訓練分類器

本指南介紹如何在 OV80i 相機系統上配置並訓練分類模型。當需要基於視覺特徵將物件自動歸類到不同類別時，請使用此流程。

影片指南

請檢視本主題的實際演示：OV Auto-Defect Creator Studio

何時使用 Classification： 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；在具有多種可接受類別的質量控制場景中使用。

先決條件

• 已啟用的配方，且已配置成像設定
• 模板影象和對齊已完成（或跳過）
• 已定義檢測 ROI（ROI/ROIs）
• 代表要檢測的每個類別的樣本物件

步驟 1：訪問 Classification Block

1.1 導航到 Classification

1. 在麵包屑選單中單擊“Classification Block”，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）
• ✅ 檢查/檢測設定

步驟 2：建立 Classification Classes

2.1 定義你的類別

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

2.2 為每個類別配置

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： 為可視識別選擇不同顏色
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

好名稱	不良名稱
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

步驟 3：捕獲訓練影象

3.1 影象捕獲過程

對於每個類別，至少捕獲 5 張影象（推薦 10 張以上）：

1. 將代表該類別的物件放置在檢測區域
2. 驗證物件位於 ROI（感興趣區域）邊界內
3. 單擊“Capture”以拍攝訓練影象
4. 從下拉選單中選擇相應的類別
5. 單擊“儲存”以儲存已標註的影象
6. 對同一類別的不同樣本重複上述操作

3.2 訓練資料要求

類別	最少影象	推薦影象	備註
每個類別	5	10-15	影象越多，準確性越高
總資料集	15+	30-50+	在所有類別之間保持均衡
邊緣情況	2-3 張/類別	5+ 張/類別	邊界示例

3.3 訓練影象最佳實踐

可以：

• 在每個類別內使用不同的樣例
• 改變物件的朝向和位置
• 覆蓋良好照明條件
• 捕獲邊緣情況和邊界示例
• 保持一致的 ROI 構圖

不要：

• 重複使用完全相同的物件
• 在一個 ROI 內包含多個物件
• 在同一張影象中混合不同類別
• 使用模糊或光照不足的影象
• 捕獲之間改變 ROI 大小

3.4 質量控制

在捕獲每張影象後：

1. 在預覽中檢查影象質量
2. 驗證正確的類別標籤分配
3. 使用 Delete 按鈕刪除質量差的影象
4. 如有必要，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

請根據您的需要進行選擇：

訓練模式	時長	精度	使用場景
快速	2-5 分鐘	適合測試	初始模型驗證
均衡	5-15 分鐘	生產就緒	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，基本準確度
• 中 (200-500)： 生產質量
• 高 (500+)： 最高精度，訓練較慢

4.4 高階設定（可選）

Batch Size：

• 較小批次： 訓練更穩定，較慢
• 較大批次： 訓練更快，可能不太穩定

Learning Rate：

• 較小數值： 更穩定，學習更慢
• 較大數值： 學習更快，存在不穩定風險

建議： 除非您有特定效能要求，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. 檢視訓練配置
2. 點選 Start Training 按鈕
3. 在訓練模態對話方塊中監控進度

5.2 訓練進度指示器

監控以下指標：

• 當前迭代： 訓練迴圈的進度
• 訓練準確度： 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

訓練期間可用的操作：

• 中止訓練： 立即停止訓練
• 提前結束： 噹噹前準確度達到要求時停止
• 增加訓練： 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（通常為 95% 及以上）
• 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 檢視訓練結果

檢查最終指標：

• 最終準確度： 生產用途應大於 >85%
• 訓練時間： 記錄持續時間以備將來參考
• 收斂性： 驗證準確度是否已穩定

6.2 模型質量指標

準確率區間	質量等級	建議
95%+	極好	可投入生產
85-94%	良好	適用於大多數應用
75-84%	一般	考慮增加更多訓練資料
<75%	較差	使用更多/更優質的影象重新訓練

6.3 處理效能不佳的故障排除

問題	可能原因	解決方法
低準確率（<75%）	訓練資料不足	增加更多帶標籤的影象
訓練沒有改善	影象質量差	提升光照/對焦
類別混淆	外觀相似的物件	增加更具辨識性的示例
過擬合	每個類別的影象數量太少	平衡各類別的資料集

第 7 步：測試分類效能

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

系統化的驗證流程：

測試物件	期望類別	實際結果	置信度	透過/失敗
已知類別 A 的物件	類別 A	_____	____%	☐
已知類別 B 的物件	類別 B	_____	____%	☐
邊界樣本	類別 A 或 B	_____	____%	☐
未知物件	低置信度	_____	____%	☐

7.3 效能驗證

驗證要點：

• Accuracy（準確度）：對已知物件進行正確分類
• Confidence（置信度）：對清晰示例具有較高置信度 (>80%)
• Consistency（一致性）：對同一物件結果可重複
• Speed（速度）：應用中可接受的處理時間

第 8 步：模型最佳化

8.1 如果效能不理想

迭代改進過程：

1. 識別問題區域：
   • 哪些類別易混淆？
   • 哪些物件被錯誤分類？
   • 置信水平是否合適？
2. 新增有針對性的訓練資料：
   • 更多易混淆類別的示例
   • 邊緣情況和邊界示例
   • 不同照明/定位條件
3. 重新訓練模型：
   • 使用 "Accurate" 模式以獲得更好效能
   • 增加迭代次數
   • 監控準確度的提升

8.2 高階最佳化

適用於關鍵應用：

• Data augmentation（資料增強）：使用多樣化的照明和位置
• Transfer learning（遷移學習）：從相似訓練的模型開始
• Ensemble methods（整合方法）：組合多個模型
• Regular retraining（定期重新訓練）：使用新生產資料進行更新

第 9 步：最終配置

9.1 儲存模型

1. 驗證滿意的效能
2. 訓練完成時模型會自動儲存
3. 記錄模型版本以便文件

9.2 文件記錄

記錄以下細節：

• 訓練日期及版本
• 每個類別的圖片數量
• 使用的訓練模式和迭代次數
• 最終達到的準確度
• 任何特別注意事項

9.3 備份配置

1. 匯出 recipe 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

您經過訓練的分類模型現在可以：

• 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
• 實時處理生產用影象
• 與 I/O 邏輯 整合以實現自動化決策

持續維護

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
• 更新類別以適應新的產品變體

效能監控

• 在生產中跟蹤準確性指標
• 識別模型效能漂移
• 基於效能下降安排重新訓練

下一步

在對分類器完成訓練後：

1. 配置 I/O 邏輯以進行合格/不合格決策
2. 在 IO Block 中設定生產工作流
3. 對完整的檢測系統進行端到端測試
4. 部署到生產環境

常見陷阱

陷阱	影響	預防措施
訓練資料不足	準確性較低	每個類別使用 10 張以上影象
類別不平衡	預測偏差	各類別影象數量相等
影象質量差	結果不一致	最佳化照明與對焦
類別過於相似	分類結果混淆	選擇明顯且彼此區分的類別定義
缺少驗證測試	生產失敗	始終對未見物件進行測試