AI 瑕疵檢測資料怎麼準備？OK／NG 樣本、標註、切分與再訓練 SOP

AI 模型換批就不準？

帶著現有影像、標註規則和模型結果來。我們先看資料切分和標註一致性，再談要不要調模型。

先講結論：資料不對，調參數救不回來

影響 AI 模型的因素很多：資料正確性、資料量、訓練代數、訓練方法、模型架構和超參數。排在頭一位的是資料正確性。標錯的圖越多，模型越認真學錯的東西。

我們接到「模型不準」的案子，會先查三件事。標註規則有沒有寫下來？測試集跟訓練集是不是同一批料拍的？光源和治具這半年有沒有動過？這三題有一題答不出來，先別動 learning rate。

開始之前，先把瑕疵分類寫成圖例

「刮傷」這兩個字，品保、產線和工程師想的長度可能差十倍。沒有圖例就開始標註，等於讓每個標註的人自己訂規格。

類別分太細，每類湊不到樣本。分太粗，模型要在一個類別裡同時學會兩種長相。實務上可以先分粗一點，等某一類樣本夠多、又確實要分開處理，再拆出來。

另外留一個「無法判定」的類別。標註的人拿不定主意時放這裡，不要硬塞進 OK 或 NG。

要收多少張：我們手上用的三組數字

「要幾張才夠」沒有單一答案，因為用途不一樣。下面三組數字來自不同階段，請對照您現在要做的是哪一件事。

我們在精密微電子機台上，把模型訓練分成三級。C 級 NG 至少 20 pcs、OK 至少 100 pcs，訓練 1–3 小時。B 級 NG 200–500 pcs、OK 500–1000 pcs，約 1 天。A 級 NG 500–1000 pcs、OK 1000–2000 pcs，要 3–5 天。

這組分級是那台機台的料件條件，不能直接套到別的產品。但它說明了一件事：樣本多一個量級，訓練時間和能要求的穩定度也跟著跳一級。

兩個人標同一張，結果要一樣

標註不一致，是模型分數卡住不動的常見原因。同一張刮傷，A 標了、B 沒標，模型只會學到「這種東西有時候算、有時候不算」。

1. 1 把圖例印成標註規則書

   分類表、每類圖例、判定邊界和「無法判定」的處理方式，寫成一份文件。規則書要有版本號，改一次就升一版。

2. 2 抽一小批讓兩個人各自標

   兩人互相看不到對方結果。標完比對，把不一致的圖全部挑出來。

   不一致的比例高，代表規則書還不夠清楚。先改規則，不要急著大量標註。

3. 3 爭議圖交給品保定案

   定案的結果補進規則書當圖例。這批爭議圖通常就是您產線上的灰色地帶，對模型的價值也特別高。

4. 4 大量標註時定期抽查

   每隔一段時間抽一批重標，確認標註的人沒有隨時間鬆掉。

訓練、驗證、測試要照批次切，不是隨機切

同一顆料件拍了五個角度，隨機切的話，可能三張進訓練、兩張進測試。模型在測試集上認得出來，是因為它看過同一顆的兄弟，不是因為它學會了。

測試集被拿來反覆調參，它就變成了第二個驗證集。分數會越調越高，產線表現卻不會跟著變好。

切分結果要跟資料版本一起存檔。三個月後有人問「這個分數是用哪一批測的」，要答得出來。

前處理和資料增強，只模擬真的會發生的變化

不規則、低對比的瑕疵，用 OpenCV 一條一條寫規則，可能耗上很久還寫不穩。這正是 AI 派得上用場的地方。但前處理做得粗，AI 一樣救不了。

• 先切出有效檢測區（ROI）。背景和治具不要讓模型去學
• 大圖先切塊，切塊要有重疊，每一塊都要能對回整張圖的座標
• 原始影像一定保留。前處理後的圖可以拿來訓練，爭議時要回得去看原圖

資料增強是用現有影像變出更多樣本。它能補的是產線上真的會發生、但樣品裡剛好沒拍到的變化。

增強後的資料只放進訓練集。驗證集和測試集要保持產線原本的樣子。

上線之後，什麼時候該重新訓練

模型交機那天的分數，只代表那天的料件、光源和治具。產線會變，資料就會漂。

重訓不是把新圖丟進去重跑就好。新增的影像一樣要照規則書標註、照批次切分。新模型要用同一套測試集比過舊模型，確認關鍵瑕疵沒有退步，才換上線。

廠商說「給我們 50 張照片就能訓練」時，請先問兩題：那 50 張裡有幾類瑕疵？測試集要從哪一批來？答得出來的，才是真的想過產線。

我們做 AI 案子，會請您的品保一起簽標註規則書。這一步比較花時間，但模型判錯的時候，雙方回頭查的是同一份規則，不是各自的記憶。