训练非监督分割模型
非监督分割模型可通过学习无缺陷物体的特征识别缺陷物体。只需使用合格数据（OK 图像）训练模型，即可判断物体是否合格，并能定位不合格数据（NG 图像）的大致缺陷位置，常用于物体缺陷形状、位置、大小不确定的质检场景。本文以充电口为例，介绍如何训练一个可以判断充电口是否有缺陷、并能定位缺陷位置的非监督分割模型。
训练非监督分割模型的流程如下：
准备工作
开始训练前，请确保已按照采集规范采集并筛选出用于训练的图像数据。本例中需要准备不含缺陷的充电口图像（OK 图像）和有缺陷的充电口图像（NG 图像）。
| NG 图像数量无强制要求，但建议加入适量的 NG 图像，有利于提升模型效果。 |
导入并标注图像
-
导入图像数据：在图像列表上方选择 ，导入无缺陷的图像；
-
截取 ROI：
-
在标注工具栏，单击 ROI 工具
，框选目标图像区域。框选 ROI 应去除部分无意义背景，覆盖待识别物体会出现的区域，且保留一定冗余。 -
单击 ROI 边框右下角的
应用当前 ROI。同一 ROI 设定将应用于所有图片，检查充电口是否始终在 ROI 范围内，如果有充电口超出 ROI 范围，则应重新调整 ROI。
-
-
标注图像：
-
在标注工具栏，单击 OK 标签工具
将无缺陷的图像标注为 OK。 -
以同样方式导入有缺陷的图像，单击 NG 标签工具
将其标注为 NG。NG 图像会放到验证集，用于在训练过程中验证模型效果。导入 NG 数据后，需再次检查导入图像中的充电口是否始终在 ROI 范围内。
-
验证和导出模型
模型训练完成后，进入验证页面，点击验证按钮，Mech-DLK 会使用当前图像数据对模型进行验证。
验证结束后，可通过热力图查看大致的缺陷位置，检查验证结果无误，此时一个用于检测充电口缺陷的非监督分割模型就训练完成了。
点击右下角的导出按钮，选择模型存放路径后导出该模型。导出的模型可在 Mech-Vision 与 Mech-DLK SDK 中使用，单击此处 查看详细说明。