跳到主要内容

训练分类器

本指南演示如何在 OV20i 摄像头系统上配置并训练 classification 模型。当需要基于视觉特征将对象自动分成不同类别时，请使用本流程。

When to Use Classification: 按类型、尺寸、颜色或状态对部件进行分拣；识别不同的产品变体；具有多种可接受类别的质量控制。

先决条件​

  • 已配置成像设置的活动配方
  • 模板图像和对齐已完成（或跳过）
  • 已定义的 Inspection ROI(s)
  • 用于检测的每个类别的样本对象

Step 1: 访问 Classification Block​

1.1 导航至 Classification​

  1. 点击 breadcrumb 菜单中的 "Classification Block"，或
  2. 在导航栏的下拉菜单中选择

New Classification Block

1.2 验证先决条件​

确保以下区块显示为绿色状态：

  • ✅ 成像设置
  • ✅ 模板与 Alignment（或跳过）
  • ✅ 检测设置

Configure Image Save settings Template and Alignment

Step 2: 创建 Classification 类别​

2.1 定义您的类别​

  1. 在 "Inspection Types" 下点击 Edit
  2. 为要检测的每个类别添加类别

2.2 为每个类别进行配置​

对于每个类别：

  1. 输入类别名称： 使用具描述性的名称（例如“Small”、“Medium”、“Large”）
  2. 选择类别颜色： 选择用于视觉识别的互不相同的颜色
  3. 添加描述： 关于该类别的可选详细信息
  4. 点击 Save

Imaging Setup

2.3 类命名最佳实践​

良好名称较差名称
Small_Bolt, Medium_Bolt, Large_BoltType1, Type2, Type3
Red_Cap, Blue_Cap, Green_CapColor1, Color2, Color3
Good_Part, Defective_PartPass, Fail
Screw_PhillipsHead, Screw_FlatheadA, B

Step 3: 捕获训练图像​

3.1 图像捕获流程​

对于每个类别，至少捕获 5 张图像（推荐 10 张以上）：

  1. 将对象放置在检测区域中，以代表该类别
  2. 验证对象是否在 ROI 边界内
  3. 点击 Capture 以拍摄训练图像
  4. 从下拉菜单中选择相应的类别
  5. 点击 Save 以存储标注图像
  6. 重复，使用同一类别的不同示例

Labeling Images

3.2 训练数据要求​

类别最小图像数推荐图像数说明
每个类别510-15图像越多，精度越高
整个数据集15 张以上30-50 张以上在所有类别之间保持平衡
边界情况每个类别 2-3 张每个类别 5 张以上边界样本

3.3 训练图像最佳实践​

应：

  • 在每个类别中使用不同的示例
  • 改变对象方向和位置
  • 包含良好照明条件
  • 捕捉边界情况和边界示例
  • 维持一致的 ROI 框架

不要：

  • 重复使用相同对象
  • 在一个 ROI 内包含多个对象
  • 在单张图像中混合类别
  • 使用模糊或光照差的图像
  • 捕获之间改变 ROI 大小

3.4 质量控制​

After capturing each image:
捕获每张图像后：

  1. Review image quality in preview

  2. 在预览中检查图像质量

  3. Verify correct class label assignment

  4. 验证正确的类别标签分配

  5. Delete poor quality images using Delete button

  6. 使用 Delete 按钮删除质量较差的图像

  7. Retake if necessary

  8. 如有需要重新拍摄

第 4 步：配置训练参数​

4.1 访问训练设置​

  1. Click Train Classification Model button
  2. 点击 Train Classification Model 按钮

4.2 选择训练模式​

Choose based on your needs:
根据您的需求进行选择：

训练模式时长精度使用场景
快速2-5 分钟适合测试初步模型验证
平衡5-15 分钟生产就绪大多数应用
高精度15-30 分钟最高精度关键应用

训练模式选择

4.3 设置迭代次数​

Manual iteration setting:
手动迭代设置：

  • Low (50-100): Quick testing, basic accuracy

  • 低（50-100）: 快速测试，基础精度

  • Medium (200-500): Production quality

  • 中等（200-500）: 生产质量

  • High (500+): Maximum accuracy, slower training

  • 高（500+）: 最大精度，训练较慢

4.4 高级设置（可选）​

Batch Size:
批量大小：

  • Smaller batches: More stable training, slower

  • 较小的批次： 训练更稳定，但更慢

  • Larger batches: Faster training, may be less stable

  • 较大的批次： 训练更快，稳定性可能较差

Learning Rate:
学习率：

  • Lower values: More stable, slower learning

  • 较低数值： 更稳定，学习速度较慢

  • Higher values: Faster learning, risk of instability

  • 较高数值： 学习更快，存在不稳定风险

Recommendation: Use default settings unless you have specific performance requirements.
建议： 除非您有具体性能需求，否则请使用默认设置。

高级设置

第 5 步：启动训练过程​

5.1 初始化训练​

  1. Review training configuration

  2. 查看训练配置

  3. Click Start Training

  4. 点击 Start Training

  5. Monitor progress in training modal

  6. 在训练模态中监控进度

5.2 训练进度指示​

Monitor these metrics:
监控以下指标：

  • Current Iteration: Progress through training cycles

  • 当前迭代： 训练循环的进度

  • Training Accuracy: Model performance on training data

  • 训练精度： 模型在训练数据上的表现

  • Estimated Time: Remaining training duration

  • 预计时间： 剩余训练时长

  • Loss Value: Model error (should decrease over time)

  • 损失值： 模型误差（应随时间下降）

训练进度

5.3 训练控制​

Available actions during training:
训练过程中的可用操作：

  • Abort Training: Stop training immediately

  • 中止训练： 立即停止训练

  • Finish Early: Stop when current accuracy is sufficient

  • 提前完成： 当前精度达到要求时停止

  • Extend Training: Add more iterations if needed

  • 扩展训练： 如有需要，增加迭代次数

5.4 训练完成​

Training stops automatically when:
训练在以下情况下自动停止：

  • Target accuracy reached (typically 95%+)

  • 达到目标精度（通常为 95% 及以上）

  • Maximum iterations completed

  • 达到最大迭代次数

  • User manually stops training

  • 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​

Check final metrics:
检查最终指标：

  • Final Accuracy: Should be >85% for production use

  • 最终准确度： 用于生产的应高于 85%

  • Training Time: Note duration for future reference

  • 训练时间： 记录以备将来参考

  • Convergence: Verify accuracy stabilized

  • 收敛性： 验证准确性是否稳定

6.2 模型质量指标​

准确率区间质量等级建议
95%+出色生产就绪
85-94%良好适用于大多数应用
75-84%公平考虑更多训练数据
<75%较差使用更多/更好的图像重新训练

6.3 解决性能差的故障排除​

问题可能原因解决方案
准确率低 (<75%)训练数据不足添加更多带标签的图像
训练没有改进图像质量差提高照明/对焦
类别混淆外观相似的对象添加更多具有辨识度的示例
过拟合每个类别的图像过少在各类别之间平衡数据集

步骤 7：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​

系统化验证过程：

测试对象期望类别实际结果置信度通过/不通过
已知类别 A 对象Class A_________%☐
已知类别 B 对象Class B_________%☐
边界示例Class A 或 Class B_________%☐
未知对象低置信度_________%☐

7.3 性能验证​

验证以下方面：

  • 准确性： 对已知对象的正确分类
  • 置信度： 对清晰实例具有较高置信度（>80%）
  • 一致性： 对同一对象的可重复结果
  • 速度： 适用于您的应用的处理时间

步骤 8：模型优化​

8.1 如果性能不满意​

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？
    • 置信度水平是否合适？
  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
    • 不同光照/位置条件
  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：

  • 数据增强： 使用多样的光照和位置
  • 迁移学习： 从类似训练模型开始
  • 集成方法： 结合多个模型
  • 定期重新训练： 使用新生产数据更新

步骤 9：最终配置​

9.1 保存模型​

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

9.2 文档​

记录如下细节：

  • 训练日期与版本
  • 每个类别的图像数量
  • 训练模式与使用的迭代次数
  • 最终达到的准确度
  • 任何特殊注意事项

9.3 备份配置​

  1. 导出 recipe 以作备份
  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​

您的训练分类模型现在可以：

  • 自动将对象分类到已定义的类别
  • 为每个预测提供置信度分数
  • 实时处理用于生产的图像
  • 与 I/O 逻辑集成以实现自动化决策

运行维护​

例行模型更新​

  • 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
  • 更新类别以适应新产品变体

性能监控​

  • 在生产中跟踪准确度指标
  • 识别模型性能漂移
  • 根据性能下降安排重新训练

下一步​

在训练完分类器后：

  1. 配置 I/O 逻辑 以进行通过/不通过 决策
  2. 在 IO Block 中设置生产工作流
  3. 对完整检测系统进行端到端测试
  4. 部署到生产环境

常见误区​

陷阱影响防止措施
训练数据不足准确性低每个类别使用 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和对焦
类别过于相似分类混淆选择明确且彼此区分的类别定义
未进行验证测试生产失败始终使用未见过的对象进行测试