跳到主要內容

AI 驅動文件

您想了解什麼？

訓練分類器

本指南將向您展示如何在 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，請使用此過程。

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

何時使用分類： 按型別、大小、顏色或狀態對零件進行排序；識別不同的產品變體；透過多個可接受類別進行質量控制。

先決條件​

  • 已配置成像設定的活動配方
  • 模板影象和對齊已完成（或跳過）
  • 定義檢查 ROI
  • 代表您希望檢測的每個類別的樣本物件

第一步：訪問分類塊​

1.1 導航到分類​

  1. 在麵包屑選單中點選“分類塊”，或
  2. 在導航欄中從下拉選單中選擇

新建 分類塊

1.2 驗證先決條件​

確保以下塊顯示 綠色狀態：

  • ✅ 成像設定
  • ✅ 模板和對齊（或跳過）
  • ✅ 檢查設定

配置影象 儲存設定 模板和對齊

第二步：建立分類類別​

2.1 定義您的類別​

  1. 在“檢查型別”下點選 編輯
  2. 為每個您希望檢測的類別新增類別

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，“小型”、“中型”、“大型”）
  2. 選擇類別顏色： 選擇不同的顏色以便於視覺識別
  3. 新增描述： 有關該類別的可選詳細資訊
  4. 點選 儲存

成像設定

2.3 類別命名最佳實踐​

良好名稱不良名稱
Small_Bolt, Medium_Bolt, Large_BoltType1, Type2, Type3
Red_Cap, Blue_Cap, Green_CapColor1, Color2, Color3
Good_Part, Defective_PartPass, Fail
Screw_PhillipsHead, Screw_FlatheadA, B

第三步：捕獲訓練影象​

3.1 影象捕獲過程​

對於每個類別，至少捕獲 5 張影象（建議 10 張以上）：

  1. 將代表該類別的物件放置在檢查區域
  2. 驗證物件是否在 ROI 邊界內
  3. 點選 捕獲 以拍攝訓練影象
  4. 從下拉選單中選擇適當的類別
  5. 點選 儲存 以儲存標記影象
  6. 使用同一類別的不同示例重複此過程

標記影象

3.2 訓練資料要求​

類別最少影象推薦影象備註
每個類別510-15影象越多，準確性越高
總資料集15+30-50+在所有類別中保持平衡
邊緣案例每類 2-3每類 5+邊界示例

3.3 訓練影象最佳實踐​

應：

  • 在每個類別中使用不同的示例
  • 改變物件的方向和位置
  • 包括良好的照明條件
  • 捕獲邊緣案例和邊界示例
  • 保持一致的 ROI 幀

不應：

  • 重複使用相同的物件
  • 在一個 ROI 中包含多個物件
  • 在單個影象中混合類別
  • 使用模糊或光線不足的影象
  • 在捕獲之間改變 ROI 大小

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. 驗證正確的類別標籤 分配
  3. 使用 Delete 按鈕刪除低質量影象
  4. 如有必要，重新拍攝

第 4 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​

根據您的需求選擇：

訓練模式持續時間準確性使用場景
快速2-5 分鐘適合測試初始模型驗證
平衡5-15 分鐘生產就緒大多數應用
準確15-30 分鐘最高精度關鍵應用

訓練模式選擇

4.3 設定迭代次數​

手動迭代設定：

  • 低（50-100）： 快速測試，基本準確性
  • 中（200-500）： 生產質量
  • 高（500+）： 最大準確性，訓練較慢

4.4 高階設定（可選）​

批次大小：

  • 較小批次： 更穩定的訓練，速度較慢
  • 較大批次： 更快的訓練，可能不夠穩定

學習率：

  • 較低值： 更穩定，學習較慢
  • 較高值： 學習較快，但有不穩定的風險

建議： 除非您有特定的效能要求，否則使用預設設定。

高階設定

第 5 步：開始訓練過程​

5.1 初始化訓練​

  1. 檢查訓練配置
  2. 點選 Start Training
  3. 在訓練模態中監控進度

5.2 訓練進度指標​

監控這些指標：

  • 當前迭代： 訓練週期的進展
  • 訓練準確性： 模型在訓練資料上的表現
  • 預計時間： 剩餘訓練時間
  • 損失值： 模型誤差（應隨時間減少）

訓練進度

5.3 訓練控制​

訓練期間可用的操作：

  • 中止訓練： 立即停止訓練
  • 提前結束： 噹噹前準確性足夠時停止
  • 延長訓練： 如有需要，增加更多迭代

5.4 訓練完成​

訓練在以下情況下自動停止：

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

第 6 步：評估模型效能​

6.1 檢查訓練結果​

檢查最終指標：

  • 最終準確性： 應大於 85% 以供生產使用
  • 訓練時間： 記錄持續時間以備將來參考
  • 收斂性： 驗證準確性是否穩定

6.2 模型質量指標​

準確性範圍質量水平建議
95%+優秀準備投入生產
85-94%良好適合大多數應用
75-84%一般考慮更多訓練資料
<75%較差使用更多/更好的影象重新訓練

6.3 低效能故障排除​

問題可能原因解決方案
低準確性（<75%）訓練資料不足新增更多標記影象
訓練沒有改善影象質量差改善照明/對焦
類別混淆相似外觀的物體新增更多區分示例
過擬合每個類別的影象太少在類別之間平衡資料集

第 7 步：測試分類效能​

7.1 實時測試​

  1. 點選 Live Preview 以訪問實時測試
  2. 在檢測區域放置測試物件
  3. 觀察分類結果：
    • 預測類別名稱
    • 置信度百分比
    • 處理時間

7.2 驗證測試​

系統化驗證過程：

測試物件預期類別實際結果置信度透過/失敗
已知類別 A 物件類別 A_________%☐
已知類別 B 物件類別 B_________%☐
邊界示例類別 A 或 B_________%☐
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： 對清晰示例的高置信度（>80%）
  • 一致性： 對同一物件的可重複結果
  • 速度： 對於您的應用程式，處理時間可接受

第 8 步：模型最佳化​

8.1 如果效能不令人滿意​

迭代改進過程：

  1. 識別問題區域：
    • 哪些類別被混淆？
    • 哪些物件被錯誤分類？
    • 置信度水平是否合適？
  2. 新增針對性訓練資料：
    • 更多混淆類別的示例
    • 邊緣案例和邊界示例
    • 不同的照明/定位條件
  3. 重新訓練模型：
    • 使用“準確”模式以獲得更好的效能
    • 增加迭代次數
    • 監控準確性的改進

8.2 高階最佳化​

對於關鍵應用：

  • 資料增強： 使用不同的照明和位置
  • 遷移學習： 從相似的訓練模型開始
  • 整合方法： 結合多個模型
  • 定期重新訓練： 使用新的生產資料進行更新

第 9 步：完成配置​

9.1 儲存模型​

  1. 驗證效能令人滿意
  2. 訓練完成時模型自動儲存
  3. 記錄模型版本 以備文件使用

9.2 文件​

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
  • 達到的最終準確性
  • 任何特殊考慮事項

9.3 備份配置​

  1. 匯出配方 以備份
  2. 如有需要，單獨儲存訓練影象
  3. 記錄模型引數

成功！您的分類器已準備就緒​

您的訓練分類模型現在可以：

  • 自動分類 物件到定義的類別中
  • 為每個預測提供置信度評分
  • 實時處理影象 以用於生產
  • 與 I/O 邏輯整合 以實現自動決策

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
  • 識別模型效能的漂移
  • 根據效能下降安排重新訓練

下一步​

訓練完您的分類器後：

  1. 配置 I/O 邏輯 以進行透過/失敗決策
  2. 在 IO Block 中設定生產工作流程
  3. 測試完整的檢測系統 端到端
  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 張以上的影象
類別不平衡偏差預測各類別之間影象數量相等
影象質量差結果不一致最佳化照明和對焦
類別過於相似分類混淆選擇明確的類別定義
缺乏驗證測試生產故障始終使用未見過的物體進行測試