訓練分類器

本指南介紹如何在 OV20i 攝像系統上配置並訓練分類模型。當您需要基於視覺特徵自動將物件分類到不同類別時，請使用本流程。

影片指南

請觀看本主題的演示：OV Auto-Defect Creator Studio

何時使用分類： 根據型別、尺寸、顏色或狀態對零件進行分類；識別不同的產品變體；具有多種可接受類別的質量控制。

先決條件

• 已配置成像設定的活動配方
• 模板影象和對齊已完成（或跳過）
• 已定義檢測 ROI
• 代表要檢測的每個類別的樣本物件

第 1 步：訪問 Classification Block

1.1 導航至 Classification Block（分類區塊）

1. 點選麵包屑導航中的 Classification Block（分類區塊），或
2. 在導航欄的下拉選單中選擇

1.2 驗證前提條件

確保以下區塊顯示為綠色狀態：

• ✅ 成像設定
• ✅ 模板與對齊（或跳過）
• ✅ 檢測設定

第 2 步：建立 Classification 類

2.1 定義您的類別

1. 在“Inspection Types”下點選 Edit
2. 為要檢測的每個類別新增類別

2.2 配置每個類別

對於每個類別：

1. 輸入類別名稱： 使用描述性名稱（例如 “Small”、“Medium”、“Large”）
2. 選擇類別顏色： 選取用於視覺識別的不同顏色
3. 新增描述： 關於該類別的可選詳細資訊
4. 點選 Save

2.3 分類命名最佳實踐

良好名稱	不佳名稱
Small_Bolt, Medium_Bolt, Large_Bolt	Type1, Type2, Type3
Red_Cap, Blue_Cap, Green_Cap	Color1, Color2, Color3
Good_Part, Defective_Part	Pass, Fail
Screw_PhillipsHead, Screw_Flathead	A, B

第 3 步：捕獲訓練影象

3.1 影象捕獲流程

對於每個類別，至少捕獲 5 張影象（推薦 10 張以上）：

1. 放置物件 代表該類別在檢查區域內
2. 核實物件在 ROI 邊界內
3. 點選 Capture 以拍攝訓練影象
4. 從下拉選單中選擇適當的類別
5. 點選 Save 以儲存帶標籤的影象
6. 對同一類別的不同示例重複上述步驟

3.2 訓練資料要求

類別	最小影象數	推薦影象數	備註
每個類別	5	10-15	影象越多，準確性越高
總資料集	15 張以上	30-50 張以上	在所有類別之間保持平衡
邊緣情況	每個類別 2-3 張	每個類別 5 張以上	邊界示例

3.3 訓練影象最佳實踐

應：

• 在每個類別內使用不同的示例
• 改變物件的方向和位置
• 包含良好的照明條件
• 捕獲邊緣情況和邊界示例
• 保持一致的 ROI 取景

不應：

• 重複使用相同物件
• 在一個 ROI 中包含多個物件
• 在單影象中混合不同類別
• 使用模糊或光線不足的影象
• 拍攝之間更改 ROI 大小

3.4 質量控制

After capturing each image:

1. 在預覽中檢查影象質量
2. 驗證是否分配了正確的類別標籤
3. 使用 Delete 按鈕刪除質量較差的影象
4. 如有需要，重新拍攝

第 4 步：配置訓練引數

4.1 進入訓練設定

1. 點選 Train Classification Model 按鈕

4.2 選擇訓練模式

根據需要進行選擇：

訓練模式	時長	精度	應用場景
快速	2-5 分鐘	適合測試	初始模型驗證
平衡	5-15 分鐘	可用於生產	大多數應用場景
高精度	15-30 分鐘	最高精度	關鍵應用

4.3 設定迭代次數

手動迭代設定：

• 低 (50-100): 快速測試，基本精度
• 中 (200-500): 生產就緒質量
• 高 (500+): 最高精度，訓練速度較慢

4.4 高階設定（可選）

Batch Size:

• 較小批次： 訓練更穩定，速度較慢
• 較大批次： 訓練更快，可能不太穩定

Learning Rate:

• 較低數值： 更穩定，學習更慢
• 較高數值： 學習更快，易產生不穩定

建議： 除非有特定效能需求，否則使用預設設定。

第 5 步：開始訓練過程

5.1 初始化訓練

1. 檢查訓練配置
2. 點選 Start Training
3. 在訓練模態框中監控進度

5.2 訓練進度指標

監控以下指標：

• 當前迭代： 訓練迴圈的進度
• 訓練精度： 模型在訓練資料上的表現
• 預計時間： 剩餘訓練時長
• 損失值： 模型誤差（應隨時間下降）

5.3 訓練控制

訓練過程中可用的操作：

• 中止訓練： 立即停止訓練
• 提前完成： 在當前精度足夠時停止
• 擴充套件訓練： 如有需要，新增更多迭代

5.4 訓練完成

訓練在以下情況自動停止：

• 達到目標精度（通常 ≥95%）
• 達到最大迭代次數
• 使用者手動停止訓練

第 6 步：評估模型效能

6.1 評審訓練結果

檢查最終指標：

• 最終精度： 生產使用應大於 85%
• 訓練時間： 記錄持續時間以備將來參考
• 收斂性： 驗證精度是否穩定

6.2 模型質量指標

精度範圍	質量等級	建議
95%+	優秀	可用於生產
85-94%	良好	適用於大多數應用
75-84%	一般	考慮增加訓練資料
<75%	較差	使用更多/更高質量的影象重新訓練

6.3 診斷模型效能不佳

問題	可能原因	解決方法
低精度 (<75%)	訓練資料不足	增加帶標籤的影象數量
訓練沒有改善	影象質量差	改善照明/對焦
類別混淆	外觀相似的物件	增加更多具有辨識性的示例
過擬合	每個類別的影象過少	在類別間平衡資料集

第 7 步：分類效能測試

7.1 實時測試

1. 點選 Live Preview 以訪問實時測試
2. 將測試物件放置在檢測區域
3. 觀察分類結果：
   • 預測的類別名稱
   • 置信度百分比
   • 處理時間

7.2 驗證測試

系統化驗證過程：

測試物件	預期類別	實際結果	置信度	透過/失敗
已知類別 A 物件	A 類	_____	____%	☐
已知類別 B 物件	B 類	_____	____%	☐
邊界樣本	A 類或 B 類	_____	____%	☐
未知物件	低置信度	_____	____%	☐

7.3 效能驗證

驗證以下方面：

• 準確性： 針對已知物件的正確分類
• 置信度： 對清晰樣本具高置信度 (>80%)
• 一致性： 對同一物件的結果可重複
• 速度： 滿足您應用的可接受處理時間

第 8 步：模型最佳化

8.1 效能不佳時

迭代改進過程：

1. 識別問題區域：
   • 哪些類別容易混淆？
   • 哪些物件被錯誤分類？
   • 置信度水平是否合適？
2. 新增定向訓練資料：
   • 更多混淆類別的樣本
   • 邊界案例和邊界樣本
   • 不同光照/定位條件
3. 重新訓練模型：
   • 使用 "Accurate" 模式以獲得更好效能
   • 提高迭代次數
   • 監控準確性的提升

8.2 高階最佳化

適用於關鍵應用：

• 資料增強： 採用不同光照和位置
• 遷移學習： 從相似訓練模型開始
• 整合方法： 組合多個模型
• 定期重新訓練： 使用新的生產資料進行更新

第 9 步：完成配置

9.1 儲存模型

1. 驗證滿意的效能
2. 模型在訓練完成時會自動儲存
3. 記錄模型版本以供文件使用

9.2 文件

記錄以下細節：

• 訓練日期和版本
• 每個類別的影象數量
• 使用的訓練模式和迭代次數
• 達成的最終準確度
• 任何特殊注意事項

9.3 備份配置

1. 匯出配方 以備份
2. 如有需要，單獨儲存訓練影象
3. 記錄模型引數

成功！您的分類器已就緒

您的訓練分類模型現在可以：

• 自動將物件分類到定義的類別
• 為每個預測提供置信度分數
• 實時處理影象以用於生產使用
• 與 I/O 邏輯 整合以實現自動化決策

進行中的維護

定期模型更新

• 隨時間監控效能
• 按需新增新的訓練資料
• 定期重新訓練以維持準確性
• 為新產品變體更新類別

效能監控

• 跟蹤生產中的準確性指標
• 識別模型效能的漂移
• 根據效能下降情況安排重新訓練

下一步

在訓練完分類器後：

1. 配置 I/O 邏輯 以進行透過/不透過 決策
2. 在 IO Block 中設定生產工作流
3. 對完整檢測系統進行端到端測試
4. 部署到生產環境

常見陷阱

Pitfall	Impact	Prevention
訓練資料不足	準確性較差	每個類別至少 10 張影象
類別失衡	預測偏差	各類別影象數量相等
影象質量差	結果不一致	最佳化照明和對焦
類別過於相似	分類混淆	選擇明確的類別定義
無驗證測試	生產失敗	始終對未見物件進行測試