分類：每個區域一個標籤

分類器檢視裁剪後的區域並回答一個問題：這屬於哪個類別？ 透過或失敗。空或滿。紅色、綠色或藍色。它是最簡單、最快的檢測型別，除非您需要知道缺陷的位置，否則它就是合適的預設選項。

分類器的設定基於一個簡單的層級結構：型別擁有類別，型別作為 ROI 印記到影象上。

可以將其想象成橡皮圖章系統。檢測型別 (Inspection Type) 就是圖章本身（設計圖案）。ROI 是您在頁面（影象）上蓋出的印記。每個印記都繼承相同的設計、相同的類別列表和相同的訓練模型。

三個概念

在訓練 AI 模型之前，相機需要知道在哪裡檢視，可能的結果是什麼，以及如何評估每個裁剪區域。這三個問題對應三個概念，它們以非常特定的方式巢狀。

01 / Concept

Inspection Type

A named bucket. Holds one shared dataset, one shared list of classes, and one trained AI model.

02 / Concept

Classes

The vocabulary of possible outcomes for this inspection. Defined once on the type.

03 / Concept

Region of Interest (ROI)

A rectangle drawn on the image. Many ROIs can share one type and, therefore, one dataset and one model.

思維模型：型別擁有類別和 ROI

檢測型別 (Inspection Type) 是一個容器。它包含一個共享資料集、一個共享類別列表和一個訓練好的 AI 模型。然後您將該容器在影象上的多個位置印記出來，這些印記就是 ROI。同一型別的每個 ROI 都繼承相同的類別，並由相同的模型進行評估。

• 檢測型別 (Inspection Type) 是容器。
• 類別 (Classes) 是結果詞彙表。
• ROI 是影象上的位置。

對於分類器：每個 ROI 一個標籤，從類別列表中選取

分類器獲取每個 ROI 裁剪並提出一個問題：這看起來像哪個類別？ 存在或缺失。透過或失敗。良好、劃傷或破裂。每個 ROI 的輸出是一個類別名稱加上一個置信度分數，這是一個清晰的分類答案，您的流水線其餘部分可以據此採取行動。

實時示例：PCB 螺絲存在性檢查

考慮一塊帶有六個螺絲位置的 PCB。其中四個螺絲存在，一個缺失，一個損壞。您將這樣配置：

• 型別 (Type): Screws（6 個 ROI，分類器）
• 類別 (Classes): present、absent、damaged
• ROI: Screw_1 到 Screw_6，每個都用三個類別之一進行標註

每個 ROI 的輸出是標籤加置信度：

ROI	標籤	置信度
Screw_1	present	0.98
Screw_2	absent	0.94
Screw_3	present	0.97
Screw_4	present	0.96
Screw_5	present	0.95
Screw_6	damaged	0.82

從這個示例中需要理解三點：

1. 每個 ROI 一個標籤。 分類器為每個裁剪精確分配一個類別，是下拉框選擇，而非繪製任務。輸出是 class_name 加 confidence 分數。
2. 型別是所有者。 所有六個 ROI 共享 Screws 資料集。捕獲一張影象即可獲得六個新訓練樣本，並由一個訓練好的模型對所有六個進行判斷。
3. ROI 只是位置。 緊密繪製（小於 512 × 512 畫素）。使用 Duplicate 來印記 Screw_1 → Screw_2 → Screw_3，每個都會自動繼承類別列表。

深入瞭解：類的行為方式

類屬於型別，而非ROI

這是最重要的一點，必須牢記。類是檢測型別（Inspection Type）的屬性，這意味著新增或刪除一個類會自動更改使用該型別的每個ROI的標籤選項。

1. 定義一次。 在Classes面板中點選 + Add class。為其命名（例如 stripped_head）並選擇顏色。
2. 立即傳播。 新類會出現在該型別每個ROI的下拉選單中。無需逐個ROI配置。
3. 按需重新標註。 現有訓練影象保留其標籤；您可以重新檢視任何影象並將其重新分類為新類。
4. 保持精簡。 從最小的類集合開始，僅涵蓋您的決策。兩個類（pass / fail）通常比五個模糊的類表現更好。

深入瞭解：ROI的行為方式

ROI的黃金法則

區域越小越好。 讓每個ROI剛好能容納目標特徵。更小的ROI意味著更少的訓練資料、更快的迭代速度和更準確的AI決策，特徵在裁剪圖中占主導地位而不會淹沒於背景中，且不會有任何縮放損失。

小而具體且數量眾多

ROI告訴相機在哪裡裁剪。裁剪越緊湊，模型獲得的訊號就越清晰。由於ROI共享一個型別，新增更多ROI可以在不增加工作量的情況下倍增您的訓練資料。

1. 裁剪保持在 512 × 512 px 以內。 任何更大的影象都會被縮小以適應模型輸入，細節將永久丟失。
2. 越緊湊越好。 圍繞單個特徵的小ROI能為模型提供清晰的訊號，並且需要更少的訓練資料即可收斂。
3. 多個ROI，一個型別。 10顆螺絲 → 在同一個 Screws 型別上設定10個ROI。一次捕獲即可生成十個訓練樣本，並且一個模型可在推理時處理全部十個。
4. 使用 Duplicate。 給第一個ROI起一個有意義的名字（Screw_Top_Left）。Duplicate會自動遞增名稱，您無需重複輸入。
5. 需要全覆蓋？ 不要繪製一個巨大的ROI，應平鋪多個小ROI構成網格。每個都能保留完整解析度。

資料流：每個ROI單獨經過模型處理

執行時，相機會從完整影象中裁剪出每個ROI，單獨將其輸入訓練好的模型，並記錄獲勝的類及其置信度分數。每次捕獲，每個ROI都會得到一個標籤。

1. 捕獲包含所有標記ROI的完整幀。
2. 單獨裁剪，使每個ROI成為獨立的小影象。
3. 分類器模型為每個裁剪圖選擇一個類及對應的置信度分數。
4. 輸出是一個 ROI → 標籤 → 置信度 的表格。基於該表格的透過/失敗邏輯由您的IO模組規則決定。

設定回顧

訓練前的快速檢查清單。如果以下每一項都成立，您的分類器將擁有堅實的基礎。

• 每個決策對應一個檢測型別。 不要將"螺絲"和"標籤"混在同一型別中，給每一個分配獨立的型別，以便它們擁有各自的類、資料集和模型。
• 類在型別級別定義。 每個ROI獲得相同的下拉選項。如果某個選項不適用於每個ROI，它可能應歸屬於另一個型別。
• ROI畫得緊湊並命名清晰。 Screw_Top_Left 優於 New ROI。讓每個ROI剛好能容納其特徵，且小於 512 × 512 px。
• 先確保對齊有效。 如果零件發生位移或旋轉，對齊器會帶動您的ROI一起移動。只有當對齊穩定時，緊湊的ROI才有效。
• 每個類從3到5張訓練影象開始。 訓練，找出失敗案例，新增針對性資料，重新訓練。通常需要兩到四次迭代。
• 每個標籤都需複核。 在五張訓練影象中有一處錯標即意味著20%的資料汙染。每次訓練前請點選 View All ROIs。

後續步驟

• 理解分割器，關於畫素級模型的相關頁面。
• 感興趣區域 (ROIs)，繪製 ROI 的實用指南。
• 訓練您的 AI，標註與訓練工作流程。