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）已設定好。現在是時候教 AI 識別什麼是"好"和什麼是"壞"了。

訓練的三條基本規則​

在做任何事之前，請牢記這三條規則。無論您是訓練分類器還是分割器，無論使用 5 張影象還是 500 張影象，這些規則都適用。

規則 1：僅根據影象進行標註​

絕不要透過檢視實際零件（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 不是魔法。它只能基於相機所見的內容進行工作。如果您因為觸控或用放大鏡放大後發現了某些問題而將零件標記為"有缺陷"，但相機影象看起來正常，那麼您就是在教 AI 識別根本不存在的東西。

如果您僅憑影象無法標註，請返回到安裝步驟並修復物理設定：更好的鏡頭、更好的照明、更近的安裝距離或不同的角度。

規則 2：反覆檢查您的標籤​

錯誤標註每個人都會發生；經驗豐富的工程師也會犯這種錯誤。但在小資料集中，一個錯誤的標籤可能會毀掉您的結果。

在 5 張訓練影象中，一個錯誤標註會汙染**20%**的訓練資料。這是災難性的。

每次訓練執行之前：點選檢視所有 ROI並驗證每一個標註。這是最容易修復且影響最大的事情。

規則 3：從小處開始，快速迭代​

不要標註 50 張影象後才開始訓練。相反，建立一個緊密的迴圈：每個類別標註 10-15 張影象，訓練（大約 30 秒），測試並嘗試破壞它，然後在失敗的地方新增針對性的資料。重複這個迴圈 2-4 次。

這個迴圈是通向優秀模型的最快路徑。

分步訓練工作流程​

1. 捕獲初始訓練影象​

在程式處於活動狀態且零件流動（或手動放置）的情況下，捕獲影象。您需要每個類別至少10-15 張影象才能開始。

對於簡單的透過/失敗檢測：

  • 10-15 張良品影象
  • 10-15 張缺陷品影象

2. 定義您的類別​

選擇您要訓練的模型型別，然後閱讀相應的說明。下面的切換按鈕在第 2 步和第 3 步之間保持同步，您的選擇會保留在 URL 中，因此重新整理或分享後仍然有效。

在標註介面中，新增每種檢測型別所需的類別。常見的分類器類別集：

  • 透過 / 失敗
  • 存在 / 缺失
  • 良好 / 劃傷 / 破裂

一開始保持簡單。您隨後隨時可以新增類別。

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 — 選擇能夠描述該影象中該 ROI 的類別（例如 "pass" 或 "fail"）。

分類標註更快

如果您不確定是使用分類還是分割，請從分類開始。它標註速度更快，並且適用於大多數 pass/fail 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 mode — 大約 30 秒到 1 分鐘。最適合在設定過程中快速迭代、檢查標籤合理性，以及處理簡單/區分度高的部件。準確度低於生產模式，但可以讓您快速看到訊號。
  • Production mode — 耗時較長，但生成的模型準確度明顯更高。在部署到產線之前，請始終使用 Production 模式。對於複雜的部件、難以區分的缺陷，或任何您要在生產中信賴的內容，Production 模式才是正確的選擇。

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，結果看起來不錯時執行 Production 模式 — 然後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 並執行零件。觀察結果：

  • 它對簡單案例的判斷是否正確？
  • 它在哪些地方表現欠佳？
  • 哪些是臨界案例？

嘗試讓它失敗。 找出它判斷失敗的案例。這些失敗案例是您改進的路線圖。

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 的預測 類別 和 置信度分數。執行幾次捕獲，並查詢低置信度判定（通常低於 70%）——這些是您的臨界案例，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，則新增更多這兩類的示例
  • 如果它遺漏小缺陷，則新增更多小缺陷的影象
  • 如果它對角落裡的零件判斷失敗，則新增更多角落示例

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性。如需更深入的演練——包括如何在不丟失先前訓練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 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。每張影象都會以略有不同的資料增強方式被送入 AI 數百次，但標籤保持不變。這就是讓模型在無需捕獲每種可能變化示例的情況下，仍能適應真實世界條件的方法。

預設應開啟的項​

少量的 亮度 變化幾乎總是值得開啟的——即使是最嚴格控制的工廠也會有頂燈閃爍、班次間陰影變化以及 LED 隨時間出現的輕微漂移。亮度資料增強基本上可以零成本地讓模型應對所有這些情況。

旋轉：實用，但要注意您的 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、手工放置的零件、任何未固定在夾具中的物品），旋轉資料增強非常有用。但它與 ROI 形狀相互影響：

  • 方形 ROI： 旋轉資料增強可以正常工作——旋轉後的影象仍能裝入 ROI 框內。
  • 分類器上的非方形 ROI： 旋轉可能會裁剪影象。當一個高而窄的 ROI 被旋轉 45° 時，旋轉後內容的角會落在框外，模型會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，但分割對此不太敏感，因為它是從畫素掩膜而非整個 ROI 形狀中學習的。

何時不應使用特定的資料增強​

通用規則：不要對你正在檢測的屬性進行增強。 如果你想要檢測方向，旋轉增強會讓模型認為顛倒的零件也是"良好"的。

  • 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（並且可能也不應使用對齊器）。

資料多樣性很重要​

你的訓練資料應代表AI在生產中將看到的全部範圍：

  • 一天中的不同時段（如果光照有變化）
  • 不同批次的零件（表面處理可能略有不同）
  • 零件在畫面中處於不同位置
  • 容易和困難的案例都要包含

重點關注最困難的案例。 如果你的訓練資料包含了最難分類的10個零件，那麼剩下90%的簡單零件對AI來說將輕而易舉。

高學習能力​

OV相機的AI設計為可隨著資料增加而不斷提升。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張、100張甚至500張以上影象下仍能持續改進。大多數檢測在5-10張影象下就能執行良好，但如果你面對的是複雜的多缺陷問題，請不要猶豫繼續新增資料。

使用合成資料加速：Defect Studio​

如果你需要為一種很少見到的缺陷進行訓練怎麼辦？比如你必須故意拆掉的缺失螺絲、必須人為製造的劃痕、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並不現實。

OV Auto-Defect Creator Studio 位於 tools.overview.ai，正是為解決此問題而生。它能夠生成照片級真實感的合成缺陷影象，比等待真實缺陷出現在生產線上快多達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. 描述 缺陷（使用簡單英語，例如"表面有一道深劃痕"或"焊點缺失"）
  4. 生成 缺陷的多種變化（AI生成照片級真實感的結果）
  5. 匯出 合成影象，直接加入到訓練集中

為什麼合成資料有效​

生成的影象不僅僅是"貼上去"的偽影。它們是照片級真實感的變化，匹配你的實際光照、相機角度和零件表面。AI理解在你特定成像條件下缺陷外觀的物理特性。

使用場景：

  • 罕見缺陷： 針對從未（或很少）見過的失效模式進行訓練
  • 新產品上市： 在第一件不良品下線之前就構建好檢測方案
  • 邊界案例： 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：先用最初的3-5張真實影象進行訓練，識別AI表現不佳的地方，然後使用 Defect Studio 針對那些特定的失效模式生成有針對性的合成樣本。真實資料建立基線；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）
  • 已透過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 輪標籤 → 訓練 → 測試的迭代
  • 結果符合預期

模型訓練完成且效果良好？請進入 第 5 步：設定輸出。