訓練分類器

本指南介紹如何在 OV10i 相機系統上配置和訓練分類模型。當您需要根據視覺特徵自動將物件分類到不同類別時，請使用此步驟。

影片指南

觀看本主題的實際操作：OV Auto-Defect Creator Studio

何時使用分類： 按型別、尺寸、顏色或狀態對零件進行分揀；識別不同的產品變體；具有多個可接受類別的質量控制。

先決條件

• 已配置影象設定的活動程式
• 已完成模板影象和對齊（或已跳過）
• 已定義檢查 ROI
• 代表您要檢測的每個類別的樣本物件

第一步：訪問分類模組

1.1 導航至分類

1. 點選麵包屑選單中的 "Classification Block"，或
2. 從導航欄的下拉選單中選擇

1.2 驗證先決條件

確保以下模組顯示綠色狀態：

• ✅ 影象設定
• ✅ 模板與對齊（或已跳過）
• ✅ 檢查設定

第二步：建立分類類別

2.1 定義您的類別

1. 點選 "Inspection Types" 下的 Edit
2. 為您要檢測的每個類別新增類別

2.2 配置每個類別

對於每個類別：

1. 輸入類別名稱： 使用描述性名稱（例如 "Small"、"Medium"、"Large"）
2. 選擇類別顏色： 選擇獨特的顏色以便於視覺識別
3. 新增描述： 關於該類別的可選詳細資訊
4. 點選 Save

2.3 類別命名最佳實踐

好的名稱	差的名稱
Small_Bolt、Medium_Bolt、Large_Bolt	Type1、Type2、Type3
Red_Cap、Blue_Cap、Green_Cap	Color1、Color2、Color3
Good_Part、Defective_Part	Pass、Fail
Screw_PhillipsHead、Screw_Flathead	A、B

第三步：捕獲訓練影象

3.1 影象捕獲流程

為每個類別至少捕獲 5 張影象（推薦 10 張以上）：

1. 將代表該類別的物件放置在檢查區域
2. 確認物件位於 ROI 範圍內
3. 點選 Capture 拍攝訓練影象
4. 從下拉選單中選擇相應的類別
5. 點選 Save 儲存已標註的影象
6. 使用同一類別的不同樣本重複操作

3.2 訓練資料要求

類別	最少影象數	推薦影象數	備註
每個類別	5	10-15	影象越多 = 準確度越高
總資料集	15+	30-50+	在所有類別間保持平衡
邊緣情況	每個類別 2-3 張	每個類別 5+ 張	臨界樣本

3.3 訓練影象最佳實踐

應當：

• 在每個類別中使用不同的樣本
• 變換物件的方向和位置
• 包含良好的光照條件
• 捕獲邊緣情況和臨界樣本
• 保持一致的 ROI 取景

不應：

• 重複使用相同的物件
• 在一個 ROI 中包含多個物件
• 在單張影象中混合多個類別
• 使用模糊或光線不足的影象
• 在多次捕獲之間更改 ROI 尺寸

3.4 質量控制

捕獲每張影象後：

1. 在預覽中檢查影象質量
2. 驗證類別標籤分配是否正確
3. 使用 Delete 按鈕刪除質量較差的影象
4. 必要時重新拍攝

第四步：配置訓練引數

4.1 訪問訓練設定

1. 點選 Train Classification Model 按鈕

4.2 選擇訓練模式

根據需求選擇：

訓練模式	時長	準確率	使用場景
Fast	2-5 分鐘	適合測試	初始模型驗證
Balanced	5-15 分鐘	生產就緒	大多數應用
Accurate	15-30 分鐘	最高精度	關鍵應用

4.3 設定迭代次數

手動迭代設定：

• 低 (50-100)： 快速測試，基礎準確率
• 中 (200-500)： 生產質量
• 高 (500+)： 最大準確率，訓練速度較慢

4.4 高階設定（可選）

批次大小 (Batch Size)：

• 較小批次： 訓練更穩定，速度較慢
• 較大批次： 訓練更快，但可能不夠穩定

學習率 (Learning Rate)：

• 較低值： 更穩定，學習速度較慢
• 較高值： 學習速度更快，但存在不穩定風險

建議： 除非您有特定的效能要求，否則請使用預設設定。

第五步：啟動訓練過程

5.1 初始化訓練

1. 檢查訓練配置
2. 點選 Start Training
3. 在訓練彈窗中監控進度

5.2 訓練進度指標

監控以下指標：

• 當前迭代 (Current Iteration)： 訓練週期的進度
• 訓練準確率 (Training Accuracy)： 模型在訓練資料上的效能
• 預計時間 (Estimated Time)： 剩餘訓練時長
• 損失值 (Loss Value)： 模型誤差（應隨時間下降）

5.3 訓練控制

訓練期間可用的操作：

• Abort Training： 立即停止訓練
• Finish Early： 當前準確率足夠時停止
• Extend Training： 根據需要增加迭代次數

5.4 訓練完成

訓練在以下情況下自動停止：

• 達到目標準確率（通常為 95%+）
• 完成最大迭代次數
• 使用者手動停止訓練

第六步：評估模型效能

6.1 檢查訓練結果

檢查最終指標：

• 最終準確率： 生產使用應 >85%
• 訓練時間： 記錄時長以供將來參考
• 收斂性： 驗證準確率已穩定

6.2 模型質量指標

準確率範圍	質量等級	建議
95%+	優秀	可用於生產
85-94%	良好	適用於大多數應用
75-84%	一般	考慮增加訓練資料
<75%	較差	使用更多/更優影象重新訓練

6.3 效能不佳的故障排除

問題	可能原因	解決方案
準確率低 (<75%)	訓練資料不足	新增更多已標註影象
訓練效果無提升	影象質量差	改善光照/對焦
類別混淆	物件外觀相似	新增更多區分性示例
過擬合	每個類別影象過少	平衡各類別的資料集

第 7 步：測試分類效能

7.1 實時測試

1. 點選 實時預覽 以進行實時測試
2. 將測試物件放置 在檢查區域中
3. 觀察分類結果：
   • 預測的類別名稱
   • 置信度百分比
   • 處理時間

7.2 驗證測試

系統性驗證流程：

測試物件	預期類別	實際結果	置信度	透過/失敗
已知 A 類物件	A 類	_____	____%	☐
已知 B 類物件	B 類	_____	____%	☐
邊界示例	A 類或 B 類	_____	____%	☐
未知物件	低置信度	_____	____%	☐

7.3 效能驗證

驗證以下方面：

• 準確性： 對已知物件的正確分類
• 置信度： 明確示例具有高置信度（>80%）
• 一致性： 對相同物件的可重複結果
• 速度： 滿足您應用所需的處理時間

第 8 步：模型最佳化

8.1 如果效能不理想

迭代改進流程：

1. 識別問題區域：
   • 哪些類別出現混淆？
   • 哪些物件被錯誤分類？
   • 置信度水平是否適當？
2. 新增針對性的訓練資料：
   • 更多被混淆類別的樣本
   • 邊界情況和臨界示例
   • 不同的照明/位置條件
3. 重新訓練模型：
   • 使用 "Accurate" 模式以獲得更好效能
   • 增加迭代次數
   • 監控準確性的改進

8.2 高階最佳化

針對關鍵應用：

• 資料增強： 使用多樣化的照明和位置
• 遷移學習： 從相似的已訓練模型開始
• 整合方法： 組合多個模型
• 定期重新訓練： 使用新的生產資料更新

第 9 步：完成配置

9.1 儲存模型

1. 驗證效能令人滿意
2. 訓練完成後模型自動儲存
3. 記錄模型版本 以便存檔

9.2 文件記錄

記錄以下詳細資訊：

• 訓練日期和版本
• 每個類別的影象數量
• 使用的訓練模式和迭代次數
• 最終達到的準確性
• 任何特殊注意事項

9.3 備份配置

1. 匯出程式 作為備份
2. 單獨儲存訓練影象（如需要）
3. 記錄模型引數

成功！您的分類器已就緒

您訓練好的分類模型現在可以：

• 自動分類 物件到已定義的類別中
• 提供置信度分數 用於每個預測
• 實時處理影象 以用於生產
• 與 I/O 邏輯整合 實現自動化決策

持續維護

定期模型更新

• 監控效能 隨時間變化
• 根據需要新增新的訓練資料
• 定期重新訓練 以保持準確性
• 更新類別 以適應新產品變體

效能監控

• 跟蹤生產中的準確性指標
• 識別模型效能漂移
• 根據效能下降安排重新訓練

後續步驟

訓練完分類器之後：

1. 配置 I/O 邏輯 用於透過/失敗判定
2. 在 IO模組中設定生產工作流
3. 端到端測試完整的檢查系統
4. 部署到生產 環境

常見陷阱

陷阱	影響	預防措施
訓練資料不足	準確性差	每個類別使用 10 張以上影象
類別不平衡	預測偏差	各類別影象數量均衡
影象質量差	結果不一致	最佳化光照和對焦
類別過於相似	分類混淆	選擇明確區分的類別定義
未進行驗證測試	生產環境故障	始終使用未見過的物件進行測試