Amazon Rekognition Custom Labels przyjmie do treningu jedno zdjęcie na etykietę. Google dla swojej usługi AutoML podaje minimum 10, a zaleca około 1 000 na etykietę. Ultralytics, autor YOLOv5 i nowszych wersji popularnych detektorów YOLO, zaleca co najmniej 1 500 obrazów i 10 000 oznaczonych obiektów na klasę. Keyence pisze o modelach, które można wyuczyć już na pięciu do dziesięciu zdjęciach. Wszystkie te liczby są prawdziwe, tylko odpowiadają na różne pytania.
Liczba zdjęć do detektora wad zależy od tego, co model ma robić, jak duża jest zmienność na linii i do czego te zdjęcia mają służyć: do nauki czy do sprawdzenia, czy model działa. Poniżej zestawiam, co piszą producenci narzędzi, czym różnią się typy zadań, skąd brać zdjęcia wad, których na linii prawie nie ma, i kiedy sama liczba przestaje mieć znaczenie.
Co piszą dokumentacje
Stan na 19.11.2026, na podstawie oficjalnych stron producentów (linki na końcu).
| Narzędzie | Zadanie | Co podaje producent |
|---|---|---|
| Amazon Rekognition Custom Labels | klasyfikacja, detekcja | minimum 1 obraz na etykietę (limit techniczny); w zbiorze testowym maks. 1 000 obrazów na etykietę |
| Google AutoML (klasyfikacja obrazów) | klasyfikacja | minimum 10 na etykietę, zalecane około 1 000; najliczniejsza etykieta najwyżej 100 razy liczniejsza od najrzadszej |
| Microsoft Azure Custom Vision | klasyfikacja, detekcja | co najmniej 50 na etykietę „na start”; proporcja najrzadszej i najliczniejszej etykiety co najmniej 1:2 |
| Ultralytics YOLOv5 | detekcja obiektów | co najmniej 1 500 obrazów i 10 000 oznaczonych obiektów na klasę, do 10% obrazów samego tła |
| Keyence (edge learning) | inspekcja OK/NOK | „już od pięciu do dziesięciu obrazów”; o klasycznym uczeniu głębokim: „tysiące obrazów” |
| MVTec HALCON | klasyfikacja, anomalie | brak liczby: ilość danych „zależy od złożoności zadania”; trening detekcji anomalii tylko na obrazach bez wad |
| Cognex VisionPro Deep Learning (Red Analyze) | wykrywanie defektów | brak liczby; w trybie nienadzorowanym trening na dobrych sztukach, zdjęcia wad do testu i walidacji |
Z tabeli wynikają trzy rzeczy. Minimum techniczne (AWS) mówi tylko, ile zdjęć przyjmie usługa, a nie ile potrzeba do działającego modelu. Wartości zalecane (Google, Ultralytics) są podane bez odniesienia do inspekcji, więc trzeba je czytać jak zalecenia dla ogólnych zbiorów, w których jedna klasa to np. „pies” fotografowany w tysiącu sytuacji, a nie rysa na tej samej tulei pod tym samym oświetlaczem. MVTec i Cognex liczby nie podają; MVTec pisze tylko, że ilość danych zależy od złożoności zadania.
Azure Custom Vision jest przy tym wycofywany: Microsoft zapewnia wsparcie do 25 września 2028 r. Więcej w tekście o wycofaniu Azure Custom Vision.
Zadanie zmienia rachunek
Klasyfikacja OK/NOK. Model dostaje całe zdjęcie i odpowiada „dobra” albo „zła”, ewentualnie wskazuje typ wady. Etykieta to jedno kliknięcie na obraz, więc oznaczanie jest tanie. Kłopot zaczyna się, gdy wada zajmuje kilka pikseli na dużym obrazie: model musi się nauczyć, że cała reszta zdjęcia nie ma znaczenia, a do tego potrzeba więcej przykładów.
Detekcja (ramki). Model wskazuje, gdzie jest wada. Na każdym zdjęciu trzeba narysować ramkę (bounding box) wokół każdej wady, a Ultralytics pisze wprost, że częściowe oznaczanie nie zadziała: wszystkie wystąpienia wszystkich klas na wszystkich obrazach muszą mieć etykietę. Dlatego liczy się także liczba oznaczonych obiektów, nie tylko zdjęć.
Segmentacja (maski). Model zaznacza wadę co do piksela, dzięki czemu można wyznaczyć jej pole powierzchni, długość i położenie. Etykieta to obrys wady, czyli najdroższy rodzaj oznaczania. Opłaca się, gdy kryterium odrzutu jest wymiarowe (np. rysa dłuższa niż określona długość).
Detekcja anomalii. Model uczy się wyłącznie na dobrych sztukach i zgłasza wszystko, co od nich odbiega. Tak działa trening detekcji anomalii w HALCON (zbiór treningowy „tylko z obrazów bez anomalii”) i nienadzorowany tryb Red Analyze w Cognex VisionPro Deep Learning, który w treningu po prostu ignoruje zdjęcia oznaczone jako wadliwe. Metoda PatchCore (Roth i in., 2021) uczy się tylko na obrazach bez anomalii i osiąga na zbiorze MVTec AD do 99,6% AUROC (pole pod krzywą ROC) na poziomie obrazu, a autorzy podają, że także przy małej liczbie próbek wypada dobrze na tle innych metod.
Detekcja anomalii odpowiada na typową sytuację na produkcji: dobrych sztuk są tysiące, a wad kilka w miesiącu. Ceną jest to, że model wskaże „coś innego”, ale nie powie, czy to rysa, czy zabrudzenie, i zgłosi także nieszkodliwe odchylenia, których nie było w zbiorze dobrych sztuk.
W projektach, przy których pracowałem, bywało różnie: od tysięcy zdjęć wad do zera. W tym drugim przypadku pracę trzeba było zacząć od zbierania danych i ich oznaczania.
Dobre i wadliwe: ile jednych, ile drugich
Przy klasyfikacji i detekcji problemem jest nierównowaga klas. Microsoft zaleca, żeby najrzadsza etykieta miała co najmniej połowę zdjęć najliczniejszej (przy 500 zdjęciach dobrych co najmniej 250 wadliwych); według Google model działa najlepiej, gdy najliczniejsza etykieta jest najwyżej 100 razy liczniejsza od najrzadszej. Na linii z niskim odsetkiem wad nawet proporcja 100:1 bywa trudna do osiągnięcia bez celowego zbierania wad.
Zbiory badawcze pokazują, jak ta proporcja wygląda w praktyce. VisA (2022) ma 10 821 obrazów, z czego 9 621 normalnych i 1 200 z anomaliami, w 12 kategoriach obiektów. MVTec AD ma ponad 5 000 obrazów w 15 kategoriach; zdjęcia treningowe są wyłącznie bez wad, a wady trafiają tylko do zbioru testowego. Ten podział warto przenieść do własnego projektu: nawet jeśli model uczy się na dobrych sztukach, zdjęcia wad są potrzebne, żeby sprawdzić, czy je wykrywa. Cognex pisze to samo o swoim trybie nienadzorowanym.
Wyniki z benchmarków nie przekładają się jednak wprost na linię. W 2025 r. MVTec opublikował zbiór MVTec AD 2: ponad 8 000 obrazów w ośmiu scenariuszach, z obiektami przezroczystymi i nachodzącymi na siebie, bardzo małymi wadami oraz zdjęciami testowymi w oświetleniu, którego nie było w treningu. Najlepsze metody dostępne w chwili publikacji uzyskały na nim poniżej 60% średniego AU-PRO (miara jakości lokalizacji wad).
Skąd wziąć zdjęcia wad
- Z linii. Odrzuty z kontroli ręcznej, reklamacje, magazyn wyrobów niezgodnych. To najcenniejsze zdjęcia, bo pokazują prawdziwe wady w prawdziwym oświetleniu. Wadliwe sztuki warto zacząć odkładać i fotografować na docelowym stanowisku, zanim zapadnie decyzja o projekcie.
- Sztuczne wady. Celowe zarysowanie, wgniecenie, brak elementu, zabrudzenie. To szybki sposób na próbki, ale wada zrobiona ręką technologa może wyglądać inaczej niż ta, która powstaje w procesie.
- Augmentacja. Obroty, odbicia, zmiany jasności i kontrastu tych samych zdjęć. Microsoft radzi, żeby w zbiorze były zdjęcia o różnym oświetleniu, nasyceniu, odcieniu i jasności, żeby model nie przywiązywał się do przypadkowych cech (jego przykład: klasyfikator jabłek i cytrusów, który za ważne uznaje dłonie i talerze, na których leżały owoce); część tej zmienności można dodać augmentacją. Augmentacja nie tworzy jednak nowych rodzajów wad.
- Symulacja i dane syntetyczne. Metody takie jak DRAEM (2021) uczą się na prostych, ogólnych symulacjach anomalii nakładanych na dobre obrazy. Kolejny krok to model 3D z wadą wyrenderowaną w symulatorze, co wymaga wiernego odwzorowania materiału i oświetlenia.
- Modele generatywne. Generowanie zdjęć wad na podstawie kilku przykładów jest kuszące, ale wygenerowana wada pokazuje to, co model generatywny uznał za wadę. Do zbioru testowego takie zdjęcia się nie nadają.
- Zbiory publiczne. MVTec AD, MVTec AD 2 i VisA służą do porównywania metod i do nauki, ale MVTec udostępnia swoje zbiory na licencji CC BY-NC-SA 4.0, która zabrania użycia komercyjnego. Przed użyciem jakiegokolwiek zbioru w projekcie dla klienta trzeba sprawdzić jego licencję.
Z mojego doświadczenia dane syntetyczne są coraz lepsze i można na nich trenować algorytmy detekcji.
Zbiór testowy: na nim widać, czy model działa
Dokumentacja HALCON zaleca podział danych na trzy podzbiory: treningowy, walidacyjny i testowy, najlepiej niezależne i o tym samym rozkładzie. Google ujmuje to prościej: dane treningowe mają być jak najbliższe danym, na których model będzie pracował. Keyence w poradniku dla kupujących systemy inspekcji dodaje, że do testów trzeba używać prawdziwych części z produkcji, w tym realnych odrzutów i przypadków granicznych, bo wyniki na czystych próbkach rzadko pozwalają przewidzieć wyniki na hali.
Wynika z tego kilka zasad. Zdjęcia tej samej sztuki nie mogą trafić jednocześnie do treningu i testu, bo model zda test, rozpoznając sztukę, a nie wadę. Zbiór testowy powinien obejmować różne partie, zmiany i dni, bo między nimi zmieniają się oświetlenie, surowiec i ustawienie detalu. Przypadki graniczne (sztuka „prawie dobra”) powinny trafić do testu, bo dopiero na nich widać, gdzie model stawia granicę.
Etykietowanie: koszt, którego nie widać w liczbie zdjęć
Obrysowanie wady na jednym zdjęciu trwa znacznie dłużej niż kliknięcie „OK” albo „NOK”, więc koszt zbioru zależy od rodzaju etykiety tak samo jak od liczby zdjęć. Przed oznaczaniem potrzebny jest spisany standard: co jest wadą, od jakiej wielkości, co jest dopuszczalne. Keyence radzi zacząć od katalogu wad ze zdjęciami i fizycznymi próbkami dobrych sztuk, odrzutów i przypadków granicznych. Bez takiego standardu dwie osoby oznaczą tę samą sztukę inaczej, a model nauczy się ich niezgodności.
Keyence pisze też, że zróżnicowany, dobrze oznaczony zbiór z przypadkami granicznymi jest zwykle więcej wart niż po prostu duży. Przykładowo pięćset zdjęć tej samej wady z jednej zmiany może wnieść mniej niż pięćdziesiąt z różnych partii.
Zdjęcia oznaczał u nas zwykle kontroler jakości. Zależnie od tego, jak skomplikowane były wady i co chcieliśmy wykrywać, zajmowało to od 20 do nawet 50% czasu całego projektu.
Kiedy liczba zdjęć nie ma znaczenia
- Wady nie widać na obrazie. Jeśli przy obecnym oświetleniu rysa ginie w odblaskach, tysiąc kolejnych zdjęć nauczy model odblasków. Najpierw kontrast, potem dane; piszę o tym w poradniku o oświetleniu do inspekcji wizyjnej.
- Zadanie jest pomiarem. Średnicę otworu czy położenie krawędzi często da się zmierzyć, a obecność elementu sprawdzić klasycznymi narzędziami, które nie potrzebują zbioru treningowego. Więcej w tekście klasyczne przetwarzanie obrazu czy sieć neuronowa.
- Produkt często się zmienia. Krótkie serie i częste przezbrojenia oznaczają nowy zbiór dla każdego wariantu. Wtedy lepiej sprawdzi się detekcja anomalii albo narzędzia uczone na kilku obrazach niż projekt oparty na tysiącach zdjęć wad, choć i one potrzebują nowych zdjęć dobrych sztuk dla każdego wariantu.
- Nie ma zgody co do tego, co jest wadą. Jeśli kontrolerzy na dwóch zmianach różnie oceniają te same sztuki, więcej zdjęć niczego nie naprawi.
- Koszt błędu jest nieznany. Bez wiedzy, ile kosztuje fałszywe odrzucenie, a ile przepuszczona wada, nie da się ustalić progu modelu ani ocenić, czy dalsze zbieranie danych się opłaca. Więcej w tekście o zwrocie z systemu wizyjnego.
Od czego zacząć
Zamiast pytać „ile zdjęć”, lepiej przygotować pudełko próbek: kilkadziesiąt dobrych sztuk z różnych partii, wszystkie wadliwe sztuki, jakie uda się znaleźć w odrzutach i reklamacjach, oraz przypadki graniczne, opisane według jednego standardu i sfotografowane na docelowym stanowisku. Jeśli z takiego pudełka nie da się zbudować uczciwego zbioru testowego, bo brakuje wadliwych sztuk albo nie wiadomo, które są wadliwe, to najpierw trzeba zebrać próbki i ustalić, czego model ma szukać, a dopiero potem liczyć zdjęcia.
Źródła
- Amazon Rekognition Custom Labels, „Guidelines and quotas”
- Google Cloud, „Prepare image training data for classification”
- Microsoft Learn, „Improve your model: Custom Vision”
- Ultralytics, „Tips for Best Training Results”
- Keyence, „Edge Learning in Machine Vision Systems”
- Keyence, „Buyer’s guide: how to choose an AI inspection system for QC”
- MVTec, HALCON 24.11, „Classification”
- MVTec, HALCON 24.11, „Anomaly Detection and Global Context Anomaly Detection”
- Cognex, VisionPro Deep Learning, „Training Red Analyze Focused Unsupervised”
- Cognex, VisionPro Deep Learning, „Red Analyze”
- MVTec, zbiór MVTec AD
- MVTec, zbiór MVTec AD 2
- L. Heckler-Kram i in., „The MVTec AD 2 Dataset” (2025)
- Y. Zou i in., „SPot-the-Difference Self-Supervised Pre-training for Anomaly Detection and Segmentation” (VisA, 2022)
- K. Roth i in., „Towards Total Recall in Industrial Anomaly Detection” (PatchCore, 2021)
- V. Zavrtanik i in., „DRAEM: A discriminatively trained reconstruction embedding for surface anomaly detection” (2021)
Dostęp do wszystkich źródeł: 19.11.2026.



