添加数据和重新训练

本指南演示如何在 OV10i 摄像头系统上配置并训练分类模型。当需要根据视觉特征将对象自动分成不同类别时，请使用此流程。

Video Guide

请观看本主题的实际演示：OV Auto-Defect Creator Studio

**Classification 的使用场景：**按类型、尺寸、颜色或状态对零件进行分拣；识别不同的产品变体；在多类别可接受的情况下进行质量控制。

先决条件

• 带成像设置的活动配方已配置
• 模板图像和对齐已完成（或已跳过）
• Inspection ROI(s) 已定义
• 表示要检测的每个类别的样本对象

Step 1: Access Classification Block

1.1 Navigate to Classification

1. 点击 Classification Block 在面包屑导航中，或
2. 从导航栏下拉菜单中选择

1.2 Verify Prerequisites

确保下列模块显示为绿色状态：

• ✅ Imaging Setup
• ✅ Template and Alignment (or skipped)
• ✅ Inspection Setup

Step 2: Create Classification Classes

2.1 Define Your Classes

1. 点击 Edit 位于 “Inspection Types” 下
2. 为要检测的每个类别添加分类

2.2 Configure Each Class

对于每个类别：

1. 输入类别名称： 使用描述性名称（例如 “Small”、“Medium”、“Large”）
2. 选择类别颜色： 为视觉识别选择互异的颜色
3. 添加描述： 关于该类别的可选详细信息
4. 点击 Save

2.3 Class Naming Best Practices

推荐名称	不佳名称
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

Step 3: Capture Training Images

3.1 Image Capture Process

对于每个类别，请拍摄至少 5 张图像（推荐 10 张以上）：

1. 将代表该类别的对象放置在检测区域
2. 确保对象位于 ROI（Inspection 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 以保存已标注的图像
6. 使用同一类别的不同示例重复

3.2 Training Data Requirements

类别	最少图像数量	推荐图像数量	备注
每个类别	5	10-15	图像越多，精度越高
数据集总计	15+	30-50+	在所有类别之间保持平衡
边界情况	每类 2-3 张	每类 5+ 张	边界示例

3.3 训练图像最佳实践

应做：

• 在每个类别内使用不同的示例
• 改变对象方向和位置
• 确保良好照明条件
• 捕捉边缘情况和临界示例
• 保持一致的 ROI 取景

不应做：

• 重复使用相同对象
• 在一个 ROI 中包含多个对象
• 在单张图像中混合类别
• 使用模糊或照明差的图像
• 在捕获之间改变 ROI 大小

3.4 质量控制

捕获每张图像后：

1. 在预览中审查图像质量
2. 验证正确的类别标签分配
3. 使用 Delete 按钮删除质量较差的图像
4. 如有必要，请重新拍摄

第4步：配置训练参数

4.1 进入训练设置

1. 点击 Train Classification Model 按钮

4.2 选择训练模式

根据需要选择：

训练模式	时长	准确度	应用场景
快速	2-5 分钟	适用于测试	初始模型验证
平衡	5-15 分钟	可投入生产	大多数应用场景
高精度	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，基本准确度
• 中（200-500）： 生产质量
• 高（500+）： 最大准确度，训练更慢

4.4 高级设置（可选）

批处理大小：

• 较小批次： 训练更稳定，但更慢
• 较大批次： 训练更快，可能不太稳定

学习率：

• 较低值： 更稳定，学习速度较慢
• 较高值： 学习速度更快，但稳定性风险增大

建议： 除非有具体的性能要求，否则请使用默认设置。

第5步：启动训练过程

5.1 初始化训练

1. 审查训练配置
2. 点击 Start Training 按钮
3. 在训练模态框中监控进度

5.2 训练进度指标

监控以下指标：

• 当前迭代： 训练周期的进度
• 训练准确度： 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（应随时间下降）

5.3 训练控制

训练过程中的可用操作：

• 中止训练： 立即停止训练
• 提前完成： 当当前准确度足够时停止
• 扩展训练： 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：

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

第6步：评估模型性能

6.1 审查训练结果

检查最终指标：

• 最终准确度： 在生产使用中应高于 85%
• 训练时间： 记录持续时间以备将来参考
• 收敛性： 验证准确度是否稳定

6.2 模型质量指标

准确度区间	质量等级	建议
95% 及以上	优秀	可用于生产
85-94%	良好	适用于大多数应用
75-84%	一般	考虑更多训练数据
75% 以下	较差	使用更多/更好的图像重新训练

6.3 性能问题排查

问题	可能原因	解决方案
准确度低 (<75%)	训练数据不足	添加更多带标签的图像
训练没有提升	图像质量差	改善照明/对焦
类别混淆	外观相似的对象	添加更多可区分的示例
过拟合	每个类别的图像数量太少	在类别之间对数据集进行平衡

第7步：测试分类性能

7.1 实时测试

1. 点击 Live Preview 以进入实时测试
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

系统化的验证流程：

测试对象	期望类别	实际结果	置信度	通过/失败
已知类别 A 的对象	类别 A	_____	____%	☐
已知类别 B 的对象	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

请验证以下方面：

• 准确度： 针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： 适用于您的应用的可接受处理时间

第8步：模型优化

8.1 性能不理想时

迭代改进过程：

1. 确定问题区域：
   • 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：
   • 更多混淆类别的示例
   • 边缘情况和边界示例
   • 不同的照明/定位条件
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

对于关键应用：

• Data augmentation: 使用多样化的光照和位置
• Transfer learning: 从相似的训练模型开始
• Ensemble methods: 组合多个模型
• Regular retraining: 使用新的生产数据进行更新

第9步：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

记录以下信息：

• 训练日期与版本
• 每个类别的图像数量
• 使用的训练模式和迭代次数
• 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

您训练好的分类模型现在可以：

• 自动将对象归类到定义的类别
• 为每个预测提供置信度分数
• 实时处理图像以用于生产用途
• 与 I/O logic 集成以实现自动化决策

持续维护

定期模型更新

• 随时间监控性能
• 按需添加新的训练数据
• 定期重新训练以保持准确性
• 更新类别以覆盖新的产品变体

性能监控

• 在生产中跟踪准确性指标
• 识别模型性能漂移
• 根据性能下降情况安排重新训练

下一步

在训练分类器后：

1. 配置 I/O 逻辑以作出通过/失败的决策
2. 在 IO Block 中设置生产工作流
3. 对整套检测系统进行端到端测试
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	准确性低	对每个类别使用 10 张以上图像
类别不平衡	偏置预测	各类别的图像数量相等
图像质量差	结果不一致	优化照明和对焦
类别过于相似	分类混乱	选择区分明显的类别定义
缺乏验证测试	生产失败	始终对未见对象进行测试