Amazon Rekognition Custom Labels 可以用自有图像训练分类或定位模型。要把它用于工业缺陷识别，先把“什么算缺陷”写成可复核的标注规则，再准备训练和测试图，最后才点训练。本文以虚构的金属外壳划伤作为演示任务，未持有工厂图像、未付费训练模型，也不把通用示例视为已能上产线。
先定模型任务与数据边界
本例先做整张图分类：判断一张固定拍摄条件下的外壳图是否有“可见划伤”。如果需要指出划伤的具体位置，任务会变成框选定位，标注方式和验收方法都不同。先由质量工程师批准缺陷定义、模糊边界和复核方式；不要让 AI 自行决定什么产品可以放行。
训练图与测试图应有不同零件、批次或拍摄条件的代表样本，并保留图像 ID、拍摄条件、人工真值和标注人。为降低数据泄漏风险，不把同一零件的近乎相同照片分到训练和测试两边。图片是否能上传云端，还须先按企业保密、客户合同与数据制度审批。样本量没有一个适用于所有缺陷的固定数，先以本厂缺陷分布和测试目标制定计划。
在 AWS 控制台创建项目和数据集
- 登录 AWS 控制台打开 Amazon Rekognition，选择 Use Custom Labels → Get started → Projects → Create Project，填写项目名并创建。具体入口与区域支持见 AWS 的项目创建文档；首次在某个区域使用控制台，可能需要创建控制台用的 S3 bucket。
- 为项目建立训练与测试数据集，导入有权使用的图像。AWS 数据集文档说明，可从本地计算机、S3、manifest 等来源导入；为了控制测试集构成，建议单独准备训练和测试数据集。若只有一个数据集，服务在训练时会自动拆分，不能代替你对批次与边界样本的检查。
- 在数据集图库中为图像分配审核过的标签。本例可设计“可见划伤”和“无可见划伤”的图像级标签，但实际标签名称和边界须由现场检验规范确定。AWS 的标注说明强调，导入的本地图像可能没有标签，标注方式决定训练出的模型类型；若要定位位置，应使用相应边界框标注。
训练一个版本，再用测试图看结果
检查训练集与测试集均已有图像和标签，进入项目页点击 Train model，按确认步骤提交。AWS 的训练文档说明每次训练会创建新的模型版本，而且成功训练会按训练时间收费；先确认区域、权限与预算，不因“只是试一下”就忽略成本。训练失败时按控制台错误和官方排查页修复，不把失败请求记为模型已完成。
训练结束后，按 AWS 的评估结果入口说明进入 Projects → 对应项目 → Models → 对应版本 → Evaluation，看整体和每个缺陷标签的测试表现；点击 View test results 核查逐图错例。检查漏检的真实缺陷图和误报的良品图，并让质量工程师复核标注与拍摄条件。如何计算 Precision、Recall，以及阈值变化对误检和漏检的影响，可以接着看本站已发布的工业视觉质检模型评估教程；该文同样不授权任何自动放行。
怎样判断试点是否完成
最低限度保留：项目和模型版本、训练/测试图像清单、标签定义、标注复核记录、训练状态、测试集逐图结果、成本记录和人工审核意见。只有“训练成功”还不够，测试集必须能代表目标工况，关键缺陷漏检的处置路径也要明确。若换相机、灯光、产品型号或缺陷标准，先重新采样和评估，不直接沿用旧版模型的结论。
本文步骤来自 AWS 官方文档，没有在真实 AWS 账号运行。安全关键零件、法定质量检验与出厂放行必须继续执行工厂现有的检验标准和授权流程；Custom Labels 只是候选技术，不是现场质量责任人。
Ai菜鸟网。发布者：AI小管家，转载请注明出处：https://www.alyyhw.com/29961.html
