Saltar al contenido principal

Añadiendo Datos y Reentrenamiento

Este tutorial muestra cómo mejorar la precisión de su modelo de IA al añadir nuevas imágenes a una receta existente y reentrenar el modelo. Este proceso es esencial cuando su modelo clasifica incorrectamente piezas buenas o cuando se presentan variaciones nuevas en su producción.

Qué aprenderás:

  • Cómo encontrar y seleccionar imágenes para el reentrenamiento
  • Cómo añadir imágenes al trainset existente
  • Cómo etiquetar nuevos datos de entrenamiento
  • Cómo reentrenar su modelo con los nuevos datos

Cuándo usar esto: Cuando las piezas buenas fallan en la inspección, cuando existen variaciones nuevas de piezas, o cuando necesita mejorar la precisión del modelo con ejemplos adicionales.

Prerrequisitos​

  • Receta activa con un modelo de IA entrenado (clasificación o segmentación)
  • Acceso a la interfaz de la cámara OV20i
  • Imágenes en la Library que deben añadirse al entrenamiento

Paso 1: Encontrar Imágenes para Reentrenamiento​

1.1 Navegar a Library​

  1. Abra la interfaz de OV20i
  2. Haga clic en "Library" en el menú de navegación izquierdo
  3. Verá todas las imágenes capturadas de su cámara

1.2 Filtrar Imágenes​

  1. Filtrar por Receta: Seleccione la receta que desea mejorar
  2. Filtrar por Aprobado/Rechazado: Seleccione "FAIL" para ver las imágenes fallidas, o "PASS" para ver las imágenes que pasaron
  3. Ordenar por: Elija fecha u otros criterios para organizar los resultados
  4. Haga clic en "Search" para mostrar los resultados filtrados

Objetivo: Encontrar imágenes que fueron clasificadas incorrectamente - ya sea piezas buenas que fallaron o piezas malas que pasaron.

Paso 2: Añadir Imágenes al trainset​

2.1 Seleccionar Imágenes​

  1. Revise cada imagen para identificar piezas clasificadas incorrectamente
  2. Seleccione imágenes que muestren:
    • Piezas buenas que fueron clasificadas incorrectamente como falladas
    • Piezas malas que fueron clasificadas incorrectamente como pasadas
  3. Haga clic en la casilla de verificación en cada imagen que desee añadir
Important

Añada imágenes que fueron clasificadas incorrectamente; esto incluye piezas buenas que fallaron y piezas malas que pasaron. Ambos casos ayudan a mejorar la precisión del modelo.

image.png

2.2 Añadir al Trainset​

  1. Después de seleccionar las imágenes, haga clic en "Add to the active recipe's trainset" en la parte inferior
  2. Un mensaje de éxito confirmará que las imágenes fueron añadidas
  3. Haga clic en "Go to recipe editor" para continuar

Paso 3: Etiquetar Nuevos Datos de Entrenamiento​

3.1 Navegar a Label and Train​

  1. Desde el Editor de Recetas, vaya a:
    • Classification Recipe: "Classification Block"
    • Segmentation Recipe: "Label And Train"
  2. Haga clic en "View All ROIs"

3.2 Encontrar Imágenes Sin Etiquetar​

  1. Use el desplegable "Filter By Class"
  2. Seleccione "Unlabeled" para mostrar solo imágenes sin etiquetar
  3. Verá las imágenes que acaba de añadir al trainset

image.png

3.3 Etiquetar Imágenes Seleccionadas​

  1. Seleccione todas las imágenes sin etiquetar que añadió
  2. Haga clic en "Label Selected ROIs" en la esquina inferior izquierda
  3. Elija la etiqueta correcta del desplegable (p. ej., "Pass", "Good", etc.)
  4. Haga clic en "OK" para aplicar la etiqueta
Important

Haga clic en "Clear Selection" entre diferentes sesiones de etiquetado para evitar etiquetado incorrecto.

image.png

3.4 Cerrar la Vista de ROI​

  1. Cierre la ventana modal "View All ROIs"
  2. Regrese a la página principal de Label and Train

Paso 4: Reentrenar el Modelo​

4.1 Iniciar el Reentrenamiento​

  1. Haga clic en "Train Classification Model" o "Train Segmentation Model"
  2. El sistema se reentrenará utilizando todos los datos existentes más sus nuevas imágenes
  3. Monitoree el progreso del entrenamiento

4.2 Proceso de Entrenamiento​

  • El modelo aprende tanto de los datos etiquetados antiguos como de los nuevos
  • El tiempo de entrenamiento depende de la cantidad total de datos
  • Espere a que el entrenamiento se complete antes de probar

4.3 Probar el Modelo Mejorado​

  1. Use el modo "Live Preview Mode" para probar el modelo reentrenado
  2. Pruebe con las mismas imágenes que anteriormente fallaron incorrectamente
  3. Verifique que el modelo ahora identifique correctamente las piezas buenas como que pasan

Paso 5: Validar Resultados​

5.1 Probar con Imágenes Nuevas​

  1. Tomar nuevas imágenes de piezas similares
  2. Verifique si el modelo funciona mejor en casos límite
  3. Verifique que las imágenes que antes pasaban ahora pasen correctamente

5.2 Monitorear Rendimiento​

  1. Observe cualquier nuevo falso positivo o falso negativo
  2. Documente la mejora en la precisión
  3. Anote cualquier problema restante para futuros reentrenamientos

¡Éxito! Su Modelo está Reentrenado​

Su modelo de IA mejorado ya puede:

✅ Identificar mejor las piezas buenas que antes fallaban

✅ Manejar nuevas variaciones en sus piezas de producción

✅ Reducir falsos rechazos y mejorar la precisión

✅ Adaptarse a cambios en su proceso de fabricación

Consejos Clave para el Éxito​

Calidad de los Datos​

  • Añadir imágenes clasificadas incorrectamente (tanto falsos positivos como falsos negativos)
  • Etiquetar de forma consistente - piezas buenas como "Pass", piezas malas como "Fail"
  • Incluir ejemplos diversos de condiciones que pasan y que fallan
  • Borrar selecciones entre diferentes sesiones de etiquetado

Cuándo Reentrenar​

  • Aumento de falsos rechazos (piezas buenas que fallan)
  • Aumento de falsos pases (piezas malas que pasan)
  • Nuevas variaciones de piezas aparecen en la producción
  • Cambios en el proceso afectan la apariencia de las piezas
  • Variaciones estacionales en materiales o iluminación

Mejores Prácticas​

  • Comience con poco: agregue 10-20 imágenes a la vez
  • Pruebe a fondo después de cada reentrenamiento
  • Documente los cambios y mejoras
  • Mantenga una copia de seguridad de los modelos que funcionan antes de un reentrenamiento mayor

Siguientes Pasos​

Después de reentrenar su modelo:

  1. Monitorear la producción para una mayor precisión
  2. Continuar recopilando imágenes problemáticas para futuros reentrenamientos
  3. Configurar un programa de reentrenamiento regular si es necesario
  4. Capacitar a los operadores sobre cuándo marcar imágenes para reentrenamiento
  5. Documente su proceso de reentrenamiento para mantener la consistencia

🔗 Ver También​