跳到主要内容

AI 驱动文档

您想了解什么？

添加数据和重新训练

OV10i Note

OV10i 仅支持 classification 模型。本页提及的分割功能在 OV20i 与 OV80i 摄像头上可用。

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

请查看实操演示： OV Auto-Defect Creator Studio

你将学到：

  • 如何查找并选择用于重新训练的图像
  • 如何向现有 trainset 添加图像
  • 如何为新的训练数据打标签
  • 如何使用新数据重新训练模型

适用时机： 当良品在检验中被误判为不良，或出现新的零件变体，或需要通过额外示例提升模型的准确性时。

先决条件​

  • 具备经过训练的 AI 模型的活动配方（classification 或 segmentation）
  • 访问 OV10i 摄像头界面
  • Library 中需要添加到训练的图像

Step 1: Find Images for Retraining​

1.1 Navigate to Library​

  1. Open the OV10i interface
  2. Click "Library" in the left navigation menu
  3. You'll see all captured images from your camera

1.2 Filter Images​

  1. Filter by Recipe: Select the recipe you want to improve
  2. Filter by Pass/Fail: Select "FAIL" to see failed images, or "PASS" to see passed images
  3. Sort By: Choose date or other criteria to organize results
  4. Click "Search" to display filtered results

Goal: Find images that were incorrectly classified - either good parts that failed or bad parts that passed.

Step 2: Add Images to Trainset​

2.1 Select Images​

  1. Review each image to identify incorrectly classified parts
  2. Select images that show:
    • Good parts that were incorrectly marked as failed
    • Bad parts that were incorrectly marked as passed
  3. Click the checkbox on each image you want to add
Important

Add images that were incorrectly classified - this includes good parts that failed AND bad parts that passed. Both help improve model accuracy.

image.png

2.2 Add to Trainset​

  1. After selecting images, click "Add to the active recipe's trainset" at the bottom
  2. A success message will confirm the images were added
  3. Click "Go to recipe editor" to continue

Step 3: Label New Training Data​

3.1 Navigate to Label and Train​

  1. From Recipe Editor, go to:
    • Classification Recipe: "Classification Block"
    • Segmentation Recipe: "Label And Train"
  2. Click "View All ROIs"

3.2 Find Unlabeled Images​

  1. Use "Filter By Class" dropdown
  2. Select "Unlabeled" to show only unlabeled images
  3. You'll see the images you just added to the trainset

image.png

3.3 标注已选图像​

  1. 选择你添加的所有未标注的图像
  2. 在底部左下角点击 “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 “OK” 以应用该标签
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 “View All ROIs” 模态框
  2. 返回到主页面：标注与训练

第4步：重新训练模型​

4.1 开始重新训练​

  1. 点击 “训练分类器模型” 或 “训练分割器模型”
  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” 测试重新训练的模型
  2. 使用此前被错误判定为不良的相同图像进行测试
  3. 验证模型现在是否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. 捕获相似零件的新图像
  2. 检查模型在边缘情形下的表现是否有所提升
  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报或漏报
  2. 记录准确性的提升
  3. 记录仍存在的问题以便未来重新训练

成功！您的模型已重新训练​

您的改进后 AI 模型现在可以：

✅ 更好地识别此前被误判为不良的良品

✅ 能处理生产零件中的新变体

✅ 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更

成功的关键提示​

数据质量​

  • 添加被错误分类的图像（包括误判通过和误判为不良）
  • 标注要保持一致——将良品标注为“Pass”，不良品标注为“Fail”
  • 包含通过和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​

  • 误判为不良的情况增加（良品被判定为不良）
  • 误判为通过的情况增加（不良品通过）
  • 生产中出现新的零件变体
  • 工艺变更影响零件外观
  • 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
  • 记录变更和改进
  • 在进行重大重新训练前保留工作模型的备份

下一步​

在重新训练模型后：

  1. 监控生产以提升准确性
  2. 继续收集有问题的图像以便未来重新训练
  3. 如有需要，设置定期重新训练计划
  4. 培训操作员，了解何时将图像标记为需要重新训练
  5. 记录重新训练过程以保持一致性

🔗 参考链接​