跳到主要内容

AI 驱动文档

您想了解什么？

随着时间的推移改进您的模型

耗时：5 分钟（阅读）

您的检测已部署。随着条件变化、出现新缺陷类型，或规格演变，如何确保其持续保持良好性能？

The Library: Your continuous improvement tool​

每次相机捕获的画面都会被保存在 Library，并附有 AI 的预测和置信度分数。这是你改进的金矿。

Library view: browse captures, filter by prediction and confidence

Find what the AI got wrong​

  1. 转到 Library
  2. 浏览最近的捕获
  3. 寻找两点：
    • Misses: AI 的预测明显错误的图像（每个缩略图左上角的复选框）
    • Low-confidence predictions: 在任意图像向下滚动以查看置信度值。低置信度= AI 不确定
One mislabeled image can significantly hurt accuracy

在小数据集中，一个错误的标注会对准确性产生显著影响。只有 5 张训练图像时，一个错误的标注就会污染数据的 20%。在重新训练前务必对每一个标签进行双重检查，尤其是在数据集较小时。

Retrain with targeted data​

  1. 选择 AI 预测错误或不确定的图像
  2. 点击 "Add to Active Recipe Train Set"
  3. 如有需要，修正标签
  4. 点击 Retrain

Adding Library images to your training set

Focus on misses and low-confidence captures, not random new data. This is the most efficient way to improve.

Inspect saved images with the Metadata Viewer

如果你需要查看 AI 在特定图像上的准确预测，请将保存的 JPEG 上传到 Metadata Viewer. OV 相机会将预测结果、置信度分数和相机设置直接嵌入到每幅捕获的图像中。

Use Haystack to spot mislabels at scale

随着数据集的增大，手动检查每个标签变得不现实。 Haystack 让你可视化地查看你的训练数据、将相似图像聚类在一起，并快速发现看起来不合适的标签。定期运行以保持数据集整洁。

Classifier improvement workflow​

  1. 审查 Library 图像 → 找出错误和低置信度预测
  2. 将它们添加到训练集
  3. 如有需要，重新标注
  4. 重新训练
  5. 使用 Haystack 可视化地浏览数据并在大规模数据中发现错标图像

Segmenter improvement workflow​

Segmenters take longer to label (pixel-level annotation), so there's a shortcut:

  1. 将问题图像导入分割配方
  2. 点击 Generate Predictions 让模型尽可能为新图像预先标注
  3. Fix the predictions 而不是从头开始标注（快得多）
  4. 重新训练

The philosophy​

  • 不断迭代。 AI 具有较高的学习能力，随着 50、100，甚至 500 张以上图像的训练，持续改进
  • 有针对性地定位失败。 不要随机添加数据。加入 AI 运行困难的案例
  • 定期检查错标。 数据集增长后，错标更难发现，但仍会降低准确性

Accelerate with GenAI tools​

三种 AI 驱动工具位于 tools.overview.ai，可以显著加速改进循环：

  • Defect Studio -- 生成逼真的合成缺陷图像，速度比等待真实缺陷快多达 10,000 倍
  • Integration Builder -- 根据英文描述构建生产就绪的 Node-RED 流
  • AI Expert Helper -- 24/7 专家咨询，解答任何相机相关问题
The GenAI toolkit advantage

这三种工具可以将部署时间从数天缩短为数小时。生成合成训练数据，而不是等待真实缺陷；通过描述你想要的内容来构建集成；并在无需等待支持工单的情况下获得即时专家指导。

→ 查看完整的 GenAI Toolkit 指南