跳到主要内容

AI 驱动文档

您想了解什么？

第四步：训练您的AI模型

您的感兴趣区域 (ROI) 已设置完毕。现在是时候教AI识别什么是"好"什么是"坏"了。

训练的三大基本原则​

在开始之前，请牢记这三条规则。无论您是训练分类器还是分割器，无论使用5张还是500张图像，它们都适用。

规则 1：仅从图像进行标注​

绝不要通过观察实物零件（或将其置于显微镜下）来判断它是好是坏。如果您无法在相机图像中看到缺陷，AI就无法学习它。

AI并非魔法。它只能处理相机看到的内容。如果您因为通过触摸或在放大镜下放大才注意到的某些情况而将零件标注为"有缺陷"，但相机图像看起来正常，那么您就是在教AI看到不存在的东西。

如果您无法仅从图像进行标注，请返回安装步骤并修复物理设置：更好的镜头、更好的照明、更近的安装距离或不同的角度。

规则 2：反复检查您的标签​

错误标注每个人都会遇到；经验丰富的工程师也不例外。但在小数据集中，一个错误的标签可能会毁掉您的结果。

对于5张训练图像，一个错误标注会损坏**20%**的训练数据。这是灾难性的。

每次训练运行前： 点击 View All ROIs（查看所有 ROI）并验证每一个标注。这是最容易修复也是最有影响力的事情。

规则 3：从小规模开始，快速迭代​

不要标注50张图像然后点击训练。相反，创建一个紧凑的循环：每个类别标注10-15张图像，训练（约30秒），测试并尝试找出问题，然后在失败的地方有针对性地添加数据。重复此循环2-4次。

这个循环是您获得优秀模型的最快路径。

分步训练工作流​

1. 捕获初始训练图像​

在您的程序处于活动状态且零件正在流动（或手动放置）时，捕获图像。您需要至少每个类别10-15张图像才能开始。

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. 定义您的类别​

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，因此刷新或分享后仍然有效。

在标注界面中，添加每种检测类型所需的类别。常见的分类器类别集：

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

一开始保持简单。您之后随时可以添加类别。

3. 标注图像​

分类器标注：从下拉菜单中为每个 ROI 选择一个类别

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

分类标注更快

如果您不确定使用分类还是分割，请从分类开始。它的标注速度快得多，并且适用于大多数通过/失败场景。请参阅分类器与分割器对比获取指导。

4. 训练模型​

点击 训练。分类器提供两种训练模式：

  • Fast 模式 — 大约需要 30 秒到 1 分钟。最适合在设置阶段进行快速迭代、对标签进行合理性检查，以及处理简单/区分明显的零件。准确率低于生产模式，但能让您快速看到结果信号。
  • Production 模式 — 耗时较长，但生成的模型准确率明显更高。在部署到产线之前，请始终使用 Production 模式。对于棘手的零件、难以区分的缺陷，或任何要在生产中信赖的场景，Production 模式才是正确选择。

一个好的节奏是：在清理标签和添加数据时使用 Fast 模式迭代，结果看起来不错时运行一次 Production——并在部署前再运行一次。

5. 使用实时预览进行测试​

点击 实时预览模式 并将零件输入。观察结果：

  • 它能正确处理简单的情况吗？
  • 在哪里遇到困难？
  • 哪些是临界情况？

尝试让它出错。 找出它失败的情况。这些失败正是您改进的路线图。

分类器实时预览：每个 ROI 的判定和置信度分数

测试面板显示每个 ROI 的预测类别和置信度分数。运行几次捕获，查找低置信度的判定（通常低于 70%）——这些就是您的临界情况，也是接下来最值得标注的零件。

6. 添加针对性数据​

不要随意添加新图像。应针对您发现的失败模式添加图像：

  • 如果模型将划痕与反光混淆，请添加更多两者的示例
  • 如果模型遗漏小型缺陷，请添加更多小型缺陷的图像
  • 如果模型在角落处的零件上失败，请添加更多角落示例

7. 重新训练并重新测试​

重复步骤 4-6 两到四次。每次迭代都应提高准确度。如需更深入的操作指南——包括如何在不丢失先前训练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。

数据增强：教 AI 处理变化​

数据增强会在训练过程中随机修改训练图像——调整亮度、添加旋转、微调对比度等。每张图像都会以略有不同的数据增强形式被送入 AI 数百次，但标签保持不变。这就是让模型在无需捕获每种可能变化样本的情况下，仍能稳健应对真实世界条件的方法。

默认应开启的项​

少量的亮度变化几乎总是值得开启的——即使是控制最严格的工厂，也会有顶灯闪烁、班次中阴影变化以及随时间推移的轻微 LED 漂移。亮度数据增强能让模型对这一切几乎免费地保持稳健。

旋转：有用，但要注意 ROI 形状​

如果您的零件确实可能以不同角度到达（传送带上松散的螺丝、手动放置的零件、任何未固定在夹具中的物品），旋转数据增强非常有用。但它与 ROI 形状相互影响：

  • 方形 ROI： 旋转数据增强可以干净利落地工作——旋转后的图像仍能装入 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 被旋转 45° 时，旋转内容的角落会落在框外，模型将基于部分图像进行训练。如果您的零件可能旋转，要么使 ROI 为方形，要么依靠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，但分割对此不太敏感，因为它从像素掩膜而非整个 ROI 形状中学习。

何时不应使用特定的数据增强​

一般规则：不要对您正在检测的属性进行数据增强。 如果您试图检测方向，旋转数据增强会教会模型颠倒的零件仍然是"良品"。

  • 检测颜色一致性？ 不要使用饱和度数据增强。
  • 检测模糊/对焦？ 不要使用运动模糊数据增强。
  • 检测方向？ 不要使用旋转数据增强（也可能不应使用对齐器）。

数据多样性很重要​

您的训练数据应代表 AI 在生产环境中将看到的全部范围：

  • 一天中不同的时间（如果光照有变化）
  • 不同批次的零件（表面处理可能略有差异）
  • 零件在画面中的不同位置
  • 简单和困难的案例都要包含

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，那么对 AI 来说，90% 的简单零件将不在话下。

高学习能力​

OV 相机的 AI 设计为随着数据增加而持续改进。与许多在 20 张图像后达到瓶颈的 AI 系统不同，该模型在 50、100 甚至 500+ 张图像下仍能持续改进。大多数检测使用 5-10 张图像即可获得良好效果，但如果您面临复杂的多缺陷问题，请放心地继续添加数据。

使用合成数据加速：Defect Studio​

如果您需要训练一个很少见到的缺陷怎么办？一颗您必须故意拆除的螺丝、一道您必须人为制造的划痕、千分之一概率才出现的裂纹？等待数月才能收集足够的样本并不现实。

OV Auto-Defect Creator Studio (tools.overview.ai) 解决了这个问题。它能生成逼真的合成缺陷图像，比等待真实缺陷在产线上出现快达 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. 用通俗的英文描述缺陷（例如，"deep scratch across the surface" 或 "missing solder joint"）
  4. 生成缺陷变化（AI 会创建逼真的结果）
  5. 将合成图像直接导出到您的训练集中

合成数据为何有效​

生成的图像不仅仅是"粘贴上去"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化。AI 理解在您特定的成像条件下缺陷外观的物理特性。

应用场景：

  • 罕见缺陷： 针对从未（或很少）见过的失效模式进行训练
  • 新产品发布： 在首件不良品下线之前就构建好检测
  • 边缘案例： 生成临界样本以改进 AI 的决策边界
  • 数据增强： 用合成的多样性补充小数据集

实际演示​

从真实数据开始，用合成数据加速

最佳方法：先用最初的 3-5 张真实图像进行训练，识别 AI 表现不佳的地方，然后使用 Defect Studio 针对这些特定的失效模式生成有针对性的合成样本。真实数据建立基线；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
  • 所有标签已仔细复核（View All ROIs）
  • 已使用实时预览进行训练和测试
  • 已识别失效模式并添加针对性数据
  • 已完成 2-4 轮 标记 → 训练 → 测试 迭代
  • 结果符合预期

模型已训练且效果良好？请前往 第 5 步：设置输出。