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。当模型错误地将良品判定为不良，或在生产中遇到新的变体时，此过程尤为关键。

视频指南

请在实际操作中查看本主题的演示： OV Auto-Defect Creator Studio

你将学习的内容：

  • 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的训练集
  • 如何对新的训练数据进行标注
  • 如何使用新数据重新训练模型

适用场景： 当良品在检验中被判定为不良、出现新零件变体，或需要通过更多示例来提升模型准确性时。

先决条件​

  • 具备训练好 AI 模型（分类或分割）的活跃配方
  • 访问 OV80i 摄像头界面
  • 库中需要添加到训练中的图像

第 1 步：查找用于重新训练的图像​

1.1 导航至 Library​

  1. 打开 OV80i 界面
  2. 在左侧导航菜单中单击“Library”
  3. 你将看到来自相机的所有采集图像

1.2 过滤图像​

  1. 按配方过滤：选择你想要改进的配方
  2. 按通过/不通过过滤：选择 “FAIL” 查看失败的图像，或选择 “PASS” 查看通过的图像
  3. 排序方式：按日期或其他条件对结果进行排序
  4. 点击 “Search” 显示筛选后的结果

目标：找到被错误分类的图像——要么是被误判为不合格的良品，要么是被误判为合格的不良品。

第 2 步：将图像添加到训练集​

2.1 选择图像​

  1. 逐个查看每张图像以识别分类错误的部件
  2. 选择显示以下内容的图像：
    • 被错误标记为不合格的良品
    • 被错误标记为合格的不良品
  3. 在要添加的每张图像上点击复选框
重要

添加被错误分类的图像——包括被错误判定为不合格的良品以及被错误判定为合格的不良品。二者都能帮助提高模型的准确性。

image.png

2.2 添加到训练集​

  1. 选择图像后，点击底部的 “Add to the active recipe's trainset” 以将图像添加到当前配方的训练集
  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” 继续

第 3 步：对新的训练数据进行标注​

3.1 导航至标注与训练​

  1. 在配方编辑器中，进入：
    • Classification Recipe: "Classification Block"
    • Segmentation Recipe: "Label And Train"
  2. 点击 “View All ROIs”

3.2 查找未标注图像​

  1. 使用 “Filter By Class” 下拉菜单
  2. 选择 “Unlabeled” 仅显示未标注的图像
  3. 你将看到刚刚添加到训练集的图像

image.png

3.3 标注所选图像​

  1. 选择你添加的所有未标注图像
  2. 点击左下角的 “Label Selected ROIs”
  3. 从下拉菜单中选择正确的标签（例如 "Pass"、"Good" 等）
  4. 点击 “确定” 以应用标签
重要

在不同标注会话之间点击 “清除选择” 以避免误标注。

image.png

3.4 关闭 ROI 视图​

  1. 关闭 “View All ROIs” 模态框
  2. 返回到主页面的“标注与训练”页面

第 4 步：重新训练模型​

4.1 开始重新训练​

  1. 点击 “Train Classification Model” 或 “Train Segmentation Model”
  2. 系统将使用所有现有数据以及您新增的图像进行重新训练
  3. 监控训练进度

4.2 训练过程​

  • 模型将从旧的和新的带标注数据中学习
  • 训练时间取决于数据总量
  • 在测试之前请等待训练完成

4.3 测试改进后的模型​

  1. 使用 “Live Preview Mode” 测试重新训练的模型
  2. 使用之前错误分类的相同图像进行测试
  3. 验证模型现在能够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. 拍摄相似部件的新图像
  2. 检查模型在边缘场景上的表现是否更好
  3. 验证之前的良好图像现在是否正确通过

5.2 监控性能​

  1. 关注是否出现新的假阳性或假阴性
  2. 记录精度的提升
  3. 记下未来重新训练中仍存在的问题以便后续改进

成功！您的模型已重新训练​

您的改进的 AI 模型现在可以：

✅ 更好地识别此前未通过的良品

✅ 处理生产部件中的新变体

✅ 减少假失败并提高准确性

✅ 适应制造过程中的变化

成功要点​

数据质量​

  • 添加错误分类的图像（包括错误通过和错误失败）
  • 保持标注一致性 - 将良品标记为 "Pass"，将不良品标记为 "Fail"
  • 包含通过与不通过条件的多样化示例
  • 在不同标注会话之间清除选择

何时重新训练​

  • 假失败增加（良品被判定为失败）
  • 假通过增加（不良品被判定为通过）
  • 生产中出现新部件变体
  • 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——每次添加 10-20 张图像
  • 每次重新训练后彻底测试
  • 记录变更与改进
  • 在进行大规模重新训练前备份可用模型

下一步​

重新训练模型后：

  1. 监控生产以提升准确性
  2. 继续收集 有问题的图像用于未来的重新训练
  3. 如有需要，建立定期重新训练计划
  4. 培训操作员在何时标注需要重新训练的图像
  5. 记录您的重新训练过程以确保一致性

🔗 参见下列内容​