跳到主要內容

AI 驅動文件

您想了解什麼？

新增資料與重新訓練

本教程將向您展示如何透過向現有配方新增新影象並重新訓練模型來提高 AI 模型的準確性。當您的模型錯誤地將良品判定為不合格，或在生產中遇到新變體時，此過程至關重要。

影片指南

檢視此主題的實際操作：OV Auto-Defect Creator Studio

您將學習到：

  • 如何查詢和選擇用於重新訓練的影象
  • 如何將影象新增到現有訓練集
  • 如何標記新的訓練資料
  • 如何使用新資料重新訓練您的模型

何時使用此功能： 當良品未透過檢測時，當您有新零件變體時，或當您需要透過額外示例提高模型準確性時。

先決條件​

  • 具有訓練過的 AI 模型的活動配方（分類或分割）
  • 訪問 OV80i 相機介面
  • 需要新增到訓練中的庫中的影象

步驟 1：查詢用於重新訓練的影象​

1.1 導航到庫​

  1. 開啟 OV80i 介面
  2. 在左側導航選單中點選 "庫"
  3. 您將看到來自相機的所有捕獲影象

1.2 過濾影象​

  1. 按配方過濾：選擇您想要改進的配方
  2. 按透過/失敗過濾：選擇 "FAIL" 以檢視失敗的影象，或選擇 "PASS" 以檢視透過的影象
  3. 排序依據：選擇日期或其他標準以組織結果
  4. 點選 "搜尋" 以顯示過濾後的結果

目標： 查詢被錯誤分類的影象 - 無論是未透過的良品還是透過的不良品。

步驟 2：將影象新增到訓練集​

2.1 選擇影象​

  1. 檢視每個影象 以識別錯誤分類的零件
  2. 選擇影象，顯示：
    • 被錯誤標記為失敗的良品
    • 被錯誤標記為透過的不良品
  3. 點選每個您想新增的影象上的覈取方塊
重要

新增被錯誤分類的影象 - 這包括未透過的良品和透過的不良品。兩者都有助於提高模型的準確性。

image.png

2.2 新增到訓練集​

  1. 選擇影象後，點選底部的 "新增到活動配方的訓練集"
  2. 成功訊息將確認影象已被新增
  3. 點選 "轉到配方編輯器" 以繼續

步驟 3：標記新的訓練資料​

3.1 導航到標記和訓練​

  1. 從配方編輯器，轉到：
    • 分類配方： "分類塊"
    • 分割配方： "標記和訓練"
  2. 點選 "檢視所有 ROI"

3.2 查詢未標記的影象​

  1. 使用 "按類別過濾" 下拉選單
  2. 選擇 "未標記" 以僅顯示未標記的影象
  3. 您將看到剛剛新增到訓練集的影象

image.png

3.3 標記所選影象​

  1. 選擇您新增的所有未標記影象
  2. 點選左下角的 "標記所選 ROI"
  3. 從下拉選單中選擇正確的標籤（例如，"透過"、"良好"等）
  4. 點選 "確定" 以應用標籤
重要

在不同的標記會話之間點選 "清除選擇" 以避免錯誤標記。

image.png

3.4 關閉 ROI 檢視​

  1. 關閉 "檢視所有 ROIs" 模態
  2. 返回主標籤和訓練頁面

第 4 步：重新訓練模型​

4.1 開始重新訓練​

  1. 點選 "訓練分類模型" 或 "訓練分割模型"
  2. 系統將使用所有現有資料以及您的新影象進行重新訓練
  3. 監控訓練進度

4.2 訓練過程​

  • 模型從舊資料和新標記資料中學習
  • 訓練時間取決於資料的總量
  • 等待訓練完成後再進行測試

4.3 測試改進後的模型​

  1. 使用 "實時預覽模式" 測試重新訓練的模型
  2. 使用之前錯誤失敗的相同影象進行測試
  3. 驗證模型現在正確識別良品為合格

第 5 步：驗證結果​

5.1 使用新影象進行測試​

  1. 捕獲相似部件的新影象
  2. 檢查模型在邊緣案例中的表現是否更好
  3. 驗證之前良好的影象現在是否正確透過

5.2 監控效能​

  1. 注意任何新的假陽性或假陰性
  2. 記錄準確度的改善
  3. 記錄任何剩餘問題以便未來重新訓練

成功！您的模型已重新訓練​

您改進的 AI 模型現在可以：

✅ 更好地識別 之前失敗的良品

✅ 處理新變體 的生產部件

✅ 減少假失敗 並提高準確性

✅ 適應變化 的生產過程

成功的關鍵提示​

資料質量​

  • 新增錯誤分類的影象（包括假透過和假失敗）
  • 一致標記 - 良品標記為 "透過"，不良品標記為 "失敗"
  • 包含多樣化的示例，涵蓋透過和失敗的情況
  • 在不同標記會話之間清除選擇

何時重新訓練​

  • 假失敗增加（良品失敗）
  • 假透過增加（不良品透過）
  • 生產中出現新部件變體
  • 過程變化 影響部件外觀
  • 材料或光照的季節性變化

最佳實踐​

  • 從小開始 - 每次新增 10-20 張影象
  • 在每次重新訓練後徹底測試
  • 記錄變化 和改進
  • 在重大重新訓練前保留 工作模型的備份
新增更多影象並不總是更好

在未稽覈的情況下新增大量影象可能會使您的模型變得更差。您新增的每張影象都會教會 AI 一些東西。如果這些影象包含錯誤標記的部件、不一致的光照、模糊的捕捉或不代表真實生產條件的邊緣案例，模型就會學習錯誤的模式，準確性下降。良好的資料輸入，良好的資料輸出。

在新增影象之前，驗證每張影象是否：正確標記（透過的確實顯示良品，失敗的確實顯示缺陷）、代表 真實生產條件、清晰且聚焦（不模糊或過曝），並且與模型需要學習的特徵相關。如果重新訓練後準確性下降，請首先檢查您最近新增的影象。刪除一些不良示例通常比新增數十個新示例更有效。

下一步​

在重新訓練模型後：

  1. 監控生產 以提高準確性
  2. 繼續收集 問題影象以便未來重新訓練
  3. 如有需要，設定定期重新訓練 的計劃
  4. 培訓操作員 何時標記影象以便重新訓練
  5. 記錄您的重新訓練 過程以保持一致性

🔗 參見​