第4步：训练您的 AI 模型

您的检验区域已设置。现在是时候教会 AI 区分“良品”和“不良品”了。

训练的三条基本原则

在开始之前，请牢记这三条原则。无论是训练一个 Classifier 还是一个 Segmenter，使用 5 张图像还是 500 张图像，均适用。

规则1：仅从图像进行标注

切勿通过观察实际部件（或放在显微镜下）来判断其是否良品。如果在相机图像中看不到缺陷，AI 就无法学习。

AI 不是魔法。它只能处理相机看到的内容。如果你根据触摸部件或在放大镜下看到的某些特征将部件标注为 "defective"，但相机图像看起来正常，你是在教 AI 去看到并不存在的东西。

如果无法仅从图像进行标注，请返回 Install 步骤并修复物理设置：更好的镜头、更好的照明、靠近安装、不同角度。

规则2：对标注进行反复核对

标注错误会发生在每个人身上；经验丰富的工程师也会犯错。但在一个小数据集中，只有一个错误的标注就会破坏你的结果。

使用 5 张训练图像时，一个错误标注就会污染训练数据的 20%。这是灾难性的。

在每次训练运行前： 点击 View All ROIs 并逐一核对每一个注释。这是最容易修复且影响最大的步骤。

规则3：从小处开始，快速迭代

不要标注 50 张图像后再开始训练。相反，建立一个紧凑的循环：每个类别标注 3-5 张图像，在 development mode 训练（大约 30 秒），测试并尝试打破它，然后在失败处添加有针对性的数据。重复 2-4 次使用 development mode 之后再切换到 production mode。

这个循环是获得良好模型的最快路径。在 development mode 下运行 2-4 次，然后切换到 production mode。

逐步训练工作流程

1. 捕获初始训练图像

在您的配方处于激活状态且部件在流动中（或手动放置）的情况下，进行图像捕获。起始需要每个类别至少3-5 张图像。

对于一个简单的通过/不通过检验：

• 3-5 张良品部件图像
• 3-5 张不良部件图像

2. 标注图像

对于每张图像中的每个 ROI，分配正确的类别标签：

• Classifier: 从下拉列表中选择类别（例如 "pass" 或 "fail"）
• Segmenter: 使用刷子工具逐像素涂抹缺陷区域

分类标注更快

如果你不确定是使用 Classification 还是 Segmenter，请先从 Classification 开始。它在标注方面更快，并且适用于大多数通过/不通过场景。请参阅 Classifier vs. Segmenter 以获取指导。

3. 在 Development Mode 进行训练

点击 Train 并选择 Development Mode。这大约需要 30 秒，所生成的模型的准确性大约只有生产模式的 1/20，但足以检查信号。

“检查信号”到底是什么意思：AI 是开始学习良品与不良品之间的差异，还是几乎把一切都搞错了？

• 如果它大部分正确 → 信号良好，继续
• 如果它完全错误 → 出现问题。请检查标注是否有误、ROI 大小、以及图像质量

4. 使用实时预览进行测试

点击 实时预览模式 并对部件进行测试。观察结果：

• 它是否正确处理简单案例？
• 它在哪些方面表现困难？
• 边界案例有哪些？

尝试让它失败。 找出它失败的案例。这些失败将成为改进的路线图。

5. 添加有针对性的数据

不要添加随机的新图像。请添加专门针对你发现的失败模式的图像：

• 如果它把划痕和反射混淆，请多提供两者的示例
• 如果它漏检微小缺陷，请增加更多微小缺陷的图像
• 如果它在角落部件上失效，请增加更多角落部件的示例

6. 重新训练和重新测试

重复执行步骤 3-5 两到四次。每次迭代都应提高准确性。

7. 切换到生产模式

当开发模式运行相对稳定时，切换到 生产模式。这大约需要 5-10 分钟，但产生的模型的准确性大约比开发模式高出 20 倍。

如果开发模式能够正确处理约 80% 的案例，生产模式可能达到 95% 以上。

数据增强：教 AI 应对变化

数据增强在训练过程中随机修改你的训练图像，调整亮度、添加旋转、微调对比度等。每张图像在略有不同的增强下会被输入到 AI 数百次，但标签保持不变。

这对于建立鲁棒性极其强大。 若在换班之间光照变化，亮度增强会教 AI 处理它。若部件可能以任意角度到达，旋转增强使定向变得无关紧要。

何时使用增强

增强类型	使用时机	示例场景
Brightness	光照变化（白天/夜晚、阴影）	工厂顶灯全天变化
Rotation	部件可在任意角度到达	螺孔等，方向不影响
Motion blur	部件移动迅速或相机振动	高速传送带
Saturation	颜色不是检查项	同一部件在不同颜色下应同样通过
Contrast	环境光照波动	通过窗户的季节性光线变化

何时不使用增强

不要对你正在检查的对象进行增强

这是一把双刃剑。若你添加旋转增强，但你正在检查 部件是否定向正确，你将教 AI 颠倒的部件仍然是“良好”的。

• 检查颜色一致性？不要使用饱和度增强
• 检查模糊/焦点？不要使用运动模糊增强
• 检查定向？不要使用旋转增强

规则：对所有属性进行增强，唯独你正在检查的具体属性除外。

数据多样性很重要

你的训练数据应覆盖生产环境中 AI 将看到的全部范围：

• 不同时间段（若光照变化）
• 不同部件批次（表面处理可能略有不同）
• 部件在画面中的不同位置
• 易于辨认和较难辨认的案例

关注最难的案例。 如果你的训练数据包含了 10 个最难分类的部件，那么 90% 的易部件对 AI 来说将是微不足道的。

高学习能力

OV 相机的 AI 设计用于随着数据增多而持续提升。与在获得约 20 张图像后就会达到瓶颈的众多 AI 系统不同，该模型可以随着 50、100，甚至 500 张以上图像继续改进。大多数检测在 5-10 张图像时就能良好工作，但如果您遇到复杂的多缺陷问题，请继续添加数据。

使用合成数据加速：Defect Studio

如果您需要为很少出现的缺陷进行训练怎么办？例如需要故意移除的螺丝、需要创建的划痕、每千件才会发生一次的裂纹？花费数月时间收集足够样本并不实际。

The OV Auto-Defect Creator Studio 位于 tools.overview.ai，解决了这个问题。它能够生成真实感的合成缺陷图像，速度高达 10,000 倍 的提升，相比等待真实缺陷在生产线出现。

工作原理：5 个简单步骤

1. 上传 您部件的良好图像
2. 标注 应出现缺陷的区域
3. 描述 缺陷，请用简明英文描述（例如“表面上的深划痕”或“焊点缺失”）
4. 生成 缺陷变体（AI 将生成真实感结果）
5. 导出 合成图像直接进入您的训练集

为什么合成数据有效

生成的图像不仅仅是简单地“粘贴”得到的伪影。它们是与您实际照明、相机角度和部件表面相匹配的真实感变体。AI 了解在您特定成像条件下缺陷的外观物理特性。

使用场景：

• 罕见缺陷： 针对您从未（或很少）见过的失效模式进行训练
• 新产品发布： 在第一批有缺陷的部件下线前建立检测
• 边缘情况： 生成边界示例以提升 AI 的决策边界
• 数据增强： 用合成多样性补充小型数据集

实际演示

从真实数据开始，使用合成数据加速

最佳做法：先用初始的 3-5 张真实图像进行训练，识别 AI 的薄弱点，然后使用 Defect Studio 为这些特定失效模式生成定向的合成示例。真实数据提供基线；合成数据用于弥补差距。

训练清单

在继续之前，请确认：

• 已捕获初始图像，每类最少 3-5 张
• 所有标签已反复核对（查看所有 ROI）
• 开发模式已训练并通过 Live Preview 测试
• 已识别失效模式并新增定向数据
• 2-4 次标签 → 训练 → 测试的迭代完成
• 生产模式已训练；结果符合预期

模型已训练且效果良好？前往 步骤 5：输出设置.