PRZYGOTUJ · AIVQC Trainer

Zanim model trafi na linię, musi przejść przez Trainer.

Oznaczasz defekty, ustawiasz cel i czas — resztą zajmuje się automatyczny trening. Trainer zamienia obrazy Twojego produktu w przetestowany model inspekcji bez znajomości machine vision i publikuje go na stanowiska AIVQC Production.

Jakość inspekcji zaczyna się od danych, nie od modelu. W Trainerze importujesz obrazy i nagrania, oznaczasz każdy defekt, potwierdzasz obrazy bez wad i zamrażasz wersję zbioru. Trening zawsze korzysta z tej zamrożonej kopii, a zbiór testowy pozostaje niezależny — model nigdy się na nim nie uczy.

Trening jest automatyczny: podajesz budżet czasu i cel jakości, a Trainer wykonuje kolejne próby, koryguje parametry i zachowuje najlepszy model według zbioru walidacyjnego. Kandydata sprawdzasz na obrazach i wideo tą samą ścieżką inferencji, której używa linia, i dopiero gdy spełnia uzgodnione kryteria, powstaje pakiet wdrożeniowy.

Do pracy z Trainerem nie potrzebujesz specjalisty od uczenia maszynowego — wystarczy inżynier procesu lub jakości, który zna produkt i jego wady. Trainer pracuje poza rytmem produkcji, więc eksperymenty nie wpływają na bieżącą inspekcję, a nic nie trafia na linię, dopóki świadomie tego nie wdrożysz.

Trening automatyczny

Budżet czasu i cel jakości zamiast ręcznego strojenia. Trainer dobiera parametry, poprawia je po każdej próbie i zostawia najlepszy model.

Dane bez przecieków

Import z walidacją i deduplikacją, grupy ujęć tego samego detalu i zamrożone wersje zbioru — wynik testu nie jest sztucznie zawyżony.

Ewaluacja jak na linii

Ta sama ścieżka inferencji co w Production, test na wideo z docelowej kamery i rekomendowany próg pewności.

Wdrożenie z dowodami

Pakiet z modelem, progami i zmierzonymi wynikami. Eksport zablokowany, dopóki któryś wynik jest poniżej celu.

PRZEBIEG PRACY

Pięć przestrzeni roboczych, jedna ścieżka od zdjęcia do pakietu.

Kolejne przestrzenie Trainera odpowiadają kolejnym etapom. Ekran Przegląd zawsze podpowiada następny krok dla bieżącego projektu i pokazuje, czego jeszcze brakuje do wdrożenia.

01
Zbiór danych
Import zdjęć, nagrań lub gotowych zbiorów, przegląd ostrzeżeń, podział na zbiory i zamrożenie wersji danych.
02
Anotacja
Ramka wokół każdego defektu i — opcjonalnie — produktu. Obrazy bez wad potwierdzane świadomie jako negatywne.
03
Trening
Automatyczne próby w zadanym budżecie czasu — parametry dobiera i poprawia Trainer, nie Ty.
04
Ewaluacja
Test na obrazach i wideo tą samą ścieżką inferencji co na linii oraz wybór progu pewności.
05
Wdrożenie
Pakiet .aivqcpkg z modelem, progami i dowodami jakości, publikowany przez Server na wybrane stanowisko.

TRENING AUTOMATYCZNY

Nie musisz być ekspertem od machine vision.

Ty znasz swój produkt i wiesz, co jest defektem. Dobór modelu, rozmiaru partii, współczynnika uczenia i liczby epok to wiedza specjalisty od uczenia maszynowego — i właśnie tę część Trainer robi za Ciebie.

Podajesz tylko budżet czasu i cel jakości (mAP@50). Trainer sprawdza gotowość danych, dobiera parametry do Twojego zbioru i sprzętu, a potem wykonuje kolejne pełne próby treningu. Po każdej analizuje wyniki i poprawia następną — aż osiągnie cel albo skończy się czas. Na końcu zostaje najlepszy model, a nie ostatni.

Wyniki stoją w miejscu? Trainer zmniejsza współczynnik uczenia i wydłuża trening. Pogorszyły się? Wraca do najlepszej znanej konfiguracji. Skaczą? Łagodzi optymalizację.
Model przepuszcza defekty albo odrzuca dobre sztuki? Kolejna próba koryguje parametry w tę stronę, której brakuje — bez zgadywania.
Zabrakło pamięci GPU? Trainer sam powtarza próbę z mniejszą partią i nie traci na to próby z budżetu.
Model wybierany jest wyłącznie na zbiorze walidacyjnym, a zbiór testowy tylko raportuje — raport pokazuje, jak model poradzi sobie z obrazami, których nie widział.
Gdy dochodzą nowe obrazy z linii, dotrenowujesz poprzedni model zamiast zaczynać od zera.
Trening działa w tle — na tym komputerze albo na workerze z GPU w sieci lokalnej — a postęp widać na dole okna w każdej przestrzeni roboczej.
Dla zaawansowanych: tryb ręczny z pełnym zestawem parametrów i cztery architektury detekcji do porównania.

Krok	Klasycznie — specjalista ML	W AIVQC Trainer
Wybór modelu	Porównywanie architektur i konfiguracji	Rekomendacja dopasowana do danych i sprzętu
Parametry treningu	Ręczne strojenie partii, uczenia i epok	Dobierane automatycznie i korygowane po każdej próbie
Kontrola danych	Własne skrypty i przeglądy	Sprawdzenie gotowości, zanim zostanie zużyty czas GPU
Stagnacja, regresja, brak pamięci	Analiza logów i ręczne restarty	Automatyczna reakcja w bezpiecznych granicach
Wybór najlepszego modelu	Ręczne zestawianie wyników	Najlepszy wynik walidacji i niezależny raport testowy
Przygotowanie na linię	Konwersja i weryfikacja modelu	Eksport ONNX (FP32 lub INT8) z metrykami policzonymi ponownie

Twoja rola: oznaczyć defekty, ustawić cel i czas, ocenić wynik w Ewaluacji. Decyzja o wdrożeniu zawsze należy do Ciebie.

DANE

Zbiór danych, któremu można ufać.

Większość problemów z modelem zaczyna się w danych: zduplikowane klatki, pominięte defekty, zbiór testowy zbyt podobny do treningowego. Trainer wyłapuje je, zanim zostanie zużyta pierwsza godzina GPU. Ile obrazów realnie potrzeba, opisujemy w artykule Ile zdjęć potrzeba, żeby wytrenować inspekcję AI?

Import zdjęć (JPG, PNG, BMP, WebP), nagrań i obrazów z kamery — z walidacją, sumą SHA-256 i pomijaniem duplikatów nawet przy różnych nazwach plików.
Automatyczne rozpoznawanie gotowych zbiorów: Pascal VOC, YOLO, COCO, LabelMe i VIA. Przy błędzie import zatrzymuje się i pokazuje obraz, zamiast po cichu przyjąć złe ramki.
Kontrole zbioru: rozkład klas z ostrzeżeniem o niedoreprezentowanych defektach, bardzo małe ramki, obrazy bez produktu.
Obraz bez defektu trzeba świadomie potwierdzić jako negatywny — model nie uczy się na obrazach, których nikt nie obejrzał.
Grupy produktu i sesji: ujęcia tego samego detalu i klatki jednego nagrania zawsze trafiają do jednego zbioru, więc wynik testu nie jest sztucznie zawyżony.
Zamrożony snapshot: późniejsze poprawki anotacji nie zmieniają wyników, które już widziałeś — po zmianach przygotowujesz nową wersję.

EWALUACJA

To, co widzisz w Trainerze, zrobi stanowisko na linii.

Ewaluacja uruchamia wyeksportowany model ONNX tą samą ścieżką inferencji, której używa AIVQC Production. Te same obrazy i ten sam próg dają na stanowisku ten sam wynik. Jak wybrać między fałszywymi odrzutami a przepuszczonymi defektami, opisujemy w artykule Błędna akceptacja czy błędne odrzucenie?

Test na obrazach spoza treningu oraz na wideo z docelowej kamery — co najmniej 10 minut obejmujących dobre produkty, każdy znany defekt, kilka produktów naraz i częściowe przesłonięcia.
Rekomendowany próg pewności wyliczany z danych ewaluacyjnych (najlepsze F1) razem z zakresem akceptowalnych wartości.
Metryki dla każdej klasy: precyzja, czułość, F1, mAP@50 i mAP@50–95. Niska czułość oznacza przepuszczone defekty, niska precyzja — fałszywe odrzuty.
Kryteria akceptacji (jakość, FPS, opóźnienie) zapisane w projekcie. Pakiet nie powstanie, dopóki któryś wynik jest poniżej celu albo brakuje pomiaru na docelowym komputerze.

WDROŻENIE I PĘTLA ZWROTNA

Pakiet na linię, trudne obrazy z linii z powrotem.

Zatwierdzony model trafia do pakietu .aivqcpkg razem z klasami, przetwarzaniem wstępnym, progami, kryteriami akceptacji i zmierzonymi dowodami jakości. Trainer sprawdza odcisk zbioru danych — jeśli obrazy lub anotacje zmieniły się po treningu, pakiet nie powstanie. Publikacja przechodzi przez AIVQC Server na wybrane stanowisko, a AIVQC Production weryfikuje pakiet przed aktywacją i zachowuje poprzednią recepturę do przywrócenia.

Stanowiska mogą odsyłać wybrane obrazy — na przykład tylko NOK albo wyniki o niskiej pewności — przez Server do skrzynki w Trainerze. To najcenniejszy materiał do kolejnej wersji modelu: obrazy, na których model się pomylił.

Linie, stanowiska, role kamer i wyzwalanie (czujnik obecności, sekwencja z PLC, enkoder) opisujesz raz w ustawieniach i używasz przy każdym wdrożeniu.
Stanowisko podłączasz jednorazowym kodem. Trainer nigdy nie dostaje poświadczeń stacji — wydaje je i przechowuje Server.
Nowa receptura nigdy nie przełącza się w trakcie trwającej inspekcji.

MIEJSCE W PLATFORMIE

Trainer przygotowuje to, co Server później publikuje.

Zatwierdzona w Trainerze wersja modelu staje się pakietem, który AIVQC Server dystrybuuje wyłącznie na wskazane stanowiska. Trainer nigdy nie łączy się bezpośrednio z linią produkcyjną — to celowe oddzielenie pracy eksperymentalnej od środowiska produkcyjnego.

FAQ

AIVQC Trainer

Czy do pracy z Trainerem potrzebna jest wiedza z machine vision lub uczenia maszynowego?+

Nie. Trening automatyczny sam dobiera model i parametry, poprawia je między próbami i wybiera najlepszy wynik, a ekran Przegląd podpowiada kolejny krok. Kluczowa jest znajomość procesu i defektów — to Ty decydujesz, co jest wadą. Tryb ręczny z pełnym zestawem parametrów jest dostępny dla zaawansowanych.

Czy Trainer wymaga własnych danych, czy pomagacie je zebrać?+

W pilocie wspólnie ustalamy, jakie obrazy są potrzebne, i pomagamy zaplanować ich zebranie. Docelowo dane produkcyjne zbiera Twój zespół, korzystając z ustalonych warunków obrazowania.

Czy liczba treningów w pilocie jest ograniczona?+

Nie. W pilocie trenujesz tyle razy, ile potrzebujesz — każda poprawka anotacji czy nowa partia obrazów z linii może od razu trafić do kolejnego treningu automatycznego.

Czy Trainer działa bez karty graficznej?+

Tak. Anotacja, ewaluacja i wdrożenie nie wymagają GPU. Trening może działać na procesorze (wolniej, do eksperymentów) albo na workerze treningowym z GPU w sieci lokalnej.

Czy obrazy i modele opuszczają zakład?+

Nie. Projekty, zbiory danych i trening pozostają na Twoich komputerach, a wymiana z liniami odbywa się przez lokalny AIVQC Server w sieci zakładowej.

Czy mogę użyć modelu wytrenowanego poza AIVQC?+

Tak — model ONNX z plikiem klas można zaimportować, ocenić i wdrożyć, jeśli spełnia kontrakt wykrywania AIVQC Production. Przechodzi te same kryteria akceptacji co model wytrenowany w Trainerze.

PILOT AIVQC

Sprawdź to na własnej linii.

Zacznij od 30-dniowego pilota na jednym stanowisku i zobacz wynik na obrazach własnego produktu, zanim zdecydujesz o wdrożeniu.

Masz inżyniera jakości i informatyka? Wdrożysz AIVQC własnym zespołem — płacisz za licencję, a nie za godziny integratora. Zapisz się na betę →

1 Trainer · 1 stanowisko
Do 3 klas defektów
30 dni + bezpłatne przedłużenie
Bez chmury

Dołącz do pilota →Wdrożenie własnym zespołem