Entrenar un Clasificador

Esta guía muestra cómo configurar y entrenar un modelo de clasificación en el sistema de cámaras OV20i. Use este procedimiento cuando necesite categorizar automáticamente objetos en diferentes clases basadas en características visuales.

Guía de Video

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

Cuándo usar 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 de inspección definidos
• Objetos de muestra que representen cada clase que desee detectar

Paso 1: Acceso al Classification Block

1.1 Navegar a Classification Block

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

1.2 Verificar Prerrequisitos

Asegúrese de que los siguientes bloques muestren un estado verde:

• ✅ Configuración de imágenes
• ✅ 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 "Tipos de Inspección"
2. Agregar clases para cada categoría que desee detectar

2.2 Configurar Cada Clase

Para cada clase:

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

2.3 Mejores Prácticas de Nomenclatura de Clases

Nombres adecuados	Nombres inadecuados
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 recomienda 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 la ROI
3. Haga clic en Capture para tomar la imagen de entrenamiento
4. Seleccione la clase adecuada desde el 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 = mayor precisión
Conjunto de datos total	15+	30-50+	Equilibrado entre todas las clases
Casos límite	2-3 por clase	5+ por clase	Ejemplos limítrofes

3.3 Mejores Prácticas de Imágenes de Entrenamiento

Qué 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

Qué no hacer:

• Usar objetos idénticos repetidamente
• Incluir múltiples objetos en una ROI
• Mezclar clases en una sola imagen
• Usar imágenes borrosas o mal iluminadas
• Cambiar el tamaño de la 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 baja calidad usando el botón Delete
4. Volver a capturar si es necesario

Paso 4: Configurar Parámetros de Entrenamiento

4.1 Acceder a la Configuración de Entrenamiento

1. Haga clic en el botón Train Classification Model

4.2 Seleccionar el Modo de Entrenamiento

Elija según sus necesidades:

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

4.3 Establecer Conteo de Iteraciones

Configuración de iteraciones manual:

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

4.4 Opciones Avanzadas (Opcional)

Tamaño de lote (Batch Size):

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

Tasa de aprendizaje (Learning Rate):

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

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

Paso 5: Iniciar Proceso de Entrenamiento

5.1 Inicializar Entrenamiento

1. Revisar la configuración de entrenamiento
2. Haga clic en Start Training
3. Monitorear el progreso en la ventana 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: Rendimiento del modelo en los datos de entrenamiento
• Tiempo estimado: Duración de entrenamiento restante
• Pérdida (Loss Value): Error del modelo (debería disminuir con el tiempo)

5.3 Controles de Entrenamiento

Acciones disponibles durante el entrenamiento:

• Abort Training: Detener el entrenamiento de inmediato
• Finish Early: Detener cuando la precisión actual sea suficiente
• Extend Training: Agregar más iteraciones si es necesario

5.4 Finalización del Entrenamiento

El entrenamiento se detiene automáticamente cuando:

• Precisión objetivo alcanzada (típicamente 95%+)
• Se completan las iteraciones máximas
• El usuario detiene manualmente el entrenamiento

Paso 6: Evaluar el Rendimiento del Modelo

6.1 Revisar los Resultados del Entrenamiento

Verifique las métricas finales:

• Precisión Final: Debe ser >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%	Aceptable	Considere más datos de entrenamiento
<75%	Pobre	Reentrenar con más imágenes o imágenes de mejor calidad

6.3 Solución de Problemas de Bajo Rendimiento

Problema	Causa Probable	Solución
Precisión baja (<75%)	Datos de entrenamiento insuficientes	Agregar más imágenes etiquetadas
El entrenamiento no mejora	Mala calidad de las imágenes	Mejorar iluminación/foco
Clases confundidas	Objetos que se parecen	Agregar más ejemplos distintivos
Sobreajuste	Demasiadas pocas imágenes por clase	Balancear el conjunto de datos entre clases

Paso 7: Rendimiento de Clasificación

7.1 Pruebas en Vivo

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

7.2 Pruebas de Validación

Proceso de validación sistemático:

Objeto de prueba	Clase esperada	Resultado actual	Confianza	Aprobado / Fallido
Objeto de clase conocida A	Clase A	_____	____%	☐
Objeto de clase conocida B	Clase B	_____	____%	☐
Ejemplo límite	Clase A o B	_____	____%	☐
Objeto desconocido	Baja confianza	_____	____%	☐

7.3 Validación de Rendimiento

Verifique estos aspectos:

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

Step 8: Optimización del Modelo

8.1 Si el Rendimiento es Insatisfactorio

Proceso de mejora iterativa:

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

8.2 Optimización Avanzada

Para aplicaciones críticas:

• Aumento de datos: Usar iluminación y posiciones variadas
• Transfer learning: Empezar desde modelos entrenados similares
• Ensemble methods: Combinar múltiples modelos
• Retraining regular: Actualizar con nuevos datos de producción

Step 9: Finalize Configuration

9.1 Guardar Modelo

1. Verifique un rendimiento satisfactorio
2. El modelo se guarda automáticamente cuando el entrenamiento termina
3. Anote 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 e iteraciones utilizadas
• Precisión final alcanzada
• Cualquier consideración especial

9.3 Respaldo de Configuración

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

¡Éxito! Su Clasificador está Listo

Su 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 en producción
• Integrar con la lógica de I/O para la toma de decisiones automatizada

Mantenimiento continuo

Actualizaciones periódicas 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 producto

Monitoreo de rendimiento

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

Próximos pasos

Después de entrenar su clasificador:

1. Configurar la lógica de I/O para decisiones de aprobado/fallo
2. Configurar flujos de trabajo de producción en IO Block
3. Probar el sistema de inspección completo de extremo a extremo
4. Desplegar en el entorno de producción

Errores Comunes

Punto débil	Impacto	Prevención
Datos de entrenamiento insuficientes	Baja precisión	Usar 10 o más imágenes por clase
Clases desequilibradas	Predicciones sesgadas	Imágenes iguales entre clases
Baja calidad de la imagen	Resultados inconsistentes	Optimizar la iluminación y el enfoque
Clases excesivamente similares	Clasificaciones confusas	Elegir definiciones de clase distintas
Sin pruebas de validación	Fallas de producción	Siempre pruebe con objetos no vistos