非监督缺陷分割
==========================================

**非监督缺陷分割** 是一种正常数据训练的模型，能够识别物体是否处于异常 (NG) 状态，例如破损、变形等问题。  

    .. image:: Images/ano.png
        :scale: 100%

    .. raw:: html

        <div style="position: relative; padding-bottom: 0.25%; height: 0; overflow: hidden; max-width: 80%; height: auto;">
            <video width="80%" height="auto" controls>
                <source src="http://docs.welinkirt.com/static/videos/dw_ano-v8.mp4" type="video/mp4">
            </video>
        </div>

|

完成模型训练后，可参考 :ref:`训练` 章节下的视频，创建数据集版本并部署模型。

适用场景
---------------------

    .. raw:: html

        <div style="position: relative; padding-bottom: 0.25%; height: 0; overflow: hidden; max-width: 80%; height: auto;">
            <video width="80%" height="auto" controls>
                <source src="http://docs.welinkirt.com/static/videos/dw_unsupervised_v8.mp4" type="video/mp4">
            </video>
        </div>

|

**非监督缺陷分割** 适用于以下场景：

1. **单一物体**：数据集中仅包含一种物体，且该物体的位置需要保持相对固定。
2. **异常检测**：物体处于正常或异常 (NG) 两种状态，能够判断物体是否发生了破损、变形等变化。


模型检测模式
------------------------------------------

新版 **非监督缺陷分割** 模型支持以下四种检测模式，可根据场景需求选择：

1. **图像级 - 全图检测**  
   - 对整张图像进行分析，判断是否存在缺陷。
   - 适用于无需精确定位的场景。

2. **图像级 - 区域检测**  
   - 分析图像的若干特定区域，判断目标区域是否存在缺陷。
   - 适用于目标区域固定的场景。

3. **像素级 - 全图检测**  
   - 在整张图像中对每个像素进行分析，标注出异常区域。
   - 适用于精确定位缺陷区域的场景。

4. **像素级 - 区域检测**  
   - 在图像的若干特定区域中对每个像素进行分析，标注出异常区域。
   - 适用于需要精确标注目标区域的场景。

标注方法
----------------

非监督缺陷分割项目中，每种模型检测模式的标注方式有所不同，具体如下：  

1. **图像级 - 全图检测**  
   为每张图片标注状态为 **OK**（正常）或 **NG**（异常）。  

   .. image:: Images/img_whole_anno.png  
        :scale: 60%  

   支持批量选择图片并统一标注为 **OK** 或 **NG**。  

   .. image:: Images/batch_annotate.png  
        :scale: 60%  

2. **图像级 - 区域检测**  
   首先，定义一个标准图片并在图片上框选出检测区域，保存后即作为模板。由于非监督检测要求物体位置保持相对固定，所有图片的检测区域都应覆盖相同的待检测部件。

   .. image:: Images/img_region_anno.png  
        :scale: 60%  

   标注时，依次点击检测区域并标注为 **OK** 或 **NG**。  

   .. image:: Images/img_region_anno.png  
        :scale: 60%  

3. **像素级 - 全图检测**  
   使用智能标注工具或多边形工具标注出缺陷区域的轮廓。  

   .. image:: Images/pixel_whole_anno.png  
        :scale: 60%  

4. **像素级 - 区域检测**  
   首先，定义一个标准图片并框选出检测区域，保存后即作为模板。  

   .. image:: Images/pixel_region_anno.png  
        :scale: 60%  

   使用智能标注工具或多边形工具，标注检测区域内的缺陷轮廓。如果图片无缺陷，则将其标注为无缺陷。  

   .. image:: Images/pixel_region_anno2.png  
        :scale: 60%  

注意事项
------------

1. **数据集规模限制**  
   训练任务支持的最大数据量为 **300张图像** 。

2. **数据一致性**  
   正常图片不应包含任何缺陷标注，否则可能导致训练失败或结果不理想。

3. **多缺陷支持**  
   如果一个物体存在多个缺陷，可以为每个缺陷单独标注区域。

4. **数据比例**  
   - **正常数据为主**：训练集中的正常图片数量应大于等于无缺陷图片数量。  

5. **默认配置**  
   非监督缺陷分割模型训练时，不默认添加任何数据增强选项。

6. **内置图像切分训练**  
   在全图检测时，可以将训练模式设置为 **正常** 或 **高精度** 。高精度模式会将图片切分为 512×512 或 256×256 分辨率进行训练，虽然检测时间增加，但模型精度会显著提高。

.. note::  

    - 非监督模型对无缺陷数据的质量要求较高，请确保正常数据的标注准确无误。  
    - 模型性能依赖于正常和异常图片的合理比例配置。  

练习
--------

从以下链接下载练习数据 unsupervised_data.zip： 
`练习数据 <https://daoairoboticsinc-my.sharepoint.com/:f:/g/personal/nrd_daoai_com/EkNGNFG9C1ZCkejjwLZ4WOsBUQuhkn6apK4MSej2z1DfQA?e=ZOoc8v>`_

解压后，您将获得 11 张图片及其标注文件（.json）。  
- 上传图片至 DaoAI World 进行标注练习。  
- 完成标注后，可将图片和标注文件一同上传，验证模型训练效果。