跳到主要內容

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）已設定完成。現在該教 AI 識別什麼是"好"和"壞"了。

訓練的三大基本原則​

在開始之前，請牢記這三條原則。無論您是訓練分類器還是分割器，使用 5 張影象還是 500 張影象，這些原則都適用。

原則 1：僅從影象進行標註​

永遠不要透過檢視實物零件（或將其置於顯微鏡下）來判斷它是好是壞。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。它只能根據相機所見的內容工作。如果您因觸控零件或用放大鏡放大而注意到某些問題，從而將其標註為"缺陷"，但相機影象看起來正常，那麼您就是在教 AI 看見不存在的東西。

如果您無法僅從影象進行標註，請返回安裝步驟，修正物理設定：更好的鏡頭、更好的光源、更近的安裝位置、不同的角度。

原則 2：反覆核對您的標籤​

每個人都會出現誤標；經驗豐富的工程師也不例外。但在小資料集中，一個錯誤的標籤就可能摧毀您的結果。

在 5 張訓練影象中，一個誤標會汙染 20% 的訓練資料。這是災難性的。

每次訓練之前： 點選 View All ROIs，逐一核實每條標註。這是最容易修正且影響最大的事情。

原則 3：從小處著手，快速迭代​

不要標註 50 張影象然後直接訓練。相反，請建立一個緊湊的迴圈：每類標註 10-15 張影象，進行訓練（約 30 秒），然後測試並嘗試找出問題，再針對失敗之處新增有針對性的資料。重複這個迴圈 2-4 次。

這個迴圈是通往優秀模型的最快路徑。

分步訓練工作流程​

您使用的是哪個介面版本？

OV20i Web 介面在 v2026.5 中進行了重新設計。請在相機 UI 的右上角檢視您的軟體版本，並選擇匹配的選項卡。您的選擇將在此設定流程的每個頁面上保持一致。

按照下面的編號步驟進行捕獲、標註、訓練和迭代。

1. 捕獲初始訓練影象​

在程式啟用且零件正在流動（或手動放置）的情況下，捕獲影象。開始時每類至少需要 10-15 張影象。

對於簡單的透過/失敗檢測：

  • 10-15 張良品影象
  • 10-15 張缺陷品影象

2. 定義您的分類​

選擇您要訓練的模型型別，然後閱讀相應的說明。下方的切換在第 2 步和第 3 步之間保持同步，您的選擇會儲存在 URL 中，因此即使重新整理或分享也不會丟失。

在標註介面中，新增每種檢測型別所需的分類。常見的分類器類別集：

  • Pass / Fail
  • Present / Absent
  • Good / Scratched / Cracked

最初保持簡單。您隨時可以稍後新增分類。

3. 標註影象​

分類器標註：從下拉選單中為每個ROI選擇一個類別

每個ROI都有自己的分類類別，請選擇能描述該影象中該ROI的類別（例如"pass"或"fail"）。

分類標註速度更快

如果您不確定使用分類還是分割，請從分類開始。它的標註速度更快，並且適用於大多數透過/失敗場景。請參閱Classifier vs. Segmenter 獲取指導。

4. 訓練模型​

點選 訓練。分類器提供兩種訓練模式：

  • Fast 模式，約 30 秒到 1 分鐘。最適合在設定階段進行快速迭代、檢查標籤的合理性以及處理簡單/區分明顯的零件。準確率低於生產模式，但能讓您快速看到訊號。
  • Production 模式，所需時間較長，但生成的模型準確度顯著更高。在部署到生產線之前請始終使用 Production 模式。對於棘手的零件、難以區分的缺陷或任何您要在生產中信賴的內容，Production 模式是正確的選擇。

良好的節奏：在清理標籤和新增資料時使用 Fast 模式進行迭代，待結果看起來不錯時執行一次 Production，並在部署之前再執行一次。

5. 使用實時預覽進行測試​

點選 實時預覽模式 並讓零件透過。觀察結果：

  • 它能正確處理簡單的情況嗎？
  • 它在哪些方面有困難？
  • 哪些是邊界情況？

嘗試讓它出錯。 找出它失敗的情況。這些失敗就是改進的路線圖。

分類器實時預覽：每個ROI的判定結果和置信度分數

測試面板顯示每個ROI預測的類別和置信度分數。執行幾次捕獲並查詢低置信度的判定（通常低於70%），這些是邊界情況，也是最值得接下來進行標註的零件。

6. 新增針對性資料​

不要隨意新增新影象。新增專門針對您發現的失敗模式的影象：

  • 如果它將劃痕與反光混淆，新增更多這兩種情況的示例
  • 如果它漏檢小缺陷，新增更多小缺陷的影象
  • 如果它在角落處的零件上失敗，新增更多角落示例

7. 重新訓練和重新測試​

重複步驟4-6，進行兩到四次。每次迭代都應提高準確性。如需更深入的演示，包括如何在不丟失之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 AI 應對變化​

資料增強在訓練過程中隨機修改您的訓練影象，調整亮度、新增旋轉、調整對比度等。每張影象都會以略有不同的資料增強方式被輸入 AI 數百次，但標籤保持不變。這就是您如何讓模型對真實世界條件具有魯棒性，而無需捕獲每種可能變化的示例。

預設應開啟哪些​

少量的 brightness 變化幾乎總是值得開啟，即使是控制最嚴格的工廠也會有頂燈閃爍、班次中陰影移動以及隨時間產生的輕微 LED 漂移。亮度資料增強幾乎免費地讓模型對所有這些情況都具有韌性。

旋轉：有用，但要注意您的 ROI 形狀​

旋轉資料增強非常適合 當您的零件確實可能以不同角度到達時（傳送帶上的鬆動螺絲、手工放置的零件，任何未被夾具固定的零件）。但它與 ROI 形狀會相互影響：

  • 方形 ROI： 旋轉資料增強可以乾淨地工作，旋轉後的影象仍能適配 ROI 框內。
  • 分類器上的非方形 ROI： 旋轉可能會裁剪影象。當一個高而窄的 ROI 旋轉 45° 時，旋轉內容的角會落在框外，模型將在不完整的影象上進行訓練。如果您的零件可能旋轉，要麼將 ROI 設為方形，要麼依賴 對齊器 在上游處理旋轉，這樣此處就不需要旋轉資料增強。
  • 分割器： 同樣存在裁剪問題，但分割對此不那麼敏感，因為它從畫素掩碼而非整個 ROI 形狀中學習。

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：

  • 一天中的不同時間（如果光照有變化）
  • 不同批次的零件（表面光潔度可能略有不同）
  • 處於畫面中不同位置的零件
  • 簡單和困難的情況均需涵蓋

重點關注最困難的案例。 如果您的訓練資料包含 10 個最難分類的零件，那麼其餘 90% 簡單的零件對 AI 來說將毫不費力。

您實際需要多少資料​

您需要的資料比大多數 AI 系統都少得多。大多數檢測只需每個類別 5 到 10 張影象 即可良好工作。對於較難的多缺陷問題，每個類別 15 到 20 張影象 通常已綽綽有餘。從少量開始，在實時預覽中找到模型表現不佳的地方，然後僅在需要時針對性地新增影象，而不是一開始就收集數百張。

使用合成資料加速：Defect Studio​

如果您需要針對一種很少見的缺陷進行訓練怎麼辦？比如一顆您必須故意擰下的螺絲、一道您必須刻意製造的劃痕、或一千個零件中才出現一次的裂紋？等待數月以收集足夠的樣本是不切實際的。

OV Auto-Defect Creator Studio（位於 tools.overview.ai）解決了這個問題。它能生成逼真的合成缺陷影象，比等待生產線上出現真實缺陷快最多 10,000 倍。

工作原理：5 個簡單步驟​

  1. 上傳一張零件的良品影象
  2. 標記缺陷應出現的區域
  3. 用簡明英文描述缺陷（例如，"deep scratch across the surface" 或 "missing solder joint"）
  4. 生成缺陷變體（AI 生成逼真的結果）
  5. 將合成影象直接匯出到您的訓練集

為什麼合成資料有效​

生成的影象不僅僅是"貼上去"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 能理解在您特定的成像條件下缺陷的物理表現。

使用場景：

  • 罕見缺陷： 針對從未見過（或很少見到）的故障模式進行訓練
  • 新產品釋出： 在第一個有缺陷的零件下線之前就建立檢測
  • 邊緣案例： 生成邊界示例以改善 AI 的決策邊界
  • 資料增強： 用合成的多樣性補充小資料集

觀看實際演示​

從真實資料開始，用合成資料加速

最佳方法：先使用您最初的 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示例。真實資料教會基線；合成資料填補空白。

訓練檢查清單​

繼續之前，請確認：

  • 已捕獲初始影象，每個類別至少 10-15 張
  • 已仔細核對所有標籤（View All ROIs）
  • 已使用實時預覽完成訓練和測試
  • 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

模型已訓練好且表現良好？請前往 第 5 步：設定輸出。