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。
完成模型训练后，可参考 训练 章节下的视频，创建数据集版本并部署模型。
适用场景
非监督缺陷分割 适用于以下场景：
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。
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：
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。
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。
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。
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：
图像级 - 全图检测 为每张图片标注状态为 **OK**（正常）或 **NG**（异常）。
支持批量选择图片并统一标注为 OK 或 NG。
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。
标注时，依次点击检测区域并标注为 OK 或 NG。
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。
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。
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。
注意事项
数据集规模限制 训练任务支持的最大数据量为 300张图像 。
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。
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。
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。
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。
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。
备注
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
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。