第四步：訓練您的 AI 模型

您的檢測區域已設定完成。現在是時候教 AI 識別什麼是"合格"和"不合格"了。

訓練的三大黃金準則

在開始之前，請牢記這三條準則。無論您訓練的是分類器還是分割器，使用 5 張影象還是 500 張影象，它們都同樣適用。

準則 1：僅從影象進行標註

切勿透過檢視實物零件（或將其置於顯微鏡下）來判斷其合格與否。如果您在相機影象中看不到該缺陷，AI 就無法學習它。

AI 並非魔法。它只能基於相機所見進行工作。如果您根據觸控或在放大鏡下放大觀察到的問題將零件標記為"缺陷"，但相機影象看起來正常，那您就是在教 AI 識別根本不存在的東西。

如果您無法僅憑影象進行標註，請返回 Install 步驟修復物理設定：更換更好的鏡頭、改善光照、縮短安裝距離或調整角度。

準則 2：反覆檢查您的標籤

標註錯誤人人都會發生；即使是經驗豐富的工程師也難免出錯。但在小資料集中，一個錯誤標籤就可能摧毀您的結果。

如果只有 5 張訓練影象，一個錯誤標籤就會汙染 20% 的訓練資料。這是災難性的。

每次訓練前： 點選 View All ROIs 並核查每一個標註。這是最容易修復且影響最大的事情。

準則 3：從小做起，快速迭代

不要一次標註 50 張影象就開始訓練。相反，應建立一個緊密的迴圈：每個類別標註 3-5 張影象，在開發模式下訓練（約 30 秒），測試並嘗試找出問題，然後針對失敗的地方新增有針對性的資料。在開發模式下重複該迴圈 2-4 次，然後切換到生產模式。

這個迴圈是通向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。

分步訓練流程

1. 採集初始訓練影象

在配方啟用且零件正在流動（或手動放置）的情況下采集影象。起步階段，每個類別至少需要 3-5 張影象。

對於簡單的合格/不合格檢測：

• 3-5 張合格零件的影象
• 3-5 張缺陷零件的影象

2. 定義您的類別

在標註介面中，新增每種檢測型別所需的類別。對於分類器，可能是：

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

開始時保持簡單。您隨時可以稍後新增類別。

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 (Classifier)： 從下拉選單中選擇類別（例如 "pass" 或 "fail"）
• 分割器 (Segmenter)： 使用畫筆工具逐畫素塗抹缺陷區域

分類標註速度更快

如果您不確定該使用分類還是分割，請從分類入手。它的標註速度要快得多，並且適用於大多數合格/不合格場景。有關指導，請參閱 Classifier vs. Segmenter。

4. 在開發模式下訓練

點選 Train 並選擇 Development Mode。該過程約需 30 秒，產生的模型精度大約比生產模式低 20 倍，但足以檢查訓練訊號。

"檢查訊號"的含義： AI 是否開始學習合格與不合格之間的差異？還是完全搞錯了？

• 如果大部分正確 → 訊號良好，繼續推進
• 如果完全錯誤 → 有問題。檢查是否存在標註錯誤、ROI 尺寸以及影象質量

5. 使用實時預覽進行測試

點選**實時預覽模式（Live Preview Mode）**並讓零件透過。觀察結果：

• 它在處理簡單案例時是否正確？
• 它在哪裡遇到困難？
• 臨界案例是什麼？

嘗試讓它出錯。 找到它失敗的案例。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，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
• 如果它在邊角處的零件上失敗，則新增更多邊角示例

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度。

8. 切換到 Production Mode

當 Development Mode 執行得相當不錯時，切換到 Production Mode。這需要 5-10 分鐘，但產生的模型比 Development Mode 準確度大約高 20 倍。

如果 Development Mode 能正確處理 80% 的案例，那麼 Production Mode 很可能能正確處理 95% 以上。

Augmentations（資料增強）：教 AI 處理變化

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、調整對比度等。每張影象會以略微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變化，亮度增強會教 AI 處理這種情況。如果零件可以以任何角度到達，旋轉增強使方向變得無關緊要。

何時使用增強

增強	何時使用...	示例場景
亮度（Brightness）	照明變化（白天/夜晚、陰影）	工廠頂燈全天變化
旋轉（Rotation）	零件可以以任何角度到達	螺絲孔，方向無關緊要
運動模糊（Motion blur）	零件移動速度快或相機振動	高速輸送帶
飽和度（Saturation）	顏色不是您檢測的一部分	不同顏色的相同零件應同等透過
對比度（Contrast）	環境照明波動	透過窗戶的季節性光線變化

何時不使用增強

不要對您正在檢測的內容進行增強

這是一把雙刃劍。如果您新增了旋轉增強，但您正在檢測零件的方向是否正確，您將教 AI 認為倒置的零件仍然是"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

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。

資料多樣性至關重要

您的訓練資料應代表 AI 在生產環境中將看到的全部範圍：

• 一天中的不同時間（如果照明變化）
• 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
• 簡單和困難的案例都要有

專注於最困難的案例。 如果您的訓練資料包括 10 個最難分類的零件，那麼 90% 的簡單零件對 AI 來說將是輕而易舉的。

高學習能力

OV 相機的 AI 設計為隨著資料增加而持續改進。與許多在 20 張影象後就趨於平穩的 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 張影象下效果很好，但如果您遇到複雜的多缺陷問題，請放心繼續新增資料。

使用合成資料加速：Defect Studio

如果您需要針對一種很少見到的缺陷進行訓練，該怎麼辦？例如一顆需要您故意卸下的螺絲、一道需要您人為製造的劃痕、一條千件產品中才出現一次的裂紋？等待數月來收集足夠多的樣本並不切實際。

OV Auto-Defect Creator Studio（訪問 tools.overview.ai）可以解決這個問題。它能生成逼真的合成缺陷影象，速度比等待真實缺陷出現在生產線上快達 10,000 倍。

工作原理：5 個簡單步驟

1. 上傳一張零件的合格影象
2. 標記應出現缺陷的區域
3. 使用簡明英語描述該缺陷（例如："deep scratch across the surface" 或 "missing solder joint"）
4. 生成缺陷變體（AI 會建立逼真的結果）
5. 將合成影象直接匯出到您的訓練集中

合成資料為何有效

生成的影象並非簡單"貼上"的偽影，而是與您實際的光照、相機角度和零件表面相匹配的逼真變體。AI 理解在您特定成像條件下缺陷外觀的物理原理。

使用場景：

• 罕見缺陷： 針對您從未（或極少）見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建立檢測模型
• 邊緣案例： 生成臨界樣本以改進 AI 的決策邊界
• 資料增強： 用合成的多樣性補充小型資料集

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。真實資料奠定基線；合成資料填補空白。

訓練檢查清單

繼續之前，請確認：

• 已採集初始影象，每類至少 3-5 張
• 所有標籤均已複核（View All ROIs）
• 已在開發模式下訓練並使用 Live Preview 測試
• 已識別故障模式並新增針對性資料
• 已完成 2-4 輪 標註 → 訓練 → 測試 迭代
• 生產模式訓練完成；結果符合預期

模型已訓練好且表現良好？請進入 第 5 步：設定輸出。