跳轉到

Generazione Dataset Classificazione e Rilevamento

Il Classification Tool è progettato per costruire i dataset di addestramento richiesti dai modelli di classificazione di deep learning. Supporta l'augmentation dei dati in tempo reale prima dell'esportazione, la transcodifica multi-formato e una flessibile suddivisione della mappa dei campioni, permettendoti di generare con un solo clic una struttura di directory che soddisfa i requisiti dei framework più diffusi.

class.png

1. Flusso di Lavoro Principale

Il classification tool esegue le sue operazioni nel seguente ordine logico:

  1. Lettura: scansiona le immagini originali nella directory di input, dove le immagini sono già raggruppate per classe tramite cartella.
  2. Augmentation: applica mirroring, rotazione o trasformazioni di colore ai campioni di ciascuna classe in base alla configurazione.
  3. Transcodifica: converte uniformemente tutti i campioni generati nel formato immagine specificato.
  4. Distribuzione: suddivide i dati nelle cartelle train (training set) e val (validation set) in base al ratio configurato.

2. Configurazione dell'Aumento Dati

Prima della generazione, puoi selezionare i seguenti operatori di augmentation. A partire dalle immagini originali, il sistema le espande eseguendo trasformazioni fino al "Image Count" che hai impostato:

Operatore di Augmentation Logica Fisica Raccomandazione per Applicazioni Industriali
Mirroring Orizzontale Capovolgimento sinistra-destra (simmetrico rispetto all'asse Y). Adatto per distinguere varianti sinistra/destra di un pezzo.
Mirroring Verticale Capovolgimento alto-basso (simmetrico rispetto all'asse X). Adatto per materiali su nastro trasportatore senza orientamento fisso.
Rotazione Completa Rotazione di 360° a un angolo casuale. Essenziale per pezzi rotondi; risolve il problema dell'invarianza alla rotazione per template con dot-mark.
Tonalità / Contrasto Variazione casuale di luminosità e colore. Simula le fluttuazioni di illuminazione e le differenze di esposizione della camera sul piano di produzione.

3. Parametri di Generazione

Formato di Output delle Immagini

Puoi scegliere il formato di destinazione in base alle tue esigenze di archiviazione o ai requisiti del framework di addestramento a valle:

  • BMP / PNG: formati lossless, consigliati per la classificazione di difetti industriali ad alta precisione.
  • JPG: formato compresso, adatto per dataset di grandi dimensioni e consente di risparmiare spazio su disco.
  • Formato originale: nessuna ricodifica; il suffisso originale dei file di input viene mantenuto invariato.

Ratio Training / Validation Set

  • Come funziona: il valore del ratio rappresenta la percentuale di dati assegnata al training set.
  • Esempio di suddivisione: se impostato a 80, l'80% dei dati va nella cartella train e il 20% nella cartella val.
  • Impostazione speciale: se impostato a 100, il sistema non esegue alcuna suddivisione e restituisce tutto come training set.

4. Passi

  1. Configura i percorsi:
    • Directory di input: seleziona il percorso radice contenente le cartelle delle classi originali (come OK/, NG/).
    • Directory di output: specifica dove verrà memorizzato il dataset generato (si consiglia una cartella nuova vuota).
  2. Imposta l'image count: inserisci il numero totale di immagini che desideri vengano infine generate per ciascuna classe.
  3. Esegui la generazione: dopo aver confermato il formato e il ratio, clicca su [Start Generation].

classdata.png


5. Anteprima della Struttura della Directory di Output

Al termine della generazione, la tua directory di output avrà la seguente struttura:

classcomplete.png

dataset_20260415_114920/

├── train/              # Percorso del training set (Train)

│   ├── OK/       # Campioni normali aumentati

│   └── NG/       # Campioni di difetto aumentati

└── val/                # Percorso del validation set (Val)

    ├── OK/       # Campioni di validazione suddivisi automaticamente

    └── NG/       # Campioni di validazione suddivisi automaticamente

├── Label         # Contiene le informazioni sulle classi

├── train_list    # Elenco immagini del training set

├── val_list      # Elenco immagini del validation set

Condivisione dalla Pratica di Sviluppo

Nei task di classificazione industriale, il bilanciamento dei campioni è fondamentale. Se hai solo 20 campioni NG originali ma 200 campioni OK, aumenta la classe NG fino a circa 200 immagini, il che previene efficacemente lo sviluppo di un bias di classe da parte del modello.