Entrenar un Clasificador

Esta guía le muestra cómo configurar y entrenar un modelo de clasificación en el sistema de cámaras OV80i. Use este procedimiento cuando necesite categorizar automáticamente objetos en diferentes clases basadas en características visuales.

Guía en video

Vea este tema en acción: OV Auto-Defect Creator Studio

Cuándo usar la Clasificación: Clasificar piezas por tipo, tamaño, color o condición; identificar diferentes variantes de producto; control de calidad con múltiples categorías aceptables.

Prerrequisitos

• Receta activa con configuraciones de imagen configuradas
• Imagen de plantilla y alineación completadas (o omitidas)
• ROI(s) de inspección definidos
• Objetos de muestra que representen cada clase que desee detectar

Paso 1: Acceder al Bloque de Clasificación

1.1 Navegar a Classification Block

1. Haga clic en "Classification Block" en el menú de migas de pan, O
2. Seleccione desde el menú desplegable en la barra de navegación

1.2 Verificar Prerrequisitos

Asegúrese de que los siguientes bloques muestren estado verde:

• ✅ Configuración de Imagen
• ✅ Plantilla y Alineación (o omitidas)
• ✅ Configuración de Inspección

Paso 2: Crear Clases de Clasificación

2.1 Defina Sus Clases

1. Haga clic en Edit bajo "Inspection Types"
2. Agregar clases para cada categoría que desee detectar

2.2 Configurar Cada Clase

Para cada clase:

1. Ingrese el Nombre de la Clase: Utilice nombres descriptivos (p. ej., "Small", "Medium", "Large")
2. Seleccionar Color de la Clase: Elija colores distintos para la identificación visual
3. Agregar Descripción: Detalles opcionales sobre la clase
4. Haga clic en Save

2.3 Mejores Prácticas para Nombres de Clases

Nombres buenos	Nombres pobres
Small_Bolt, Medium_Bolt, Large_Bolt	Type1, Type2, Type3
Red_Cap, Blue_Cap, Green_Cap	Color1, Color2, Color3
Good_Part, Defective_Part	Pass, Fail
Screw_PhillipsHead, Screw_Flathead	A, B

Paso 3: Capturar Imágenes de Entrenamiento

3.1 Proceso de Captura de Imágenes

Para cada clase, capture un mínimo de 5 imágenes (se recomiendan 10 o más):

1. Coloque el objeto que representa la clase en el área de inspección
2. Verifique que el objeto esté dentro de los límites de ROI
3. Haga clic en Capture para tomar la imagen de entrenamiento
4. Seleccione la clase adecuada desde el menú desplegable
5. Haga clic en Save para almacenar la imagen etiquetada
6. Repita con diferentes ejemplos de la misma clase

3.2 Requisitos de Datos de Entrenamiento

Clase	Imágenes mínimas	Imágenes recomendadas	Notas
Cada clase	5	10-15	Más imágenes = mejor precisión
Conjunto total de datos	15+	30-50+	Equilibrado entre todas las clases
Casos límite	2-3 por clase	5+ por clase	Ejemplos límite

3.3 Mejores Prácticas para Imágenes de Entrenamiento

Hacer:

• Usar diferentes ejemplos dentro de cada clase
• Variar orientaciones y posiciones de los objetos
• Incluir condiciones de iluminación adecuadas
• Capturar casos límite y ejemplos limítrofes
• Mantener un encuadre de ROI consistente

No hacer:

• Usar objetos idénticos repetidamente
• Incluir múltiples objetos en una sola ROI
• Mezclar clases en una misma imagen
• Usar imágenes borrosas o mal iluminadas
• Cambiar el tamaño de ROI entre capturas

3.4 Control de Calidad

Después de capturar cada imagen:

1. Revisar la calidad de la imagen en la vista previa
2. Verificar la asignación correcta de la etiqueta de clase
3. Eliminar imágenes de mala calidad usando el botón Delete
4. Volver a capturarla si es necesario

Paso 4: Configurar Parámetros de Entrenamiento

4.1 Acceder a la Configuración de Entrenamiento

1. Haga clic en Train Classification Model botón

4.2 Seleccionar Modo de Entrenamiento

Elija según sus necesidades:

Modo de Entrenamiento	Duración	Precisión	Caso de Uso
Rápido	2-5 minutos	Bueno para pruebas	Validación inicial del modelo
Balanceado	5-15 minutos	Listo para producción	La mayoría de las aplicaciones
Preciso	15-30 minutos	Máxima precisión	Aplicaciones críticas

4.3 Configurar Conteo de Iteraciones

Ajuste de iteraciones manual:

• Bajo (50-100): Pruebas rápidas, precisión básica
• Medio (200-500): Calidad de producción
• Alto (500+): Precisión máxima, entrenamiento más lento

4.4 Configuraciones Avanzadas (Opcional)

Tamaño de lote:

• Lotes más pequeños: Entrenamiento más estable, más lento
• Lotes más grandes: Entrenamiento más rápido, puede ser menos estable

Tasa de aprendizaje:

• Valores más bajos: Más estable, aprendizaje más lento
• Valores más altos: Aprendizaje más rápido, riesgo de inestabilidad

Recomendación: Utilice la configuración predeterminada a menos que tenga requisitos de rendimiento específicos.

Paso 5: Iniciar el Proceso de Entrenamiento

5.1 Inicializar Entrenamiento

1. Revisar la configuración de entrenamiento
2. Haga clic en Start Training
3. Monitorear el progreso en el modal de entrenamiento

5.2 Indicadores de Progreso del Entrenamiento

Monitoree estas métricas:

• Iteración Actual: Progreso a través de los ciclos de entrenamiento
• Precisión de Entrenamiento: Desempeño del modelo en los datos de entrenamiento
• Tiempo Estimado: Duración de entrenamiento restante
• Valor de Pérdida: Error del modelo (debería disminuir con el tiempo)

5.3 Controles de Entrenamiento

Acciones disponibles durante el entrenamiento:

• Cancelar Entrenamiento: Detener el entrenamiento de inmediato
• Finalizar temprano: Detener cuando la precisión actual sea suficiente
• Extender Entrenamiento: Agregar más iteraciones si es necesario

5.4 Finalización del Entrenamiento

El entrenamiento se detiene automáticamente cuando:

• Se alcanza la precisión objetivo (normalmente 95% o más)
• Se completan las iteraciones máximas
• El usuario detiene el entrenamiento manualmente

Paso 6: Evaluar el Rendimiento del Modelo

6.1 Revisar Resultados del Entrenamiento

Verificar métricas finales:

• Precisión Final: Debe ser mayor al 85% para uso en producción
• Tiempo de Entrenamiento: Anote la duración para referencia futura
• Convergencia: Verifique que la precisión se haya estabilizado

6.2 Indicadores de Calidad del Modelo

Rango de Precisión	Nivel de Calidad	Recomendación
95%+	Excelente	Listo para producción
85-94%	Bueno	Adecuado para la mayoría de las aplicaciones
75-84%	Regular	Considerar más datos de entrenamiento
<75%	Pobre	Reentrenar con más imágenes o imágenes de mayor calidad

6.3 Solución de Problemas de Bajo Rendimiento

Problema	Causa probable	Solución
Precisión baja (<75%)	Datos de entrenamiento insuficientes	Añadir más imágenes etiquetadas
El entrenamiento no mejora	Mala calidad de imagen	Mejorar iluminación/enfoque
Clases confundidas	Objetos de aspecto similar	Añadir más ejemplos que distingan las clases
Sobreajuste	Demasiadas pocas imágenes por clase	Equilibrar el conjunto de datos entre clases

Paso 7: Prueba de rendimiento de clasificación

7.1 Prueba en vivo

1. Haz clic en Live Preview para acceder a la prueba en tiempo real
2. Coloque los objetos de prueba en el área de inspección
3. Observe los resultados de la clasificación:
   • Nombre de la clase prevista
   • Porcentaje de confianza
   • Tiempo de procesamiento

7.2 Prueba de validación

Proceso de validación sistemática:

Objeto de Prueba	Clase Esperada	Resultado Real	Confianza	Aprobado/Reprobado
Objeto de Clase A conocido	Clase A	_____	____%	☐
Objeto de Clase B conocido	Clase B	_____	____%	☐
Ejemplo limítrofe	Clase A o B	_____	____%	☐
Objeto desconocido	Baja confianza	_____	____%	☐

7.3 Prueba de rendimiento

Verifique estos aspectos:

• Precisión: Clasificaciones correctas para objetos conocidos
• Confianza: Alta confianza (>80%) para ejemplos claros
• Consistencia: Resultados repetibles para el mismo objeto
• Velocidad: Tiempo de procesamiento aceptable para su aplicación

Paso 8: Optimización del modelo

8.1 Si el rendimiento es insatisfactorio

Procesos de mejora iterativa:

1. Identifique áreas problemáticas:
   • ¿Qué clases están confundidas?
   • ¿Qué objetos están mal clasificados?
   • ¿Los niveles de confianza son apropiados?
2. Añada datos de entrenamiento dirigidos:
   • Más ejemplos de clases confundidas
   • Casos límite y ejemplos limítrofes
   • Diferentes condiciones de iluminación/posicionamiento
3. Reentrenar el modelo:
   • Use el modo "Preciso" para un mejor rendimiento
   • Aumente la cantidad de iteraciones
   • Controle la mejora en la precisión

8.2 Optimización Avanzada

Para aplicaciones críticas:

• Data augmentation: Use iluminación y posiciones variadas
• Transfer learning: Comience desde modelos entrenados similares
• Ensemble methods: Combine múltiples modelos
• Regular retraining: Actualice con nuevos datos de producción

Paso 9: Finalizar Configuración

9.1 Guardar Modelo

1. Verifique un rendimiento satisfactorio
2. El modelo se guarda automáticamente cuando finaliza el entrenamiento
3. Tenga en cuenta la versión del modelo para la documentación

9.2 Documentación

Registre estos detalles:

• Fecha de entrenamiento y versión
• Número de imágenes por clase
• Modo de entrenamiento y iteraciones utilizadas
• Precisión final alcanzada
• Cualquier consideración especial

9.3 Respaldo de la Configuración

1. Exportar receta para copia de seguridad
2. Guardar imágenes de entrenamiento por separado si es necesario
3. Documentar los parámetros del modelo

¡Éxito! Tu Clasificador está Listo

Tu modelo de clasificación entrenado ahora puede:

• Clasificar automáticamente objetos en las clases definidas
• Proporcionar puntuaciones de confianza para cada predicción
• Procesar imágenes en tiempo real para uso de producción
• Integrar con la lógica de E/S para la toma de decisiones automatizada

Mantenimiento Continuo

Actualizaciones Regulares del Modelo

• Monitorear el rendimiento a lo largo del tiempo
• Agregar nuevos datos de entrenamiento según sea necesario
• Reentrenar periódicamente para mantener la precisión
• Actualizar las clases para nuevas variantes de productos

Monitoreo de Rendimiento

• Rastrear métricas de precisión en producción
• Identificar deriva en el rendimiento del modelo
• Programar reentrenamiento en función de la degradación del rendimiento

Próximos Pasos

Después de entrenar su clasificador:

1. Configurar la lógica de E/S para decisiones de aprobación o rechazo
2. Configurar flujos de producción en Bloque IO
3. Probar el sistema completo de inspección de extremo a extremo
4. Desplegar en el entorno de producción

Errores Comunes

Error	Impacto	Prevención
Datos de entrenamiento insuficientes	Precisión deficiente	Utilice 10 o más imágenes por clase
Clases desequilibradas	Predicciones sesgadas	Distribuya imágenes de forma uniforme entre las clases
Mala calidad de la imagen	Resultados inconsistentes	Optimice iluminación y enfoque
Clases demasiado similares	Clasificaciones confusas	Defina definiciones de clase distintas
Faltan pruebas de validación	Fallos de producción	Pruebe siempre con objetos no vistos