AI 驅動文件
您想了解什麼？
第四步：訓練您的 AI 模型
檢查區域已設定完畢。現在是時候教 AI 識別什麼是"合格"和"不合格"了。
訓練的三大基本準則
在開始之前，請牢記以下三條準則。無論您是訓練分類器還是分割器，也無論使用 5 張還是 500 張影象，它們都同樣適用。
準則 1：僅根據影象進行標註
切勿透過觀察實物零件（或將其放在顯微鏡下）來判斷其是否合格。如果您在相機影象中看不到缺陷，AI 就無法學習它。
AI 並非魔法。它只能依據相機所見進行工作。如果您因為觸控零件或在放大鏡下觀察發現了某些問題而將其標註為"缺陷"，但相機影象看起來正常，那麼您就是在教 AI 識別並不存在的東西。
如果您無法僅憑影象進行標註，請返回 Install 步驟修正物理設定：更好的鏡頭、更好的光源、更近的安裝位置或不同的角度。
準則 2：反覆核查您的標註
每個人都會遇到標註錯誤，經驗豐富的工程師也不例外。但在小資料集中，一個錯誤的標註就可能毀掉您的結果。
使用 5 張訓練影象時，一個錯誤標註會汙染 20% 的訓練資料。這是災難性的。
在每次訓練執行之前： 點選 View All ROIs 並核對每一個標註。這是最容易修復且影響最大的事項。
準則 3：從小處著手，快速迭代
不要標註了 50 張影象後就直接訓練。而是應建立一個緊湊的迴圈：每個類別標註 3-5 張影象，在開發模式下訓練（約 30 秒），測試並嘗試破壞它，然後在失敗的地方新增針對性資料。在開發模式下重複此迴圈 2-4 次，然後切換到生產模式。
這個迴圈是您獲得優秀模型的最快路徑。在開發模式下執行 2-4 次，然後切換到生產模式。
分步訓練工作流程
1. 採集初始訓練影象
在配方啟用且零件流動（或手動放置）的情況下采集影象。開始時，每個類別至少需要 3-5 張影象。
對於簡單的合格/不合格檢查：
- 3-5 張合格零件的影象
- 3-5 張缺陷零件的影象
2. 定義類別
在標註介面中，新增每種檢查型別所需的類別。對於分類器，這可能是：
- Pass / Fail
- Present / Absent
- Good / Scratched / Cracked
一開始保持簡單。您可以隨時新增更多類別。
3. 標註影象
對每張影象中的每個 ROI 分配正確的類別標籤：
- 分類器： 從下拉選單中選擇類別（例如 "pass" 或 "fail"）
OV10i 僅支援分類器。為每個 ROI 從下拉選單中選擇類別（例如 "pass" 或 "fail"）。如需畫素級分割，您需要 OV20i 或 OV80i。
4. 在 Development Mode 下訓練
點選 Train 並選擇 Development Mode。這大約需要 30 秒，生成的模型精度約為生產模式的 1/20，但足以用於檢查訊號。
"檢查訊號"的含義： AI 是否開始學習區分合格與不合格？或者它完全判斷錯誤？
- 如果大部分正確 → 訊號良好，繼續進行
- 如果完全錯誤 → 存在問題。檢查是否有錯誤標註、檢查 ROI 大小、檢查影象質量
5. 使用實時預覽進行測試
點選 Live Preview Mode 並讓零件透過。觀察結果：
- 它是否正確處理了簡單的情況？
- 它在哪些地方遇到困難？
- 哪些是臨界情況？
嘗試讓它失敗。 找出它失敗的情況。這些失敗就是您改進的路線圖。
6. 新增有針對性的資料
不要隨機新增新影象。根據您發現的失敗模式，有針對性地新增影象：
- 如果它混淆劃痕與反光，則新增更多兩者的示例
- 如果它漏檢小缺陷，則新增更多小缺陷的影象
- 如果它在角落處的零件上失敗，則新增更多角落示例
7. 重新訓練和重新測試
重複步驟 4-6 兩到四次。每次迭代都應提高準確度。
8. 切換到 Production Mode
當 development mode 執行得相當好時，切換到 Production Mode。這需要 5-10 分鐘，但生成的模型準確度大約是 development mode 的 20 倍。
如果 development mode 能正確處理 80% 的情況，production mode 很可能能正確處理 95% 以上。
Augmentations（資料增強）：教 AI 應對變化
Augmentations 在訓練過程中隨機修改您的訓練影象，調整亮度、新增旋轉、調節對比度等。每張影象會以略有不同的增強方式被輸入 AI 數百次，但標籤保持不變。
這對於構建魯棒性極其強大。 如果您的照明在不同班次之間有變化，亮度增強會教 AI 處理這種情況。如果零件可能以任何角度到達，旋轉增強會使方向無關緊要。
何時使用 augmentations
| 增強型別 | 使用場景…… | 示例場景 |
|---|---|---|
| Brightness（亮度） | 照明有變化（白天/夜晚、陰影） | 工廠頂燈全天變化 |
| Rotation（旋轉） | 零件可能以任何角度到達 | 螺絲孔，方向無關緊要 |
| Motion blur（運動模糊） | 零件快速移動或相機振動 | 高速傳送帶 |
| Saturation（飽和度） | 顏色不是檢測的一部分 | 不同顏色的相同零件都應透過 |
| Contrast（對比度） | 環境光照有波動 | 透過窗戶的季節性光線變化 |
何時不使用 augmentations
這是一把雙刃劍。如果您新增了旋轉增強，但您正在檢測零件方向是否正確，那麼您就會讓 AI 認為倒置的零件仍然是"合格的"。
- 檢測顏色一致性？不要使用 saturation 增強
- 檢測模糊/對焦？不要使用 motion blur 增強
- 檢測方向？不要使用 rotation 增強
規則： 對除您正在檢測的特定屬性之外的所有內容進行增強。
資料多樣性很重要
您的訓練資料應涵蓋 AI 在生產中將看到的全部範圍：
- 一天中的不同時間（如果照明有變化）
- 不同的零件批次（表面處理可能略有不同）
- 零件在畫面中的不同位置
- 簡單和困難的情況都要有
關注最困難的情況。 如果您的訓練資料包含 10 個最難分類的零件，那麼 90% 的簡單零件對 AI 來說將是微不足道的。
高學習容量
OV 相機的 AI 設計為隨著資料增加而持續改進。與許多在 20 張影象後就達到瓶頸的 AI 系統不同，該模型在 50、100 甚至 500+ 張影象的情況下仍能持續改進。大多數檢測在 5-10 張影象下即可良好執行，但如果您面對複雜的多缺陷問題，請放心持續新增資料。
使用合成資料加速：Defect Studio
如果您需要訓練一種很少見的缺陷怎麼辦？一顆需要您故意拆下的缺失螺絲、一道需要您人為製造的劃痕、一條每千個零件才出現一次的裂紋？等待數月來收集足夠樣本並不現實。
位於 tools.overview.ai 的 OV Auto-Defect Creator Studio 可以解決這一問題。它生成逼真的合成缺陷影象，比等待真實缺陷在生產線上出現快 10,000 倍。
工作原理：5 個簡單步驟
- 上傳零件的良品影象
- 標記缺陷應出現的區域
- 描述缺陷（使用簡單的英文，例如"deep scratch across the surface"或"missing solder joint"）
- 生成缺陷變體（AI 會建立逼真的結果）
- 匯出合成影象，直接進入您的訓練集
合成資料為何有效
生成的影象不僅僅是"貼上上去"的偽影。它們是與您實際的光照、相機角度和零件表面相匹配的逼真變體。AI 理解缺陷在您特定成像條件下外觀的物理特性。
使用場景：
- 罕見缺陷： 針對您從未（或很少）見過的失效模式進行訓練
- 新產品釋出： 在首個不良品下線之前就構建好檢測
- 邊緣情況： 生成臨界樣本以改進 AI 的決策邊界
- 資料增強： 用合成多樣性補充小資料集
實際演示
最佳方法：先用您最初的 3-5 張真實影象進行訓練，找出 AI 表現欠佳之處，然後使用 Defect Studio 針對這些特定失效模式生成有針對性的合成樣本。真實資料教授基線；合成資料填補空白。
訓練檢查清單
在繼續之前，請確認：
- 已採集初始影象，每個類別至少 3-5 張
- 所有標籤已複核（View All ROIs）
- 已在開發模式下訓練並透過 Live Preview 測試
- 已識別失效模式並新增針對性資料
- 已完成 2-4 次 標註 → 訓練 → 測試 的迭代
- 已在生產模式下訓練；結果符合預期
模型訓練完成且表現良好？前往 第 5 步：設定輸出。