跳到主要内容

AI 驱动文档

您想了解什么？

第 4 步：训练您的 AI 模型

您的检测区域已设置。现在是教 AI 什么是“好”和“坏”的时候了。

训练的三条基本规则​

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

规则 1：仅从图像中标记​

绝不要查看实物零件（或将其放在显微镜下）来判断它是好是坏。如果您在相机图像中看不到缺陷，AI 就无法学习到它。

AI 不是魔法。它只能处理相机所看到的内容。如果您根据触摸或放大镜下观察到的内容将零件标记为“有缺陷”，但相机图像看起来正常，那么您正在教 AI 看到不存在的东西。

如果您无法仅从图像中标记它，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、不同的角度。

规则 2：仔细检查您的标签​

错误标记每个人都会遇到；经验丰富的工程师也会犯错。但在小数据集中，一个错误标签可能会毁掉您的结果。

在 5 张训练图像中，一个错误标记会破坏 20% 的训练数据。这是灾难性的。

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

规则 3：从小开始，快速迭代​

不要标记 50 张图像然后点击训练。相反，创建一个紧凑的循环：每个类别标记 3-5 张图像，在开发模式下训练（大约 30 秒），测试并尝试突破，然后在失败的地方添加有针对性的数据。重复这个循环 2-4 次在开发模式下，然后切换到生产模式。

这个循环是您获得良好模型的最快途径。在开发模式下运行 2-4 次，然后切换到生产模式。

分步训练工作流程​

1. 捕获初始训练图像​

在您的配方处于活动状态并且零件流动（或手动放置）时，捕获图像。您需要每个类别至少 3-5 张图像 来开始。

对于简单的合格/不合格检测：

  • 3-5 张合格零件的图像
  • 3-5 张有缺陷零件的图像

2. 标记图像​

标记和训练界面

对于每个图像中的每个 ROI，分配正确的类别标签：

  • 分类器： 从下拉菜单中选择类别（例如，“合格”或“不合格”）
  • 分割器： 使用画笔工具逐像素绘制缺陷区域
分类更快标记

如果您不确定是使用分类还是分割，请从分类开始。标记速度更快，适用于大多数合格/不合格场景。有关指导，请参见 分类器与分割器。

3. 在开发模式下训练​

点击 训练 并选择 开发模式。这大约需要 30 秒，并生成一个准确率大约是生产模式的 20 倍低的模型，但足以检查信号。

“检查信号”意味着什么： AI 是否开始学习好与坏之间的区别？还是完全错误？

  • 如果大部分正确 → 信号良好，继续
  • 如果完全错误 → 有问题。检查错误标记，检查 ROI 大小，检查图像质量

4. 使用实时预览进行测试​

实时预览模式：实时测试您的模型

点击 实时预览模式 并运行零件。观察结果：

  • 它能正确处理简单案例吗？
  • 它在哪些方面遇到困难？
  • 边界案例是什么？

尝试突破它。 找出它失败的案例。这些失败是您改进的路线图。

5. 添加针对性数据​

不要添加随机的新图像。添加专门针对您发现的失败模式的图像：

  • 如果它将划痕与反射混淆，请添加更多这两种情况的示例
  • 如果它漏掉小缺陷，请添加更多小缺陷的图像
  • 如果它在角落的零件上失败，请添加更多角落示例

6. 重新训练和重新测试​

重复步骤 3-5 两到四次。每次迭代应该提高准确性。

7. 切换到生产模式​

当开发模式运行得相当顺利时，切换到 生产模式。这需要 5-10 分钟，但会生成一个大约 准确性提高 20 倍 的模型。

如果开发模式能正确处理 80% 的案例，生产模式可能会达到 95% 以上的准确率。

增强：教会 AI 处理变异​

增强在训练过程中随机修改您的训练图像，调整亮度、添加旋转、调整对比度等。每张图像会以稍微不同的增强方式输入给 AI 数百次，但标签保持不变。

这对于构建鲁棒性非常强大。 如果您的照明在班次之间变化，亮度增强教会 AI 处理这种情况。如果零件可以以任何角度到达，旋转增强使方向变得无关紧要。

何时使用增强​

增强使用时...示例场景
亮度照明变化（白天/夜晚，阴影）工厂的顶灯在一天中变化
旋转零件可以以任何角度到达螺丝孔，方向无关紧要
运动模糊零件移动快速或相机震动高速输送带
饱和度颜色不是您检查的一部分相同零件的不同颜色应该同样通过
对比度环境照明波动通过窗户的季节性光变化

何时不使用增强​

不要增强您正在检查的对象

这是把双刃剑。如果您添加了旋转增强，但您正在检查 零件是否正确定向，您将教会 AI 颠倒的零件仍然是“好”的。

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

规则： 增强所有内容，除了您正在检查的特定属性。

数据多样性很重要​

您的训练数据应代表 AI 在生产中将看到的全范围：

  • 不同的时间（如果照明变化）
  • 不同的零件批次（表面处理可能略有不同）
  • 零件在框架中的不同位置
  • 包括简单和困难的案例

关注最困难的案例。 如果您的训练数据包括 10 个最难分类的零件，那么 90% 的简单零件对 AI 来说将是微不足道的。

高学习能力​

OV 相机的 AI 旨在通过更多数据不断改进。与许多在 20 张图像后停滞不前的 AI 系统不同，该模型在 50、100，甚至 500+ 张图像的情况下继续改进。大多数检查在 5-10 张图像下效果良好，但如果您遇到复杂的多缺陷问题，请不要犹豫，继续添加数据。

通过合成数据加速：缺陷工作室​

如果您需要训练一个您很少见到的缺陷呢？一个缺失的螺丝，您必须故意移除，一个您必须制造的划痕，或者一个每千个零件才出现一次的裂缝？等待几个月以收集足够的示例并不实际。

OV 自动缺陷创建者工作室在 tools.overview.ai 解决了这个问题。它生成逼真的合成缺陷图像，速度比在生产线上等待真实缺陷出现快 10,000 倍。

工作原理：5 个简单步骤​

  1. 上传 您零件的良好图像
  2. 标记 缺陷应出现的区域
  3. 描述 缺陷的具体情况（例如，“表面深划痕”或“缺失的焊点”）
  4. 生成 缺陷变体（AI 创建逼真的结果）
  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“粘贴上去”的伪影。它们是与您实际的照明、相机角度和零件表面相匹配的逼真变体。AI 理解在您特定成像条件下缺陷的物理表现。

使用案例：

  • 稀有缺陷： 针对您从未（或很少）见过的失效模式进行训练
  • 新产品发布： 在第一件缺陷零件下线之前构建检查
  • 边缘案例： 生成临界示例以改善 AI 的决策边界
  • 数据增强： 用合成多样性补充小数据集

观看实际效果​

从真实数据开始，通过合成加速

最佳方法：首先使用您最初的 3-5 张真实图像进行训练，识别 AI 的薄弱环节，然后使用缺陷工作室为这些特定失效模式生成有针对性的合成示例。真实数据教会基础；合成数据填补空白。

训练检查清单​

在继续之前，请确认：

  • 初始图像已捕获，每类至少 3-5 张
  • 所有标签已仔细检查（查看所有 ROI）
  • 开发模式已训练并通过实时预览测试
  • 失效模式已识别并添加了针对性数据
  • 完成了 2-4 次标签 → 训练 → 测试的迭代
  • 生产模式已训练；结果符合预期

模型训练良好？请转到 步骤 5：设置输出.