训练分类器

本指南将向您展示如何在 OV10i 相机系统上配置和训练分类模型。当您需要根据视觉特征自动将对象分类到不同类别时，请使用此过程。

视频指南

查看此主题的实际操作：OV 自动缺陷创建器工作室

何时使用分类： 按类型、大小、颜色或状态对零件进行排序；识别不同的产品变体；通过多个可接受类别进行质量控制。

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）
• 定义检查 ROI
• 代表您希望检测的每个类别的样本对象

第一步：访问分类块

1.1 导航到分类

1. 在面包屑菜单中点击“分类块”，或
2. 在导航栏中从下拉菜单中选择

1.2 验证先决条件

确保以下块显示 绿色状态：

• ✅ 成像设置
• ✅ 模板和对齐（或跳过）
• ✅ 检查设置

第二步：创建分类类别

2.1 定义您的类别

1. 在“检查类型”下点击 编辑
2. 为每个您希望检测的类别添加类别

2.2 配置每个类别

对于每个类别：

1. 输入类别名称： 使用描述性名称（例如，“小型”、“中型”、“大型”）
2. 选择类别颜色： 选择不同的颜色以便于视觉识别
3. 添加描述： 有关该类别的可选详细信息
4. 点击 保存

2.3 类别命名最佳实践

良好名称	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

第三步：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（建议 10 张以上）：

1. 将代表该类别的对象放置在检查区域
2. 验证对象是否在 ROI 边界内
3. 点击 捕获 以拍摄训练图像
4. 从下拉菜单中选择适当的类别
5. 点击 保存 以存储标记图像
6. 使用同一类别的不同示例重复此过程

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+	在所有类别中保持平衡
边缘案例	每类 2-3	每类 5+	边界示例

3.3 训练图像最佳实践

应：

• 在每个类别中使用不同的示例
• 改变对象的方向和位置
• 包括良好的照明条件
• 捕获边缘案例和边界示例
• 保持一致的 ROI 帧

不应：

• 重复使用相同的对象
• 在一个 ROI 中包含多个对象
• 在单个图像中混合类别
• 使用模糊或光线不足的图像
• 在捕获之间改变 ROI 大小

3.4 质量控制

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 按钮删除低质量图像
4. 如有必要，重新拍摄

第 4 步：配置训练参数

4.1 访问训练设置

1. 点击 Train Classification Model 按钮

4.2 选择训练模式

根据您的需求选择：

训练模式	持续时间	准确性	使用场景
快速	2-5 分钟	适合测试	初始模型验证
平衡	5-15 分钟	生产就绪	大多数应用
准确	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，基本准确性
• 中（200-500）： 生产质量
• 高（500+）： 最大准确性，训练较慢

4.4 高级设置（可选）

批量大小：

• 较小批量： 更稳定的训练，速度较慢
• 较大批量： 更快的训练，可能不够稳定

学习率：

• 较低值： 更稳定，学习较慢
• 较高值： 学习较快，但有不稳定的风险

建议： 除非您有特定的性能要求，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. 检查训练配置
2. 点击 Start Training
3. 在训练模态中监控进度

5.2 训练进度指标

监控这些指标：

• 当前迭代： 训练周期的进展
• 训练准确性： 模型在训练数据上的表现
• 预计时间： 剩余训练时间
• 损失值： 模型误差（应随时间减少）

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： 当当前准确性足够时停止
• 延长训练： 如有需要，增加更多迭代

5.4 训练完成

训练在以下情况下自动停止：

• 达到目标准确性（通常为 95% 以上）
• 完成最大迭代次数
• 用户手动停止训练

第 6 步：评估模型性能

6.1 检查训练结果

检查最终指标：

• 最终准确性： 应大于 85% 以供生产使用
• 训练时间： 记录持续时间以备将来参考
• 收敛性： 验证准确性是否稳定

6.2 模型质量指标

准确性范围	质量水平	建议
95%+	优秀	准备投入生产
85-94%	良好	适合大多数应用
75-84%	一般	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 低性能故障排除

问题	可能原因	解决方案
低准确性（<75%）	训练数据不足	添加更多标记图像
训练没有改善	图像质量差	改善照明/对焦
类别混淆	相似外观的物体	添加更多区分示例
过拟合	每个类别的图像太少	在类别之间平衡数据集

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. 在检测区域放置测试对象
3. 观察分类结果：
   • 预测类别名称
   • 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	预期类别	实际结果	置信度	通过/失败
已知类别 A 对象	类别 A	_____	____%	☐
已知类别 B 对象	类别 B	_____	____%	☐
边界示例	类别 A 或 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： 对清晰示例的高置信度（>80%）
• 一致性： 对同一对象的可重复结果
• 速度： 对于您的应用程序，处理时间可接受

第 8 步：模型优化

8.1 如果性能不令人满意

迭代改进过程：

1. 识别问题区域：
   • 哪些类别被混淆？
   • 哪些对象被错误分类？
   • 置信度水平是否合适？
2. 添加针对性训练数据：
   • 更多混淆类别的示例
   • 边缘案例和边界示例
   • 不同的照明/定位条件
3. 重新训练模型：
   • 使用“准确”模式以获得更好的性能
   • 增加迭代次数
   • 监控准确性的改进

8.2 高级优化

对于关键应用：

• 数据增强： 使用不同的照明和位置
• 迁移学习： 从相似的训练模型开始
• 集成方法： 结合多个模型
• 定期重新训练： 使用新的生产数据进行更新

第 9 步：完成配置

9.1 保存模型

1. 验证性能令人满意
2. 训练完成时模型自动保存
3. 记录模型版本 以备文档使用

9.2 文档

记录以下详细信息：

• 训练日期和版本
• 每个类别的图像数量
• 使用的训练模式和迭代次数
• 达到的最终准确性
• 任何特殊考虑事项

9.3 备份配置

1. 导出配方 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！您的分类器已准备就绪

您的训练分类模型现在可以：

• 自动分类 对象到定义的类别中
• 为每个预测提供置信度评分
• 实时处理图像 以用于生产
• 与 I/O 逻辑集成 以实现自动决策

持续维护

定期模型更新

• 监控性能 随时间变化
• 根据需要添加新训练数据
• 定期重新训练 以保持准确性
• 更新类别 以适应新产品变体

性能监控

• 跟踪生产中的准确性指标
• 识别模型性能的漂移
• 根据性能下降安排重新训练

下一步

训练完您的分类器后：

1. 配置 I/O 逻辑 以进行通过/失败决策
2. 在 IO Block 中设置生产工作流程
3. 测试完整的检测系统 端到端
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	准确性差	每个类别使用 10 张以上的图像
类别不平衡	偏差预测	各类别之间图像数量相等
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	选择明确的类别定义
缺乏验证测试	生产故障	始终使用未见过的物体进行测试