跳到主要內容

AI 驅動文件

您想了解什麼？

新增資料和重新訓練

OV10i 注意

OV10i 僅支援 分類 模型。此頁面提到的分割功能在 OV20i 和 OV80i 相機上可用。

本教程將向您展示如何透過向現有配方新增新影象並重新訓練模型來提高 AI 模型的準確性。當您的模型錯誤地將良品判定為不合格，或當您遇到生產中的新變體時，此過程至關重要。

影片指南

檢視此主題的實際操作：OV 自動缺陷建立器工作室

缺少缺陷影象？

使用 缺陷建立器工作室 從單個良品影象生成逼真的合成缺陷影象。用簡單的英語描述缺陷，並在幾秒鐘內獲取可用於訓練的影象。

您將學習到：

  • 如何查詢和選擇用於重新訓練的影象
  • 如何將影象新增到現有訓練集
  • 如何標記新的訓練資料
  • 如何使用新資料重新訓練您的模型

何時使用此功能： 當良品未透過檢測時，當您有新的零件變體時，或當您需要透過額外示例提高模型準確性時。

先決條件​

  • 活動配方，帶有經過訓練的 AI 模型（分類或分割）
  • 訪問 OV10i 相機介面
  • 需要新增到訓練中的庫中的影象

第一步：查詢用於重新訓練的影象​

1.1 導航到庫​

  1. 開啟 OV10i 介面
  2. 在左側導航選單中點選 "庫"
  3. 您將看到來自相機的所有捕獲影象

1.2 過濾影象​

  1. 按配方過濾：選擇您想要改進的配方
  2. 按透過/失敗過濾：選擇 "FAIL" 檢視失敗的影象，或選擇 "PASS" 檢視透過的影象
  3. 排序方式：選擇日期或其他標準來組織結果
  4. 點選 "搜尋" 顯示過濾後的結果

目標： 查詢被錯誤分類的影象 - 無論是未透過的良品還是透過的不良品。

第二步：將影象新增到訓練集​

2.1 選擇影象​

  1. 檢視每個影象 以識別錯誤分類的零件
  2. 選擇影象，顯示：
    • 被錯誤標記為不合格的良品
    • 被錯誤標記為合格的不良品
  3. 點選每個您想新增的影象上的覈取方塊
重要

新增被錯誤分類的影象 - 這包括未透過的良品和透過的不良品。兩者都有助於提高模型的準確性。

image.png

2.2 新增到訓練集​

  1. 選擇影象後，點選底部的 "新增到活動配方的訓練集"
  2. 成功訊息將確認影象已新增
  3. 點選 "轉到配方編輯器" 繼續

第三步：標記新的訓練資料​

3.1 導航到標記和訓練​

  1. 從配方編輯器，轉到：
    • 分類配方： "分類塊"
    • 分割配方： "標記和訓練"
  2. 點選 "檢視所有 ROI"

3.2 查詢未標記的影象​

  1. 使用 "按類別過濾" 下拉選單
  2. 選擇 "未標記" 僅顯示未標記的影象
  3. 您將看到剛剛新增到訓練集的影象

image.png

3.3 標記選定的影象​

  1. 選擇您新增的所有未標記影象
  2. 點選左下角的 "標記選定的 ROI"
  3. 從下拉選單中 選擇正確的標籤（例如，“透過”、“良好”等）
  4. 點選 "確定" 應用標籤
重要

在不同的標記會話之間點選 "清除選擇" 以避免錯誤標記。

image.png

3.4 關閉 ROI 檢視​

  1. 關閉 "檢視所有 ROI" 模態
  2. 返回主標記和訓練頁面

第 4 步：重新訓練模型​

4.1 開始重新訓練​

  1. 點選 "訓練分類模型" 或 "訓練分割模型"
  2. 系統將使用所有現有資料加上您的新影象進行重新訓練
  3. 監控訓練進度

4.2 訓練過程​

  • 模型從舊資料和新標記資料中學習
  • 訓練時間取決於資料總量
  • 等待訓練完成後再進行測試

4.3 測試改進後的模型​

  1. 使用 "實時預覽模式" 測試重新訓練的模型
  2. 使用之前錯誤失敗的相同影象進行測試
  3. 驗證模型現在正確識別良好部件為透過

第 5 步：驗證結果​

5.1 使用新影象進行測試​

  1. 捕獲類似部件的新影象
  2. 檢查模型在邊緣案例上的表現是否更好
  3. 驗證之前良好的影象現在是否正確透過

5.2 監控效能​

  1. 注意任何新的假陽性或假陰性
  2. 記錄準確度的改善
  3. 記錄任何剩餘問題以便未來重新訓練

成功！您的模型已重新訓練​

您改進的 AI 模型現在可以：

✅ 更好地識別之前失敗的良好部件

✅ 處理生產部件的新變體

✅ 減少假失敗 並提高準確性

✅ 適應製造過程中的變化

成功的關鍵提示​

資料質量​

  • 新增錯誤分類的影象（包括假透過和假失敗）
  • 一致標記 - 將良好部件標記為“透過”，將壞部件標記為“失敗”
  • 包含多樣化的示例，涵蓋透過和失敗條件
  • 在不同的標記會話之間清除選擇

何時重新訓練​

  • 假失敗增加（良好部件失敗）
  • 假透過增加（壞部件透過）
  • 生產中出現新部件變體
  • 過程變化 影響部件外觀
  • 材料或光照的季節性變化

最佳實踐​

  • 從小開始 - 每次新增 10-20 張影象
  • 在每次重新訓練後徹底測試
  • 記錄變化 和改進
  • 在重大重新訓練前保留 工作模型的備份
更多影象並不總是更好

在未稽覈的情況下新增大量影象可能會使您的模型變得更差。您新增的每張影象都會教會 AI 一些東西。如果這些影象包含錯誤標記的部件、不一致的光照、模糊的捕捉或不代表真實生產條件的邊緣案例，模型就會學習錯誤的模式，準確性下降。良好的資料輸入，良好的資料輸出。

在新增影象之前，請驗證每張影象是否：正確標記（透過實際上顯示良好部件，失敗實際上顯示缺陷）、代表 真實生產條件、清晰且聚焦（不模糊或過曝），並且與模型需要學習的特徵 相關。如果重新訓練後準確性下降，請首先檢查您最近新增的影象。刪除一些不良示例通常比新增數十個新示例更有效。

後續步驟​

在重新訓練您的模型後：

  1. 監控生產以提高準確性
  2. 繼續收集有問題的影象以備未來重新訓練
  3. 設定定期重新訓練計劃（如有需要）
  4. 培訓操作員何時標記影象以進行重新訓練
  5. 記錄您的重新訓練過程以確保一致性

🔗 參見​