跳到主要内容

训练分类器

本指南演示如何在 OV20i 摄像头系统上配置和训练分类模型。当您需要基于视觉特征自动将对象分类到不同类别时，请使用此流程。

何时使用分类： 按类型、尺寸、颜色或状态对零件进行分类；识别不同产品变体；具有多个可接受类别的质量控制。

先决条件​

  • 已激活并配置成像设置的配方
  • 模板图像和对齐已完成（或跳过）
  • 已定义检测 ROI
  • 代表每个待检测类别的样本对象

步骤 1：访问分类块​

1.1 导航到分类​

  1. 点击面包屑菜单中的“Classification Block”，或
  2. 从导航栏下拉菜单中选择

New Classification Block

1.2 验证先决条件​

确保以下模块显示为绿色状态：

  • ✅ 成像设置
  • ✅ 模板和对齐（或跳过）
  • ✅ 检测设置

Configure Image Save settings Template and Alignment

步骤 2：创建分类类别​

2.1 定义类别​

  1. 点击“Inspection Types”下的Edit
  2. 为每个要检测的类别添加分类

2.2 配置每个类别​

针对每个类别：

  1. 输入类别名称： 使用描述性名称（例如，“Small”，“Medium”，“Large”）
  2. 选择类别颜色： 选择不同颜色以便视觉识别
  3. 添加描述： 可选，填写类别详细信息
  4. 点击Save

Imaging Setup

2.3 类别命名最佳实践​

良好名称不佳名称
Small_Bolt, Medium_Bolt, Large_BoltType1, Type2, Type3
Red_Cap, Blue_Cap, Green_CapColor1, Color2, Color3
Good_Part, Defective_PartPass, Fail
Screw_PhillipsHead, Screw_FlatheadA, B

步骤 3：采集训练图像​

3.1 图像采集流程​

每个类别至少采集 5 张图像（推荐 10 张以上）：

  1. 将代表该类别的对象放置在检测区域
  2. 确认对象位于 ROI 边界内
  3. 点击Capture采集训练图像
  4. 从下拉菜单选择对应类别
  5. 点击Save保存带标签的图像
  6. 对同类别的不同样本重复操作

Labeling Images

3.2 训练数据要求​

类别最少图像数推荐图像数备注
每个类别510-15图像越多，准确度越高
总数据集15+30-50+各类别均衡分布
边缘案例每类 2-3每类 5+边界样本

3.3 训练图像最佳实践​

建议：

  • 使用同类别的不同样本
  • 变换对象的方向和位置
  • 保持良好照明条件
  • 包含边缘和临界样本
  • 保持 ROI 取景一致

避免：

  • 重复使用完全相同的对象
  • 在一个 ROI 中包含多个对象
  • 混合不同类别的对象于同一图像
  • 使用模糊或光线不足的图像
  • 采集过程中更改 ROI 大小

3.4 质量控制​

每次采集后：

  1. 在预览中检查图像质量
  2. 确认类别标签正确
  3. 使用Delete按钮删除质量差的图像
  4. 必要时重新采集

步骤 4：配置训练参数​

4.1 访问训练设置​

  1. 点击Train Classification Model按钮

4.2 选择训练模式​

根据需求选择：

训练模式时长准确度适用场景
Fast2-5 分钟适合测试初步模型验证
Balanced5-15 分钟生产就绪大多数应用
Accurate15-30 分钟最高精度关键应用

Training Mode Selection

4.3 设置迭代次数​

手动设置迭代数：

  • 低 (50-100)： 快速测试，基础准确度
  • 中 (200-500)： 生产质量
  • 高 (500+)： 最高准确度，训练较慢

4.4 高级设置（可选）​

批量大小：

  • 较小批量： 训练更稳定，但较慢
  • 较大批量： 训练更快，可能不够稳定

学习率：

  • 较低值： 更稳定，学习较慢
  • 较高值： 学习更快，但有不稳定风险

建议： 除非有特定性能需求，否则使用默认设置。

Advanced Settings

步骤 5：开始训练过程​

5.1 初始化训练​

  1. 检查训练配置
  2. 点击Start Training
  3. 在训练弹窗中监控进度

5.2 训练进度指示​

监控以下指标：

  • 当前迭代次数： 训练周期进度
  • 训练准确率： 模型在训练数据上的表现
  • 预计时间： 剩余训练时间
  • 损失值： 模型误差（应随时间减少）

Training Progress

5.3 训练控制​

训练期间可用操作：

  • Abort Training（中止训练）： 立即停止训练
  • Finish Early（提前结束）： 当前准确度达到要求时停止
  • Extend Training（延长训练）： 如有需要增加迭代次数

5.4 训练完成​

训练自动停止条件：

  • 达到目标准确率（通常为 95% 以上）
  • 达到最大迭代次数
  • 用户手动停止训练

步骤 6：评估模型性能​

6.1 审查训练结果​

检查最终指标：

  • 最终准确率： 生产使用应大于 85%
  • 训练时间： 记录以备参考
  • 收敛情况： 确认准确率稳定

6.2 模型质量指标​

准确率范围质量等级建议
95%+优秀准备投入生产
85-94%良好适合大多数应用
75-84%一般考虑增加训练数据
<75%较差需用更多/更好图像重新训练

6.3 低性能故障排除​

问题可能原因解决方案
准确率低 (<75%)训练数据不足添加更多带标签图像
训练无提升图像质量差改善照明和对焦
类别混淆对象外观相似添加更多区分样本
过拟合每类图像过少平衡各类别数据集

步骤 7：测试分类性能​

7.1 实时测试​

  1. 点击Live Preview进入实时测试
  2. 将测试对象放入检测区域
  3. 观察分类结果：
    • 预测类别名称
    • 置信度百分比
    • 处理时间

7.2 验证测试​

系统化验证流程：

测试对象预期类别实际结果置信度通过/失败
已知类别 A 对象类别 A_________%☐
已知类别 B 对象类别 B_________%☐
边界样本类别 A 或 B_________%☐
未知对象低置信度_________%☐

7.3 性能验证​

确认以下方面：

  • 准确率： 已知对象分类正确
  • 置信度： 明确样本置信度高（>80%）
  • 一致性： 同一对象结果可重复
  • 速度： 处理时间符合应用需求

步骤 8：模型优化​

8.1 性能不佳时​

迭代改进流程：

  1. 识别问题区域：
    • 哪些类别混淆？
    • 哪些对象被误分类？
    • 置信度是否合理？
  2. 添加针对性训练数据：
    • 更多混淆类别样本
    • 边缘和临界样本
    • 不同光照和位置条件
  3. 重新训练模型：
    • 使用“Accurate”模式提升性能
    • 增加迭代次数
    • 监控准确率提升

8.2 高级优化​

针对关键应用：

  • 数据增强： 使用多样光照和位置
  • 迁移学习： 以相似训练模型为起点
  • 集成方法： 组合多个模型
  • 定期重训： 使用新生产数据更新模型

步骤 9：完成配置​

9.1 保存模型​

  1. 确认性能满意
  2. 训练完成后模型自动保存
  3. 记录模型版本以备文档

9.2 文档记录​

记录以下信息：

  • 训练日期和版本
  • 每类图像数量
  • 训练模式和迭代次数
  • 最终准确率
  • 任何特殊说明

9.3 备份配置​

  1. 导出配方备份
  2. 如需，单独保存训练图像
  3. 记录模型参数

成功！您的分类器已准备就绪​

训练好的分类模型现在可以：

  • 自动将对象分类到定义类别
  • 为每个预测提供置信度分数
  • 实时处理图像，适合生产使用
  • 与 I/O 逻辑集成，实现自动决策

持续维护​

定期模型更新​

  • 监控性能变化
  • 根据需要添加新训练数据
  • 定期重新训练以保持准确度
  • 更新类别以适应新产品变体

性能监控​

  • 跟踪生产中的准确率指标
  • 识别模型性能漂移
  • 根据性能下降安排重训

后续步骤​

训练完成后：

  1. 配置 I/O 逻辑以实现合格/不合格判定
  2. 在 IO Block 中设置生产流程
  3. 端到端测试完整检测系统
  4. 部署至生产环境

常见陷阱​

陷阱影响预防措施
训练数据不足准确率低每类使用 10+ 张图像
类别不平衡预测偏差各类别图像数量均衡
图像质量差结果不稳定优化照明和对焦
类别定义过于相似分类混淆选择明显不同的类别定义
无验证测试生产失败始终使用未见对象进行测试