屑菜单中单击“Classification Block”，或
2. 在导航栏的下拉菜单中选择

1.2 验证前提条件

确保以下区块显示为绿色状态：

• ✅ 成像设置
• ✅ 模板与对齐（或跳过）
• ✅ 检查/检测设置

步骤 2：创建 Classification Classes

2.1 定义你的类别

1. 点击“Edit” 位于 “Inspection Types” 下
2. 为要检测的每个类别添加类别

2.2 为每个类别配置

对于每个类别：

1. 输入类别名称： 使用描述性名称（例如“Small”、“Medium”、“Large”）
2. 选择类别颜色： 为可视识别选择不同颜色
3. 添加描述： 关于该类别的可选详细信息
4. 点击“Save”

2.3 分类命名最佳实践

好名称	不良名称
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

步骤 3：捕获训练图像

3.1 图像捕获过程

对于每个类别，至少捕获 5 张图像（推荐 10 张以上）：

1. 将代表该类别的对象放置在检测区域
2. 验证对象位于 ROI（感兴趣区域）边界内
3. 单击“Capture”以拍摄训练图像
4. 从下拉菜单中选择相应的类别
5. 单击“保存”以存储已标注的图像
6. 对同一类别的不同样本重复上述操作

3.2 训练数据要求

类别	最少图像	推荐图像	备注
每个类别	5	10-15	图像越多，准确性越高
总数据集	15+	30-50+	在所有类别之间保持均衡
边缘情况	2-3 张/类别	5+ 张/类别	边界示例

3.3 训练图像最佳实践

可以：

• 在每个类别内使用不同的样例
• 改变对象的朝向和位置
• 覆盖良好照明条件
• 捕获边缘情况和边界示例
• 保持一致的 ROI 构图

不要：

• 重复使用完全相同的对象
• 在一个 ROI 内包含多个对象
• 在同一张图像中混合不同类别
• 使用模糊或光照不足的图像
• 捕获之间改变 ROI 大小

3.4 质量控制

在捕获每张图像后：

1. 在预览中检查图像质量
2. 验证正确的类别标签分配
3. 使用 Delete 按钮删除质量差的图像
4. 如有必要，重新拍摄

第 4 步：配置训练参数

4.1 进入训练设置

1. 点击 Train Classification Model 按钮

4.2 选择训练模式

请根据您的需要进行选择：

训练模式	时长	精度	使用场景
快速	2-5 分钟	适合测试	初始模型验证
均衡	5-15 分钟	生产就绪	大多数应用场景
高精度	15-30 分钟	最高精度	关键应用

4.3 设置迭代次数

手动迭代设置：

• 低 (50-100)： 快速测试，基本准确度
• 中 (200-500)： 生产质量
• 高 (500+)： 最高精度，训练较慢

4.4 高级设置（可选）

Batch Size：

• 较小批次： 训练更稳定，较慢
• 较大批次： 训练更快，可能不太稳定

Learning Rate：

• 较小数值： 更稳定，学习更慢
• 较大数值： 学习更快，存在不稳定风险

建议： 除非您有特定性能要求，否则使用默认设置。

第 5 步：开始训练过程

5.1 初始化训练

1. 查看训练配置
2. 点击 Start Training 按钮
3. 在训练模态对话框中监控进度

5.2 训练进度指示器

监控以下指标：

• 当前迭代： 训练循环的进度
• 训练准确度： 模型在训练数据上的表现
• 预计时间： 剩余训练时长
• 损失值： 模型误差（应随时间下降）

5.3 训练控制

训练期间可用的操作：

• 中止训练： 立即停止训练
• 提前结束： 当当前准确度达到要求时停止
• 增加训练： 如有需要，添加更多迭代

5.4 训练完成

训练在以下情况自动停止：

• 达到目标精度（通常为 95% 及以上）
• 达到最大迭代次数
• 用户手动停止训练

第 6 步：评估模型性能

6.1 查看训练结果

检查最终指标：

• 最终准确度： 生产用途应大于 >85%
• 训练时间： 记录持续时间以备将来参考
• 收敛性： 验证准确度是否已稳定

6.2 模型质量指标

准确率区间	质量等级	建议
95%+	极好	可投入生产
85-94%	良好	适用于大多数应用
75-84%	一般	考虑增加更多训练数据
<75%	较差	使用更多/更优质的图像重新训练

6.3 处理性能不佳的故障排除

问题	可能原因	解决方法
低准确率（<75%）	训练数据不足	增加更多带标签的图像
训练没有改善	图像质量差	提升光照/对焦
类别混淆	外观相似的对象	增加更具辨识性的示例
过拟合	每个类别的图像数量太少	平衡各类别的数据集

第 7 步：测试分类性能

7.1 实时测试

1. 点击 Live Preview 以访问实时测试
2. 将测试对象放置在检测区域
3. 观察分类结果：
   • 预测的类别名称
   • 置信度百分比
   • 处理时间

7.2 验证测试

系统化的验证流程：

测试对象	期望类别	实际结果	置信度	通过/失败
已知类别 A 的对象	类别 A	_____	____%	☐
已知类别 B 的对象	类别 B	_____	____%	☐
边界样本	类别 A 或 B	_____	____%	☐
未知对象	低置信度	_____	____%	☐

7.3 性能验证

验证要点：

• Accuracy（准确度）：对已知对象进行正确分类
• Confidence（置信度）：对清晰示例具有较高置信度 (>80%)
• Consistency（一致性）：对同一对象结果可重复
• Speed（速度）：应用中可接受的处理时间

第 8 步：模型优化

8.1 如果性能不理想

迭代改进过程：

1. 识别问题区域：
   • 哪些类别易混淆？
   • 哪些对象被错误分类？
   • 置信水平是否合适？
2. 添加有针对性的训练数据：
   • 更多易混淆类别的示例
   • 边缘情况和边界示例
   • 不同照明/定位条件
3. 重新训练模型：
   • 使用 "Accurate" 模式以获得更好性能
   • 增加迭代次数
   • 监控准确度的提升

8.2 高级优化

适用于关键应用：

• Data augmentation（数据增强）：使用多样化的照明和位置
• Transfer learning（迁移学习）：从相似训练的模型开始
• Ensemble methods（集成方法）：组合多个模型
• Regular retraining（定期重新训练）：使用新生产数据进行更新

第 9 步：最终配置

9.1 保存模型

1. 验证满意的性能
2. 训练完成时模型会自动保存
3. 记录模型版本以便文档

9.2 文档记录

记录以下细节：

• 训练日期及版本
• 每个类别的图片数量
• 使用的训练模式和迭代次数
• 最终达到的准确度
• 任何特别注意事项

9.3 备份配置

1. 导出 recipe 以备份
2. 如有需要，单独保存训练图像
3. 记录模型参数

成功！您的分类器已就绪

您经过训练的分类模型现在可以：

• 自动将对象分类到定义的类别
• 为每个预测提供置信度分数
• 实时处理生产用图像
• 与 I/O 逻辑 集成以实现自动化决策

持续维护

定期模型更新

• 随时间监控性能
• 按需添加新的训练数据
• 定期重新训练以维持准确性
• 更新类别以适应新的产品变体

性能监控

• 在生产中跟踪准确性指标
• 识别模型性能漂移
• 基于性能下降安排重新训练

下一步

在对分类器完成训练后：

1. 配置 I/O 逻辑以进行合格/不合格决策
2. 在 IO Block 中设置生产工作流
3. 对完整的检测系统进行端到端测试
4. 部署到生产环境

常见陷阱

陷阱	影响	预防措施
训练数据不足	准确性较低	每个类别使用 10 张以上图像
类别不平衡	预测偏差	各类别图像数量相等
图像质量差	结果不一致	优化照明与对焦
类别过于相似	分类结果混淆	选择明显且彼此区分的类别定义
缺少验证测试	生产失败	始终对未见对象进行测试