跳到主要内容

重新训练模型

本页说明在 OV20i 系统上何时以及如何重新训练您的 AI model，无论您使用的是 Classification 还是 Segmentation，以在零件或生产条件发生变化时保持检测的准确性。

提示

AI 性能取决于训练数据的相关性。当零件、条件或检测要求发生变化时，应重新训练。

何时应重新训练？​

重新训练可确保模型跟上生产实际情况。请将本指南应用于 Classification 和 Segmentation 项目。

何时重新训练：​

  • 您正在检查一个 新的 SKU 或零件变体
  • 您的 检测要求已改变（例如，现在检测表面缺陷或油脂）
  • 您已更改 夹具、机器人或零件呈现方式
  • 光照已发生显著变化（例如，反射、角度、强度）
  • 准确性下降 — 误报/漏报增多
  • 需要 更严格的置信度阈值 或更精确的结果
  • 模型显示出 过拟合或泛化能力不足 的迹象

如何重新训练（适用于两种模型类型）​

  1. 在当前生产设置中捕捉新样本图像

  2. 对于 Classification：用类别名称对图像或 ROI 进行标注

    对于 Segmentation：在缺陷上绘制像素级掩模（或对良/坏区域绘制掩模）

  3. 选择合适的训练模式：

    • Classification：
      • Fast – 快速测试或迭代
      • Accurate – 用于生产部署
    • Segmentation：
      • Accurate – 仅一种模式，优化以实现高精度

  4. 在配方界面中运行训练

  5. 查看模型输出并测试现场检测

  6. 当置信度和覆盖率满足期望时部署新模型

模型类型快速指南​

模型类型最佳用途训练模式输出
Classification好/坏或离散状态决策快速、准确整张图像或 ROI 类别
Segmentation像素级缺陷或区域映射仅限准确模式带标注的掩码（高亮区域）

示例用例​

示例模型类型
螺栓缺失检测Classification
检查划痕或凹痕Segmentation
验证油脂存在性Classification 或 Segmentation（取决于所需精度）
泡沫覆盖率测量Segmentation

重新训练的最佳实践​

  • ✅ 始终使用 新鲜的生产图像
  • ✅ 包含混合的 通过/不通过案例，尤其是边缘情况
  • ✅ 至少为每个类别使用 30–50 张图像（Classification）
  • ✅ 确保 ROI 边界或掩模 与零件布局匹配
  • ✅ 部署前使用 Accurate 模式
  • ❌ 不要使用模糊、低光照或对齐不良的图像进行训练

🔗 相关链接​