AI 驅動文件
您想了解什麼？
第四步：訓練您的 AI 模型
您的感興趣區域 (ROI) 已設定完畢。現在是時候教 AI 識別"良品"和"不良品"的樣子了。
訓練的三條基本原則
在開始之前，請牢記這三條原則。無論您訓練的是分類器還是分割器，無論使用 5 張影象還是 500 張影象，這些原則都適用。
原則 1：僅根據影象進行標籤
絕不透過檢視實物零件（或將其置於顯微鏡下）來判斷它是良品還是不良品。如果您在相機影象中看不到缺陷，AI 就無法學習它。
AI 不是魔法。它只能處理相機所看到的內容。如果您因為透過觸控或在放大鏡下放大觀察發現了某些情況而將零件標籤為"有缺陷"，但相機影象看起來正常，那麼您就是在教 AI 識別不存在的東西。
如果您無法僅透過影象進行標籤，請返回到安裝步驟並修正物理設定：更好的鏡頭、更好的照明、更近的安裝位置、不同的角度。
原則 2：再三檢查您的標籤
每個人都會出現錯誤標籤；經驗豐富的工程師也會犯這種錯誤。但在小型資料集中，一個錯誤標籤就可能毀掉您的結果。
對於 5 張訓練影象，一個錯誤標籤會汙染 20% 的訓練資料。這是災難性的。
**每次訓練執行之前：**點選 View All ROIs 並驗證每一個標註。這是最容易修復且影響最大的事情。
原則 3：從小規模開始，快速迭代
不要標籤 50 張影象後就點選訓練。相反，建立一個緊密的迴圈：每個類別標籤 10-15 張影象，訓練（大約 30 秒），測試並嘗試找出問題，然後在失敗的地方有針對性地新增資料。重複此迴圈 2-4 次。
此迴圈是您獲得良好模型的最快路徑。
分步訓練工作流程
1. 捕獲初始訓練影象
在您的程式處於活動狀態且零件正在流動（或手動放置）時，捕獲影象。每個類別至少需要 10-15 張影象才能開始。
對於簡單的透過/失敗檢測：
- 10-15 張良品零件影象
- 10-15 張不良品零件影象
2. 定義您的類別
在標籤介面中，新增每種檢測型別所需的類別。對於分類器，這可能是：
- Pass / Fail
- Present / Absent
- Good / Scratched / Cracked
一開始保持簡單。您隨時可以稍後新增類別。
3. 標籤影象
每個 ROI 都有自己的分類類別 — 選擇描述該影象中該 ROI 的類別（例如，"pass"或"fail"）。
OV10i 僅支援分類器。對於畫素級分割，您需要 OV20i 或 OV80i。
4. 訓練模型
點選 Train。分類器提供兩種訓練模式：
- Fast mode — 大約需要 30 秒到 1 分鐘。最適合在設定過程中快速迭代、對標籤進行合理性檢查以及處理簡單/易於區分的零件。準確度低於生產模式，但能讓您快速看到結果。
- Production mode — 耗時較長，但能產生明顯更準確的模型。在部署到生產線之前，請始終使用 Production mode。對於棘手的零件、難以區分的缺陷或任何您將在生產中信賴的內容，Production mode 是正確的選擇。
良好的節奏：在清理標籤和新增資料時使用 Fast mode 進行迭代，結果看起來不錯後執行一次 Production mode — 部署前再執行一次。
5. 使用實時預覽進行測試
點選 實時預覽模式 並執行零件。測試面板會顯示每個 ROI 的預測類別和置信度分數。觀察：
- 簡單的案例是否以高置信度獲得正確的判定
- 模型在哪些情況下表現不佳（置信度低或判定錯誤）
- 臨界案例 — 通常是任何置信度低於 70% 的案例
嘗試找出問題。 找到模型失敗的案例。這些低置信度的判定是您下一輪標註的路線圖。
6. 新增有針對性的資料
不要隨意新增新影象。請專門針對您發現的失敗模式新增影象：
- 如果模型將劃痕與反光混淆，新增更多兩者的示例
- 如果模型遺漏小缺陷，新增更多小缺陷的影象
- 如果模型在角落處的零件上失敗，新增更多角落示例
7. 重新訓練並重新測試
重複步驟 4-6 兩到四次。每次迭代都應提高準確率。如需更深入的指導（包括如何在不丟失先前訓練成果的情況下向現有模型新增新影象），請參閱 新增資料與重新訓練。
資料增強：教會 AI 處理變化
資料增強會在訓練過程中隨機修改您的訓練影象 — 調整亮度、新增旋轉、微調對比度等。每張影象會以略有不同的增強效果被輸入 AI 數百次，但標籤保持不變。這就是讓模型在真實環境條件下保持魯棒性的方法，而無需捕獲每種可能變化的示例。
預設應啟用的項
少量的亮度變化幾乎總是值得啟用的 — 即使是控制最嚴格的工廠也會有閃爍的頂燈、隨班次變化的陰影以及隨時間發生的輕微 LED 漂移。亮度增強基本上能免費讓模型對所有這些因素具有抗干擾能力。
旋轉：很有用，但要注意 ROI 形狀
如果您的零件確實可能以不同角度到達（傳送帶上鬆散的螺絲、手動放置的零件、任何未固定在夾具中的物品），旋轉增強非常有用。但它與 ROI 形狀相互影響：
- 方形 ROI： 旋轉增強可以正常工作 — 旋轉後的影象仍能裝入 ROI 框內。
- 分類器上的非方形 ROI： 旋轉可能會裁切影象。當一個高而窄的 ROI 被旋轉 45° 時，旋轉內容的角落會超出框外，模型將基於不完整的影象進行訓練。如果您的零件可能旋轉，要麼將 ROI 設為方形，要麼依靠 對齊器 在上游處理旋轉，這樣您就不需要在此處使用旋轉增強。
何時不應使用特定的資料增強
一般規則：不要對您正在檢測的屬性進行資料增強。 如果您要檢測方向，旋轉增強會讓模型認為顛倒的零件仍然是"良品"。
- 檢測顏色一致性？ 不要使用飽和度增強。
- 檢測模糊/對焦？ 不要使用運動模糊增強。
- 檢測方向？ 不要使用旋轉增強（也可能不應使用對齊器）。
資料多樣性很重要
您的訓練資料應代表 AI 在生產中將看到的全部範圍：
- 不同時間段（如果光照有變化）
- 不同的零件批次（表面光潔度可能略有差異）
- 零件在畫面中的不同位置
- 簡單和困難的案例都要包括
重點關注最難的案例。 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 來說將不在話下。
高學習能力
OV 相機的 AI 設計為可隨著資料增加而持續改進。與許多在 20 張影象後即達到瓶頸的 AI 系統不同，該模型在 50 張、100 張甚至 500+ 張影象下仍能持續改進。大多數檢測使用 5-10 張影象就能很好地工作，但如果您面臨複雜的多缺陷問題，不要猶豫繼續新增資料。
使用合成資料加速：Defect Studio
如果您需要訓練一個很少見到的缺陷該怎麼辦？一個您必須刻意拆除的缺失螺釘、一道您必須人為製造的劃痕、一個每千件零件才出現一次的裂紋？等待數月才能收集到足夠的樣本是不切實際的。
OV Auto-Defect Creator Studio（tools.overview.ai）解決了這一問題。它可以生成逼真的合成缺陷影象，速度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
- 上傳一張零件的良品影象
- 標記缺陷應出現的區域
- 用簡單英語描述缺陷（例如 "deep scratch across the surface" 或 "missing solder joint"）
- 生成缺陷變體（AI 建立逼真的結果）
- 將合成影象直接匯出到您的訓練集中
合成資料為何有效
生成的影象不是簡單"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 能夠理解在您特定的成像條件下缺陷外觀的物理特性。
應用場景：
- 罕見缺陷： 針對您從未（或很少）見到過的故障模式進行訓練
- 新產品釋出： 在第一件次品下線之前就構建檢測方案
- 邊緣案例： 生成臨界樣本以改進 AI 的決策邊界
- 資料增強： 用合成的多樣性來補充小型資料集
實際演示
最佳方法：首先使用最初的 3-5 張真實影象進行訓練，找出 AI 表現不佳的地方，然後使用 Defect Studio 針對這些特定故障模式生成有針對性的合成樣本。真實資料教授基線；合成資料填補空缺。
訓練檢查清單
在繼續之前，請確認：
- 已捕獲初始影象，每個類別至少 10-15 張
- 所有標籤均已複核（View All ROIs）
- 已訓練並使用實時預覽測試
- 已識別失敗模式並新增針對性資料
- 已完成 2-4 輪 標註 → 訓練 → 測試 迭代
- 結果符合預期
模型已訓練且效果良好？前往 第 5 步：設定輸出。