AI分类（多类别）工具
功能介绍
“AI分类（多类别）工具”是一款基于深度学习的可视化分类工具，支持最多 8 种不同类别的自定义训练。用户通过完成向导式配置流程，即可快速实现从图像采集到模型推理的全流程。该工具通常应用于单一品类工件的多规格混流识别、外观缺陷分级等场景。
-
采集图像：采集用于训练的图像数据。建议覆盖实际生产环境中的典型情况，确保图像质量和多样性，以提升模型的判定准确率。
-
设置目标区域：在采集到的图像上设置目标区域（ROI），准确框选，为后续标注和训练做好准备。
-
标注图像：为每个目标区域分配对应类别标签，支持最多定义 8 个类别。建议为每个类别标注多样化的图像，确保训练内容特征全面。
-
模型训练与验证：使用标注的图像进行模型训练。训练完成后，验证模型效果，观察判定结果是否符合预期。若分类结果不准确，可追加图像并重新训练，直至模型效果满足实际需求。
使用流程
进入工具后，在左侧模型列表中单击右上角的新建，创建并进入新的模型配置流程。
采集图像
采集用于训练模型的图像数据。
-
确认当前步骤的输入端口已接入图像数据。
-
进入工具时，相机将自动采集一张图像数据用于模型训练，你可单击采集图像按钮，采集新的图像数据训练模型。
|
采集图像时，建议覆盖生产现场的典型变化，包括：
多样化的图像有助于模型适应实际环境，提升判定准确率。 |
设置目标区域
采集图像后，需要设置目标区域（ROI）以便后续标注和训练。
|
当"2D对齐参数组"端口存在输入时，ROI 将随目标位姿同步变换。此处设置的 ROI 为基准位置，实际识别时将根据对齐参数动态偏移。 |
-
单击编辑按钮，进入目标区域设置界面。
-
设置目标区域。提供两种方式：
设置方式 说明 全部为目标区域
ROI 自动覆盖整张图像。适用于目标物体占满图像的场景。如需排除部分区域，可在下一步设置屏蔽区。
自定义目标区域
选择“矩形”或“圆形”框选工具，在可视化区域拖拽绘制 ROI。此处仅支持设置单个 ROI，请根据目标物体的实际位置和形状，准确框选目标区域，避免包含无关背景。
框选目标区域时可以仅框选包含关键特征的区域。
-
设置屏蔽区域（可选）。
当目标区域内存在反光、阴影或固定背景等无关干扰时，可通过设置屏蔽区域将其排除，避免影响模型训练和分类判定结果。
单击设置屏蔽区域按钮，使用“多边形”框选工具在可视化区域绘制屏蔽区：单击左键添加多边形顶点，双击右键闭合多边形完成框选。
-
设置完成后，单击 保存并使用，应用目标区域设置。
|
当目标区域和屏蔽区域的掩膜完全重叠时，仅置顶的图层支持编辑。
|
标注图像
采集图像并设置目标区域后，需要对图像进行标注，以便模型学习不同类别的特征。
-
单击编辑按钮，进入图像标注流程。
-
根据实际需求，在标注类别列表中新建多个类别（最多支持8个），并为每个类别命名以便区分。
-
在可视化区域中，选中目标 ROI，在右侧的标注类别选项中，单击对应类别的标注图像按钮，完成对单个目标的标注。
-
单击采集图像按钮采集新图像，重复上述标注步骤，直至每个类别至少标注一张图像。
-
标注时，建议为每个类别尽可能多地标注覆盖不同拍摄条件的图像（如位置偏移、污渍、划痕、变形、色调或背景差异），标注越充分，模型适应能力越强。
-
避免标注类别模棱两可的图像，以免影响模型学习效果。
-
若真实生产场景下的光照或目标物体角度存在不确定性，可在高级设置开启“适应亮度变化”或“适应旋转变化”选项。系统会自动对已标注的图像进行轻微旋转、亮度调整，生成更多不同条件的虚拟图像用于模型训练，从而帮助扩充训练内容、提升模型的泛化能力。
-
-
标注完成后，单击保存并使用，保存标注结果。
模型训练与验证
-
训练模型。
标注完成后，单击训练按钮开始模型训练，等待提示训练完成。
-
验证模型效果。
单击验证按钮进入验证界面。你可在此界面查看或设置如下参数，并观察模型的识别结果是否符合预期。
参数 说明 验证结果
参数解释：显示分类判定结果。根据识别结果显示为自定义类别或未知类别。
置信度
参数解释：显示模型对当前分类结果的置信度。数值越高，表示模型越确信该图像属于判定类别。
耗时
参数解释：显示单次推理耗时（单位：ms）。
置信度阈值
参数解释：模型判定类别的最低置信度标准。低于此值的分类结果将被判定为未知类别。
默认值：0.5
调节说明：推荐使用默认值。
热力图
参数解释：开启后，在图像上叠加显示模型关注区域的可视化热力图。颜色越深（或越暖），表示模型对该区域的特征关注度越高。
默认值：关闭。
调节说明：通常，热力图应集中在目标区域内的特征位置，如边缘、缺陷或纹理等。可用于辅助判断模型关注重点。
若热力图分布过于分散或集中在无关区域，可能表示模型未正确学习到有效特征，此时建议返回前面步骤补充更多样化的训练图像并重新训练模型。
-
追加训练（可选）。
若判定结果未达预期，可通过"追加训练"功能补充验证中识别错误或未覆盖的图像。
-
单击追加训练，进入图像标注流程。
-
在可视化区域选择判定错误的图像或重新采集图像进行标注。
-
标注完成后，单击保存并使用，系统将根据新的标注数据重新执行训练并验证。
-
你可重复执行"训练→验证→追加训练"，直到模型效果满足预期。
追加训练为增量训练，在已有模型基础上优化，无需从头开始。
如追加训练后效果未改善，建议检查标注准确性，或返回采集阶段补充更多典型图像。
-
-
保存并应用模型。
验证通过后，单击保存并使用按钮，保存模型配置。
至此，模型配置已完成。关闭工具窗口后，在“模型名称”参数的下拉列表中选择该模型，即可在后续推理步骤中使用该模型进行分类判定。