如何训练高质量的模型
工业质检通常对漏检率和过检率都有严格的标准，因此缺陷分割模型的质量非常重要。本章将介绍最影响模型质量的几个因素，以及如何训练高质量缺陷分割模型。
确保标注质量
标注质量是影响模型效果的最大因素。实际项目中，因标注质量导致模型效果差的情况占比高达 90% 以上。因此，如果模型效果不佳，应优先排查标注质量问题。
标注质量应从一致性、完备性、精确性、确定性几个方面考虑：
-
一致性：确保缺陷标注方式的一致性，禁止出现同一类型缺陷使用不同方式标注的情况。
-
完备性：确保对所有符合缺陷评判标准的区域都进行了标注，禁止出现遗漏标注的情况。
-
精确性：确保标注区域贴合缺陷边缘，精细标注缺陷区域，禁止粗放使用大面积标注覆盖缺陷区域。
-
确定性：对于模棱两可的缺陷，当无法判定是否符合缺陷判定标准时，可以使用掩膜多边形工具遮盖缺陷区域。
| 图像中有多处缺陷时，如果无法判断是否符合缺陷判定标准，可以删除当前图像，避免影响模型训练效果。 |
设置合理的感兴趣区域（ROI）
设置 ROI 可以有效排除背景的干扰，ROI 边界应尽量贴近物体外轮廓。
| 同一 ROI 设定将应用于所有图片，因此需要保证所有图片中的物体都位于 ROI 内，尤其是物体位置/尺寸不固定的场景。 |
选取合适的训练集
-
训练集数量需可控 对于“缺陷分割”模块初次建模，建议选择 20~30 张图片作为训练集（根据缺陷类别和差异程度可适当调整数量）。数据并不是越多越好，前期大量无效的数据集不利于后期模型迭代，且会增加训练时间。
-
数据具有代表性 训练集一定要涵盖所有需要检测缺陷类型的 NG 图像，包含所有形态、背景、颜色、尺寸等信息。 OK 图像的特征差异较小时，可以选择少量的 OK 图。
-
数据占比均衡 训练集中各种缺陷图像数量比例需均衡，禁止一种缺陷图像有 20 张，另一种缺陷图像仅有 5 张的情况。
-
数据与终端场景保持一致 图像要与最终模型使用的终端场景保持一致，包括光照条件、工件特征、检测背景、视野大小等。