分类：每个区域一个标签

分类器查看裁剪后的区域并回答一个问题：这属于哪个类别？ 通过或失败。空或满。红色、绿色或蓝色。它是最简单、最快的检测类型，除非您需要知道缺陷的位置，否则它就是合适的默认选项。

分类器的设置基于一个简单的层级结构：类型拥有类别，类型作为 ROI 印记到图像上。

可以将其想象成橡皮图章系统。检测类型 (Inspection Type) 就是图章本身（设计图案）。ROI 是您在页面（图像）上盖出的印记。每个印记都继承相同的设计、相同的类别列表和相同的训练模型。

三个概念

在训练 AI 模型之前，相机需要知道在哪里查看，可能的结果是什么，以及如何评估每个裁剪区域。这三个问题对应三个概念，它们以非常特定的方式嵌套。

01 / Concept

Inspection Type

A named bucket. Holds one shared dataset, one shared list of classes, and one trained AI model.

02 / Concept

Classes

The vocabulary of possible outcomes for this inspection. Defined once on the type.

03 / Concept

Region of Interest (ROI)

A rectangle drawn on the image. Many ROIs can share one type and, therefore, one dataset and one model.

思维模型：类型拥有类别和 ROI

检测类型 (Inspection Type) 是一个容器。它包含一个共享数据集、一个共享类别列表和一个训练好的 AI 模型。然后您将该容器在图像上的多个位置印记出来，这些印记就是 ROI。同一类型的每个 ROI 都继承相同的类别，并由相同的模型进行评估。

• 检测类型 (Inspection Type) 是容器。
• 类别 (Classes) 是结果词汇表。
• ROI 是图像上的位置。

对于分类器：每个 ROI 一个标签，从类别列表中选取

分类器获取每个 ROI 裁剪并提出一个问题：这看起来像哪个类别？ 存在或缺失。通过或失败。良好、划伤或破裂。每个 ROI 的输出是一个类别名称加上一个置信度分数，这是一个清晰的分类答案，您的流水线其余部分可以据此采取行动。

实时示例：PCB 螺丝存在性检查

考虑一块带有六个螺丝位置的 PCB。其中四个螺丝存在，一个缺失，一个损坏。您将这样配置：

• 类型 (Type): Screws（6 个 ROI，分类器）
• 类别 (Classes): present、absent、damaged
• ROI: Screw_1 到 Screw_6，每个都用三个类别之一进行标注

每个 ROI 的输出是标签加置信度：

ROI	标签	置信度
Screw_1	present	0.98
Screw_2	absent	0.94
Screw_3	present	0.97
Screw_4	present	0.96
Screw_5	present	0.95
Screw_6	damaged	0.82

从这个示例中需要理解三点：

1. 每个 ROI 一个标签。 分类器为每个裁剪精确分配一个类别，是下拉框选择，而非绘制任务。输出是 class_name 加 confidence 分数。
2. 类型是所有者。 所有六个 ROI 共享 Screws 数据集。捕获一张图像即可获得六个新训练样本，并由一个训练好的模型对所有六个进行判断。
3. ROI 只是位置。 紧密绘制（小于 512 × 512 像素）。使用 Duplicate 来印记 Screw_1 → Screw_2 → Screw_3，每个都会自动继承类别列表。

深入了解：类的行为方式

类属于类型，而非ROI

这是最重要的一点，必须牢记。类是检测类型（Inspection Type）的属性，这意味着添加或删除一个类会自动更改使用该类型的每个ROI的标签选项。

1. 定义一次。 在Classes面板中点击 + Add class。为其命名（例如 stripped_head）并选择颜色。
2. 立即传播。 新类会出现在该类型每个ROI的下拉菜单中。无需逐个ROI配置。
3. 按需重新标注。 现有训练图像保留其标签；您可以重新查看任何图像并将其重新分类为新类。
4. 保持精简。 从最小的类集合开始，仅涵盖您的决策。两个类（pass / fail）通常比五个模糊的类表现更好。

深入了解：ROI的行为方式

ROI的黄金法则

区域越小越好。 让每个ROI刚好能容纳目标特征。更小的ROI意味着更少的训练数据、更快的迭代速度和更准确的AI决策，特征在裁剪图中占主导地位而不会淹没于背景中，且不会有任何缩放损失。

小而具体且数量众多

ROI告诉相机在哪里裁剪。裁剪越紧凑，模型获得的信号就越清晰。由于ROI共享一个类型，添加更多ROI可以在不增加工作量的情况下倍增您的训练数据。

1. 裁剪保持在 512 × 512 px 以内。 任何更大的图像都会被缩小以适应模型输入，细节将永久丢失。
2. 越紧凑越好。 围绕单个特征的小ROI能为模型提供清晰的信号，并且需要更少的训练数据即可收敛。
3. 多个ROI，一个类型。 10颗螺丝 → 在同一个 Screws 类型上设置10个ROI。一次捕获即可生成十个训练样本，并且一个模型可在推理时处理全部十个。
4. 使用 Duplicate。 给第一个ROI起一个有意义的名字（Screw_Top_Left）。Duplicate会自动递增名称，您无需重复输入。
5. 需要全覆盖？ 不要绘制一个巨大的ROI，应平铺多个小ROI构成网格。每个都能保留完整分辨率。

数据流：每个ROI单独经过模型处理

运行时，相机会从完整图像中裁剪出每个ROI，单独将其输入训练好的模型，并记录获胜的类及其置信度分数。每次捕获，每个ROI都会得到一个标签。

1. 捕获包含所有标记ROI的完整帧。
2. 单独裁剪，使每个ROI成为独立的小图像。
3. 分类器模型为每个裁剪图选择一个类及对应的置信度分数。
4. 输出是一个 ROI → 标签 → 置信度 的表格。基于该表格的通过/失败逻辑由您的IO模块规则决定。

设置回顾

训练前的快速检查清单。如果以下每一项都成立，您的分类器将拥有坚实的基础。

• 每个决策对应一个检测类型。 不要将"螺丝"和"标签"混在同一类型中，给每一个分配独立的类型，以便它们拥有各自的类、数据集和模型。
• 类在类型级别定义。 每个ROI获得相同的下拉选项。如果某个选项不适用于每个ROI，它可能应归属于另一个类型。
• ROI画得紧凑并命名清晰。 Screw_Top_Left 优于 New ROI。让每个ROI刚好能容纳其特征，且小于 512 × 512 px。
• 先确保对齐有效。 如果零件发生位移或旋转，对齐器会带动您的ROI一起移动。只有当对齐稳定时，紧凑的ROI才有效。
• 每个类从3到5张训练图像开始。 训练，找出失败案例，添加针对性数据，重新训练。通常需要两到四次迭代。
• 每个标签都需复核。 在五张训练图像中有一处错标即意味着20%的数据污染。每次训练前请点击 View All ROIs。

后续步骤

• 理解分割器，关于像素级模型的相关页面。
• 感兴趣区域 (ROIs)，绘制 ROI 的实用指南。
• 训练您的 AI，标注与训练工作流程。