Entrenar un Clasificador

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

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 la configuración de imágenes configurada
• Imagen de plantilla y alineación completadas (o omitidas)
• ROI de inspección definidos
• Objetos de muestra que representen cada clase que desea detectar

Paso 1: Acceder al Bloque de Clasificación

1.1 Navegar a Clasificación

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 el estado verde:

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

Paso 2: Crear Clases de Clasificación

2.1 Definir 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., "Pequeño", "Mediano", "Grande")
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 Correctos	Nombres Incorrectos
Pequeño_Tornillo, Mediano_Tornillo, Grande_Tornillo	Type1, Type2, Type3
Tapa_Roja, Tapa_Azul, Tapa_Verde	Color1, Color2, Color3
Pieza_Buena, Pieza_Defectuosa	Pass, Fail
Tornillo_PhilipsHead, Tornillo_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 la área de inspección
2. Verifique que el objeto esté dentro de los límites de la ROI (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 límite

3.3 Mejores Prácticas de Imágenes de Entrenamiento

Hacer:

• Utilice diferentes ejemplos dentro de cada clase
• Varíe las orientaciones y las posiciones de los objetos
• Incluya condiciones de iluminación adecuadas
• Capture casos límite y ejemplos limítrofes
• Mantenga un encuadre de ROI consistente

No Hacer:

• No utilice objetos idénticos de forma repetida
• No incluya múltiples objetos en una sola ROI
• No mezcle clases en imágenes únicas
• No utilice imágenes borrosas o mal iluminadas
• No cambie 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 mala calidad usando el botón Delete
4. Tomar la imagen de nuevo 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 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
Equilibrado	5-15 minutos	Listo para producción	La mayoría de las aplicaciones
Preciso	15-30 minutos	La mayor precisión	Aplicaciones críticas

4.3 Configurar Conteo de Iteraciones

Configuración manual de iteraciones:

• Baja (50-100): Pruebas rápidas, precisión básica
• Media (200-500): Calidad de producción
• Alta (500+): Máxima precisión, entrenamiento más lento

4.4 Configuración Avanzada (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: Más estable, aprendizaje 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 el Proceso de Entrenamiento

5.1 Iniciar Entrenamiento

1. Revisar la configuración de entrenamiento
2. Haga clic en el botón 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 ciclos de entrenamiento
• Precisión de Entrenamiento: Rendimiento del modelo en los datos de entrenamiento
• Tiempo Estimado: Duración estimada restante
• Valor de Pérdida: Error del modelo (debería disminuir con el tiempo)

5.3 Controles de Entrenamiento

Acciones disponibles durante el entrenamiento:

• Abortar Entrenamiento: Detener el entrenamiento de inmediato
• Finalizar Temprano: Detener cuando la precisión actual sea suficiente
• Extender Entrenamiento: Añadir más iteraciones si es necesario

5.4 Finalización del Entrenamiento

El entrenamiento se detiene automáticamente cuando:

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

Paso 6: Evaluar Desempeño del Modelo

6.1 Revisión de Resultados de Entrenamiento

Verifique las métricas finales:

• Precisión Final: Debe ser >85% para uso en producción
• Tiempo de Entrenamiento: Registre 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 mejor calidad

6.3 Solución de Problemas de Bajo Desempeño

Problema	Causa probable	Solución
Baja precisión (<75%)	Datos de entrenamiento insuficientes	Agregar más imágenes etiquetadas
El entrenamiento no mejora	Calidad de imagen pobre	Mejorar iluminación/enfoque
Clases confundidas	Objetos con aspecto similar	Agregar más ejemplos que los distingan
Sobreajuste	Muy pocas imágenes por clase	Equilibrar el conjunto de datos entre clases

Paso 7: Prueba del rendimiento de clasificación

7.1 Pruebas en vivo

1. Haz 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/Rechazado
Objeto de la Clase A conocida	Clase A	_____	____%	☐
Objeto de la Clase B conocida	Clase B	_____	____%	☐
Ejemplo límite	Clase A o B	_____	____%	☐
Objeto desconocido	Clase desconocida	_____	____%	☐

7.3 Validación de rendimiento

Verifique estos aspectos:

• Exactitud: 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

Proceso de mejora iterativa:

1. Identifique áreas problemáticas:
   • ¿Qué clases se confunden?
   • ¿Qué objetos están malclasificados?
   • ¿Son adecuados los niveles de confianza?
2. Agregar datos de entrenamiento específicos:
   • Más ejemplos de clases confusas
   • Casos límite y ejemplos limítrofes
   • Diferentes condiciones de iluminación/posición
3. Reentrenar el modelo:
   • Utilizar el modo "Accurate" para un mejor rendimiento
   • Aumentar el recuento de iteraciones
   • Monitorear la mejora en la precisión

8.2 Optimización avanzada

Para aplicaciones críticas:

• Aumento de datos: Utilice iluminación y posiciones variadas
• Aprendizaje por transferencia: Partir de modelos entrenados similares
• Métodos de ensamblaje: Combinar múltiples modelos
• Reentrenamiento regular: Actualizar con nuevos datos de producción

Paso 9: Finalizar la configuración

9.1 Guardar el modelo

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

9.2 Documentación

Registrar 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 Copia de seguridad de la configuración

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

¡Éxito! Su clasificador está listo

Su modelo de clasificación entrenado puede ahora:

• Clasificar automáticamente los objetos en 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

• Rastrear 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 pass/fail
2. Configurar flujos 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

Fallo	Impacto	Prevención
Datos de entrenamiento insuficientes	Precisión deficiente	Utilice más de 10 imágenes por clase
Clases desequilibradas	Predicciones sesgadas	Imágenes iguales entre clases
Mala calidad de la imagen	Resultados inconsistentes	Optimizar iluminación y enfoque
Clases demasiado similares	Clasificaciones confusas	Definiciones de clase distintas
Falta de pruebas de validación	Fallos en producción	Pruebe siempre con objetos no vistos