跳到主要内容

AI 驱动文档

您想了解什么？

添加数据和重新训练

本教程演示如何通过向现有配方添加新图像并重新训练模型来提高 AI 模型的准确性。当模型错误地将良品判定为不良或在生产中遇到新的变体时，此过程尤为重要。

视频指南

请观看本主题的演示：OV Auto-Defect Creator Studio

您将学习的内容：

  • 如何查找并选择用于重新训练的图像
  • 如何将图像添加到现有训练集
  • 如何标注新的训练数据
  • 如何使用新数据重新训练模型

适用情景： 当良品在检测中被误判为不良、出现新部件变体，或需要通过增加示例来提升模型准确性时。

先决条件​

  • 具有已训练 AI 模型的活动配方（分类或分割）
  • 访问 OV20i 相机接口
  • 库中需要添加到训练的图像

Step 1: Find Images for Retraining​

1.1 导航到 Library​

  1. 打开 OV20i 界面
  2. 在左侧导航菜单中点击 “Library”（库）
  3. 您将看到来自相机的所有捕获图像

1.2 过滤图像​

  1. Filter by Recipe：选择要改进的配方
  2. Filter by Pass/Fail：选择 "FAIL" 以查看失败图像，或选择 "PASS" 以查看通过图像
  3. Sort By：按日期或其他条件对结果进行排序
  4. 点击 "Search" 显示筛选结果

目标： 查找被错误分类的图像——包括将良品误判为不合格的情况，以及将不良品误判为合格的情况。

Step 2: Add Images to Trainset​

2.1 选择图像​

  1. Review each image to identify incorrectly classified parts
  2. Select images that show:
    • Good parts that were incorrectly marked as failed
    • Bad parts that were incorrectly marked as passed
  3. Click the checkbox on each image you want to add
重要

添加被错误分类的图像——这包括被错误标记为不合格的良品，以及被错误标记为合格的不良品。两者都能帮助提高模型的准确性。

image.png

2.2 添加到 Trainset​

  1. 选择图像后，在底部点击 "Add to the active recipe's trainset"
  2. 将显示成功消息以确认图像已添加
  3. 点击 "Go to recipe editor" 继续

Step 3: Label New Training Data​

3.1 导航至 Label and Train​

  1. 从 Recipe Editor，进入：
    • Classification Recipe：'Classification Block'
    • Segmentation Recipe：'Label And Train'
  2. 点击 "View All ROIs"

3.2 查找未标注的图像​

  1. 使用 "Filter By Class" 下拉菜单
  2. 选择 "Unlabeled" 仅显示未标注的图像
  3. 您将看到刚才添加到训练集的图像

image.png

3.3 标注选定的图像​

  1. Select all the unlabeled images you added
  2. 在左下角单击 "Label Selected ROIs"
  3. 从下拉菜单中选择正确的标签（例如 "Pass"、"Good" 等）
  4. 单击 "OK" 以应用标签
重要

在不同标注会话之间单击 "Clear Selection" 以避免标注错误。

image.png

3.4 关闭 ROI 视图​

  1. 关闭 "View All ROIs" 模态框
  2. 返回主标签与训练页面

第 4 步：重新训练模型​

4.1 开始重新训练​

  1. 点击 "Train Classification Model" 或 "Train Segmentation Model"
  2. 系统将使用所有现有数据以及您的新图像进行重新训练
  3. 监控训练进度

4.2 训练过程​

  • 模型从旧有和新标注数据中学习
  • 训练时间取决于数据总量
  • 在测试之前等待训练完成

4.3 测试改进后的模型​

  1. 使用 "Live Preview Mode" 来测试重新训练的模型
  2. 使用之前被错误判定为失败的相同图像进行测试
  3. 验证模型现在是否能够将良品正确识别为通过

第 5 步：验证结果​

5.1 使用新图像进行测试​

  1. 捕捉类似零件的新图像
  2. 检查模型在边缘情况上的表现是否更好
  3. 验证之前通过的图像现在是否正确通过

5.2 监控性能​

  1. 观察是否出现新的假阳性或假阴性
  2. 记录准确度的提升
  3. 记录未来重新训练的任何剩余问题

成功！您的模型已重新训练​

您改进的 AI 模型现在可以：

✅ Better identify good parts 那些以前失败的部件

✅ Handle new variations 在您的生产部件中出现的新变体

✅ Reduce false failures 并提高准确性

✅ Adapt to changes 在您的制造过程中发生的变化

成功要点​

数据质量​

  • Add incorrectly classified images（包括错误通过和错误失败的图像）
  • Label consistently - 将良品标记为 "Pass"，不良品标记为 "Fail"
  • Include diverse examples 的通过与不通过条件示例
  • Clear selections 在不同标注会话之间

何时重新训练​

  • False failures increase（良品被错误判定为失败）
  • False passes increase（不良品被错误判定为通过）
  • New part variations 出现在生产中
  • Process changes 影响部件外观
  • Seasonal variations 在材料或照明方面

最佳实践​

  • Start small - 一次添加 10-20 张图像
  • Test thoroughly 在每次重新训练后
  • Document changes 和改进
  • Keep backup 在重大重新训练前保留工作模型的备份

下一步​

在重新训练您的模型之后：

  1. Monitor production 以实现更高的准确性
  2. Continue collecting 用于未来重新训练的有问题图像
  3. Set up regular retraining 的计划（如需要）
  4. Train operators，在何时标记图像以用于重新训练
  5. Document your retraining 流程以保持一致性

🔗 See Also​