第四步：训练您的 AI 模型

您的感兴趣区域（ROI）已设置完成。现在该教 AI 识别什么是"好"和"坏"了。

训练的三大基本原则

在开始之前，请牢记这三条原则。无论您是训练分类器还是分割器，使用 5 张图像还是 500 张图像，这些原则都适用。

原则 1：仅从图像进行标注

永远不要通过查看实物零件（或将其置于显微镜下）来判断它是好是坏。如果您在相机图像中看不到缺陷，AI 就无法学习它。

AI 并非魔法。它只能根据相机所见的内容工作。如果您因触摸零件或用放大镜放大而注意到某些问题，从而将其标注为"缺陷"，但相机图像看起来正常，那么您就是在教 AI 看见不存在的东西。

如果您无法仅从图像进行标注，请返回安装步骤，修正物理设置：更好的镜头、更好的光源、更近的安装位置、不同的角度。

原则 2：反复核对您的标签

每个人都会出现误标；经验丰富的工程师也不例外。但在小数据集中，一个错误的标签就可能摧毁您的结果。

在 5 张训练图像中，一个误标会污染 20% 的训练数据。这是灾难性的。

每次训练之前： 点击 View All ROIs，逐一核实每条标注。这是最容易修正且影响最大的事情。

原则 3：从小处着手，快速迭代

不要标注 50 张图像然后直接训练。相反，请创建一个紧凑的循环：每类标注 10-15 张图像，进行训练（约 30 秒），然后测试并尝试找出问题，再针对失败之处添加有针对性的数据。重复这个循环 2-4 次。

这个循环是通往优秀模型的最快路径。

分步训练工作流程

您使用的是哪个界面版本？

OV20i Web 界面在 v2026.5 中进行了重新设计。请在相机 UI 的右上角查看您的软件版本，并选择匹配的选项卡。您的选择将在此设置流程的每个页面上保持一致。

较旧版本

按照下面的编号步骤进行捕获、标注、训练和迭代。

1. 捕获初始训练图像

在程序激活且零件正在流动（或手动放置）的情况下，捕获图像。开始时每类至少需要 10-15 张图像。

对于简单的通过/失败检测：

• 10-15 张良品图像
• 10-15 张缺陷品图像

2. 定义您的分类

选择您要训练的模型类型，然后阅读相应的说明。下方的切换在第 2 步和第 3 步之间保持同步，您的选择会保存在 URL 中，因此即使刷新或分享也不会丢失。

分类器

在标注界面中，添加每种检测类型所需的分类。常见的分类器类别集：

• Pass / Fail
• Present / Absent
• Good / Scratched / Cracked

最初保持简单。您随时可以稍后添加分类。

分割器

在标注界面中，为您希望 AI 进行掩膜处理的缺陷（或特征）添加分类。常见的分割器类别集：

• Defect / Background
• Scratch / Crack / Stain
• Foreground / Background

最初保持分类列表简短。每个分类都需要自己的画笔颜色和已标注示例，因此预先添加更多分类会成倍增加您的标注工作量。

3. 标注图像

Classifier

每个ROI都有自己的分类类别，请选择能描述该图像中该ROI的类别（例如"pass"或"fail"）。

分类标注速度更快

如果您不确定使用分类还是分割，请从分类开始。它的标注速度更快，并且适用于大多数通过/失败场景。请参阅Classifier vs. Segmenter 获取指导。

Segmenter

对于每个图像中的每个ROI，使用画笔工具逐像素涂绘缺陷区域。涂绘的区域即AI学习检测的内容，未涂绘的部分将被视为背景。

分割标签耗时更长

分割器标签需要进行像素级的涂绘，比分类器的下拉选择更慢，但可以为您提供精确的缺陷映射图，包含位置和形状信息。建议从一小组定义明确的缺陷开始，待您的第一个模型可用后再添加更多类别。

4. 训练模型

Classifier

点击 训练。分类器提供两种训练模式：

• Fast 模式，约 30 秒到 1 分钟。最适合在设置阶段进行快速迭代、检查标签的合理性以及处理简单/区分明显的零件。准确率低于生产模式，但能让您快速看到信号。
• Production 模式，所需时间较长，但生成的模型准确度显著更高。在部署到生产线之前请始终使用 Production 模式。对于棘手的零件、难以区分的缺陷或任何您要在生产中信赖的内容，Production 模式是正确的选择。

良好的节奏：在清理标签和添加数据时使用 Fast 模式进行迭代，待结果看起来不错时运行一次 Production，并在部署之前再运行一次。

Segmenter

点击 训练。分割只有一种训练模式，即 Production，因为像素级掩码需要更全面的训练过程才能可靠。训练时间随图像数量和您标注的ROI数量增加而增长，因此较小的初始集（每个类别 10-15 张图像）只需几分钟即可完成训练；更大的数据集则需要更长时间。

此处没有 "fast" 合理性检查选项，因此请确保在训练之前标签是干净的（使用 View All ROIs 来查看每个掩码）。

向分割器展示您希望它发现的每一种缺陷

分割器只能学习您实际涂绘并展示给它的缺陷。您包含的示例越多（涵盖缺陷可能出现的不同尺寸、形状和位置），它在生产中对这些缺陷进行掩码的可靠性就越高。

缺陷样本不足？ 使用 Defect Creator Studio 生成更多包含相同缺陷但具有不同尺寸、形状和位置的训练图像，这样您就不必等待它们出现在生产线上。

5. 使用实时预览进行测试

点击 实时预览模式 并让零件通过。观察结果：

• 它能正确处理简单的情况吗？
• 它在哪些方面有困难？
• 哪些是边界情况？

尝试让它出错。 找出它失败的情况。这些失败就是改进的路线图。

Classifier

测试面板显示每个ROI预测的类别和置信度分数。运行几次捕获并查找低置信度的判定（通常低于70%），这些是边界情况，也是最值得接下来进行标注的零件。

Segmenter

实时预览将预测的缺陷掩码直接叠加在图像上。注意那些过小、过大或出现在没有实际缺陷位置的掩码，这些就是您下一轮标注数据需要针对的失败模式。

6. 添加针对性数据

不要随意添加新图像。添加专门针对您发现的失败模式的图像：

• 如果它将划痕与反光混淆，添加更多这两种情况的示例
• 如果它漏检小缺陷，添加更多小缺陷的图像
• 如果它在角落处的零件上失败，添加更多角落示例

7. 重新训练和重新测试

重复步骤4-6，进行两到四次。每次迭代都应提高准确性。如需更深入的演示，包括如何在不丢失之前训练成果的情况下向现有模型添加新图像，请参阅 添加数据与重新训练。

v2026.5 and newer

您在创建程序时选择的模型会有自己的步骤：分类器的 步骤4：分类，或分割器的 步骤4：分割。您的类别已在 感兴趣区域 (ROIs) 步骤中定义，因此这一步骤用于捕获图像、标注、训练和测试。两者顶部共享相同的六个子选项卡。选择您的模型类型：

Classifier

关于分类

获取准确模型的简短指南。它阐述了迭代以达到准确度的循环（快速训练、在实时预览中发现弱点、添加针对性数据、重新训练，然后推广到高精度的 生产 模型）以及最重要的每类最佳实践：平衡您的类别、保持高信噪比、覆盖您想检测内容的极端情况。如需更深入了解分类器如何将每个ROI转换为判定结果，请阅读 理解分类器。

捕获与标注

在此构建您的数据集。使用 捕获以标注 从实时相机抓取帧，或使用 导入以标注 引入已保存的图像。导航 控件（上一个、下一个、按捕获ID搜索以及总捕获数）可让您浏览整个集合。对于每个捕获，将每个ROI分配到其所属的类别之一。每类计数（例如 通过 17 / 失败 16）一目了然地显示您的数据集的平衡程度，管理类别 可跳转到定义类别的位置。

审查标签

在单个网格中显示每个已标注的 ROI 裁剪图，每个都标有其类别，以便您快速扫描查找错误标签。使用筛选器和全选来批量处理它们。这就是 v2026.5 中"训练前检查每个标签"习惯的所在之处。

训练

选择一个预设并在您标注的数据集上开始训练：

• Development 运行大约需要 30 秒。准确度较低，但它是您在清理标签和添加数据时使用的快速循环。
• Production 需要 8 到 15 分钟。它是您部署到产线的高精度模型。

Advanced Settings 打开数据增强（亮度、对比度、色调、旋转、翻转、Planckian、高斯噪声、运动模糊）和训练参数。请参阅下方的 数据增强 了解何时使用每种增强。Retrain 在您添加数据后再次运行训练，上次训练时间显示在其旁边。

实时预览

在实时画面上实时运行已训练的模型。它显示每个 ROI 的预测类别以及对齐置信度和匹配角度，并按模型（分类、ROI、模板和对齐）细分处理时间，因此您可以看到周期时间花在哪里。让零件通过并查找低置信度的判定结果；那些边界零件就是接下来值得标注的对象。

测试

针对一组固定的已保存捕获（Select From Library 或 Upload Captures）重新运行已训练的模型，以便您可以在难处理的零件上进行合理性检查，而无需等待它们到达产线。切换 Bounding Boxes、Labels 和 Heatmap，以查看模型如何做出判断。

Segmenter

关于分割

与分类器相同的迭代至精确的方法，但具有针对掩码的最佳实践：绘制干净的掩码，宁愿在缺陷边缘略有重叠也不要留下间隙，并涵盖您预期的全部缺陷尺寸和纹理范围。要深入了解分割器如何生成像素掩码、计数和测量值，请阅读 理解分割器。

捕获和标注

您以相同的方式构建数据集，但不是为每个 ROI 选择一个类别，而是绘制一个掩码。使用 Capture to Label 或 Import to Label，然后使用 Navigation 控件逐个浏览捕获图像。选择您要标注的类别（每个类别都有自己的画笔颜色），然后在图像上的缺陷上进行绘制。绘制的像素就是模型学习的内容；未绘制的所有内容都是背景。

标注工具栏为每种情况提供了一个工具：

工具	功能
Pan	在不绘制的情况下移动图像（在放大时使用）
Brush	自由绘制掩码；调整画笔大小以进行精细或宽幅笔触
Polygon	点击点以用直边围合一个区域，对于硬边缺陷很有用
Eraser	从您已绘制的掩码中移除涂绘
AI	AI 辅助标注：点击缺陷，工具会提出一个掩码，您可以接受或细化

还有一些其他控件可加快速度：

• Predict 在捕获图像上运行您已训练的模型，并将其预测的掩码作为起点放入，这样您就可以对其进行清理，而不是从头开始绘制。这仅在您至少训练过一次模型后才有效。
• Undo 撤销上一笔笔触。
• Clear All 清除当前捕获上的掩码。
• Manage classes 跳转到类别列表。

查看标注

显示每个已捕获的 ROI 及其绘制的掩码，以便您在训练前检查覆盖情况。拖动 Mask opacity 滑块以将掩码与图像进行比较，并使用 Filters 缩小集合范围。这是分割器版本的"训练前检查每个标签"的习惯。

训练

分割只有一个预设，生产（约 8 到 15 分钟）。没有快速选项，因为像素级掩码需要完整的训练过程才能可靠。Advanced Settings 显示数据增强和参数，Retrain 在您添加数据后再次运行。

实时预览

在实时画面上运行已训练的模型，并实时叠加预测的缺陷掩码。开启 Blob Stats 以查看每个 blob 的计数和面积，设置 Confidence Score Threshold（模型将像素分配到某个类别所需的把握程度），并使用 Limit Blob Area 忽略低于或高于您设定大小的 blob。注意掩码是否太小、太大，或者出现在没有实际缺陷的位置。

测试

针对一组固定的已保存捕获（Select From Library 或 Upload Captures）重新运行已训练的模型，以离线验证掩码质量。切换 Bounding Boxes、Labels 和 Heatmap，查看模型是如何决策的。

向分割器展示您希望它发现的每一种缺陷

分割器只会学习您实际绘制并展示给它的缺陷。尽可能包含更多示例，涵盖缺陷可能出现的不同大小、形状和位置。如果样本不足，可使用 Defect Creator Studio 生成更多样本。

数据增强：教 AI 应对变化

数据增强在训练过程中随机修改您的训练图像，调整亮度、添加旋转、调整对比度等。每张图像都会以略有不同的数据增强方式被输入 AI 数百次，但标签保持不变。这就是您如何让模型对真实世界条件具有鲁棒性，而无需捕获每种可能变化的示例。

默认应开启哪些

少量的 brightness 变化几乎总是值得开启，即使是控制最严格的工厂也会有顶灯闪烁、班次中阴影移动以及随时间产生的轻微 LED 漂移。亮度数据增强几乎免费地让模型对所有这些情况都具有韧性。

旋转：有用，但要注意您的 ROI 形状

旋转数据增强非常适合 当您的零件确实可能以不同角度到达时（传送带上的松动螺丝、手工放置的零件，任何未被夹具固定的零件）。但它与 ROI 形状会相互影响：

• 方形 ROI： 旋转数据增强可以干净地工作，旋转后的图像仍能适配 ROI 框内。
• 分类器上的非方形 ROI： 旋转可能会裁剪图像。当一个高而窄的 ROI 旋转 45° 时，旋转内容的角会落在框外，模型将在不完整的图像上进行训练。如果您的零件可能旋转，要么将 ROI 设为方形，要么依赖 对齐器 在上游处理旋转，这样此处就不需要旋转数据增强。
• 分割器： 同样存在裁剪问题，但分割对此不那么敏感，因为它从像素掩码而非整个 ROI 形状中学习。

数据多样性很重要

您的训练数据应代表 AI 在生产中将看到的全部范围：

• 一天中的不同时间（如果光照有变化）
• 不同批次的零件（表面光洁度可能略有不同）
• 处于画面中不同位置的零件
• 简单和困难的情况均需涵盖

重点关注最困难的案例。 如果您的训练数据包含 10 个最难分类的零件，那么其余 90% 简单的零件对 AI 来说将毫不费力。

您实际需要多少数据

您需要的数据比大多数 AI 系统都少得多。大多数检测只需每个类别 5 到 10 张图像 即可良好工作。对于较难的多缺陷问题，每个类别 15 到 20 张图像 通常已绰绰有余。从少量开始，在实时预览中找到模型表现不佳的地方，然后仅在需要时针对性地添加图像，而不是一开始就收集数百张。

使用合成数据加速：Defect Studio

如果您需要针对一种很少见的缺陷进行训练怎么办？比如一颗您必须故意拧下的螺丝、一道您必须刻意制造的划痕、或一千个零件中才出现一次的裂纹？等待数月以收集足够的样本是不切实际的。

OV Auto-Defect Creator Studio（位于 tools.overview.ai）解决了这个问题。它能生成逼真的合成缺陷图像，比等待生产线上出现真实缺陷快最多 10,000 倍。

工作原理：5 个简单步骤

1. 上传一张零件的良品图像
2. 标记缺陷应出现的区域
3. 用简明英文描述缺陷（例如，"deep scratch across the surface" 或 "missing solder joint"）
4. 生成缺陷变体（AI 生成逼真的结果）
5. 将合成图像直接导出到您的训练集

为什么合成数据有效

生成的图像不仅仅是"贴上去"的伪影。它们是与您实际的光照、相机角度和零件表面相匹配的逼真变体。AI 能理解在您特定的成像条件下缺陷的物理表现。

使用场景：

• 罕见缺陷： 针对从未见过（或很少见到）的故障模式进行训练
• 新产品发布： 在第一个有缺陷的零件下线之前就建立检测
• 边缘案例： 生成边界示例以改善 AI 的决策边界
• 数据增强： 用合成的多样性补充小数据集

观看实际演示

从真实数据开始，用合成数据加速

最佳方法：先使用您最初的 3-5 张真实图像进行训练，找出 AI 表现不佳的地方，然后使用 Defect Studio 针对这些特定故障模式生成有针对性的合成示例。真实数据教会基线；合成数据填补空白。

训练检查清单

继续之前，请确认：

• 已捕获初始图像，每个类别至少 10-15 张
• 已仔细核对所有标签（View All ROIs）
• 已使用实时预览完成训练和测试
• 已识别失败模式并添加针对性数据
• 已完成 2-4 轮 标注 → 训练 → 测试 迭代
• 结果符合预期

模型已训练好且表现良好？请前往 第 5 步：设置输出。