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）已设置好。现在是时候教 AI 识别什么是"好"和什么是"坏"了。

训练的三条基本规则​

在做任何事之前，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 张图像还是 500 张图像，这些规则都适用。

规则 1：仅根据图像进行标注​

绝不要通过查看实际零件（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 不是魔法。它只能基于相机所见的内容进行工作。如果您因为触摸或用放大镜放大后发现了某些问题而将零件标记为"有缺陷"，但相机图像看起来正常，那么您就是在教 AI 识别根本不存在的东西。

如果您仅凭图像无法标注，请返回到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发生；经验丰富的工程师也会犯这种错误。但在小数据集中，一个错误的标签可能会毁掉您的结果。

在 5 张训练图像中，一个错误标注会污染**20%**的训练数据。这是灾难性的。

每次训练运行之前：点击查看所有 ROI并验证每一个标注。这是最容易修复且影响最大的事情。

规则 3：从小处开始，快速迭代​

不要标注 50 张图像后才开始训练。相反，建立一个紧密的循环：每个类别标注 10-15 张图像，训练（大约 30 秒），测试并尝试破坏它，然后在失败的地方添加针对性的数据。重复这个循环 2-4 次。

这个循环是通向优秀模型的最快路径。

分步训练工作流程​

1. 捕获初始训练图像​

在程序处于活动状态且零件流动（或手动放置）的情况下，捕获图像。您需要每个类别至少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。下面的切换按钮在第 2 步和第 3 步之间保持同步，您的选择会保留在 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：

  • 通过 / 失败
  • 存在 / 缺失
  • 良好 / 划伤 / 破裂

一开始保持简单。您随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 — 选择能够描述该图像中该 ROI 的类别（例如 "pass" 或 "fail"）。

分类标注更快

如果您不确定是使用分类还是分割，请从分类开始。它标注速度更快，并且适用于大多数 pass/fail 场景。请参阅 Classifier vs. Segmenter 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 mode — 大约 30 秒到 1 分钟。最适合在设置过程中快速迭代、检查标签合理性，以及处理简单/区分度高的部件。准确度低于生产模式，但可以让您快速看到信号。
  • Production mode — 耗时较长，但生成的模型准确度明显更高。在部署到产线之前，请始终使用 Production 模式。对于复杂的部件、难以区分的缺陷，或任何您要在生产中信赖的内容，Production 模式才是正确的选择。

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，结果看起来不错时运行 Production 模式 — 然后在部署之前再运行一次。

5. 使用实时预览进行测试​

点击 实时预览模式 并运行零件。观察结果：

  • 它对简单案例的判断是否正确？
  • 它在哪些地方表现欠佳？
  • 哪些是临界案例？

尝试让它失败。 找出它判断失败的案例。这些失败案例是您改进的路线图。

分类器实时预览：每个 ROI 的判定结果和置信度分数

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，并查找低置信度判定（通常低于 70%）——这些是您的临界案例，也是最值得接下来进行标注的零件。

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，则添加更多这两类的示例
  • 如果它遗漏小缺陷，则添加更多小缺陷的图像
  • 如果它对角落里的零件判断失败，则添加更多角落示例

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性。如需更深入的演练——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您的训练图像——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方式被送入 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示例的情况下，仍能适应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——即使是最严格控制的工厂也会有顶灯闪烁、班次间阴影变化以及 LED 随时间出现的轻微漂移。亮度数据增强基本上可以零成本地让模型应对所有这些情况。

旋转：实用，但要注意您的 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、手工放置的零件、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： 旋转数据增强可以正常工作——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，旋转后内容的角会落在框外，模型会基于不完整的图像进行训练。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，因为它是从像素掩膜而非整个 ROI 形状中学习的。

何时不应使用特定的数据增强​

通用规则：不要对你正在检测的属性进行增强。 如果你想要检测方向，旋转增强会让模型认为颠倒的零件也是"良好"的。

  • 检测颜色一致性？ 不要使用饱和度增强。
  • 检测模糊/对焦？ 不要使用运动模糊增强。
  • 检测方向？ 不要使用旋转增强（并且可能也不应使用对齐器）。

数据多样性很重要​

你的训练数据应代表AI在生产中将看到的全部范围：

  • 一天中的不同时段（如果光照有变化）
  • 不同批次的零件（表面处理可能略有不同）
  • 零件在画面中处于不同位置
  • 容易和困难的案例都要包含

重点关注最困难的案例。 如果你的训练数据包含了最难分类的10个零件，那么剩下90%的简单零件对AI来说将轻而易举。

高学习能力​

OV相机的AI设计为可随着数据增加而不断提升。与许多在20张图像后就达到瓶颈的AI系统不同，该模型在50张、100张甚至500张以上图像下仍能持续改进。大多数检测在5-10张图像下就能运行良好，但如果你面对的是复杂的多缺陷问题，请不要犹豫继续添加数据。

使用合成数据加速：Defect Studio​

如果你需要为一种很少见到的缺陷进行训练怎么办？比如你必须故意拆掉的缺失螺丝、必须人为制造的划痕、每千件零件才出现一次的裂纹？等待数月才能收集到足够的样本并不现实。

OV Auto-Defect Creator Studio 位于 tools.overview.ai，正是为解决此问题而生。它能够生成照片级真实感的合成缺陷图像，比等待真实缺陷出现在生产线上快多达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. 描述 缺陷（使用简单英语，例如"表面有一道深划痕"或"焊点缺失"）
  4. 生成 缺陷的多种变化（AI生成照片级真实感的结果）
  5. 导出 合成图像，直接加入到训练集中

为什么合成数据有效​

生成的图像不仅仅是"贴上去"的伪影。它们是照片级真实感的变化，匹配你的实际光照、相机角度和零件表面。AI理解在你特定成像条件下缺陷外观的物理特性。

使用场景：

  • 罕见缺陷： 针对从未（或很少）见过的失效模式进行训练
  • 新产品上市： 在第一件不良品下线之前就构建好检测方案
  • 边界案例： 生成临界样本以改进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，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 针对那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​

在继续之前，请确认：

  • 已捕获初始图像，每个类别至少 10-15 张
  • 所有标签均已复核（View All ROIs）
  • 已通过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 轮标签 → 训练 → 测试的迭代
  • 结果符合预期

模型训练完成且效果良好？请进入 第 5 步：设置输出。