Saltar al contenido principal

Añadiendo Datos y Reentrenamiento

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

Video Guide

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

Lo que aprenderá:

  • Cómo encontrar y seleccionar imágenes para el reentrenamiento
  • Cómo agregar imágenes a un trainset existente
  • Cómo etiquetar nuevos datos de entrenamiento
  • Cómo volver a entrenar su modelo con los nuevos datos

Cuándo usar esto: Cuando las piezas buenas están fallando en la inspección, cuando tiene 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 OV80i
  • Imágenes en la Library que deben añadirse al entrenamiento

Paso 1: Encontrar Imágenes para el Reentrenamiento​

1.1 Navegar a Library​

  1. Abra la interfaz de la OV80i
  2. Haga clic en "Library" en el menú de navegación de la izquierda
  3. Verá todas las imágenes capturadas de su cámara

1.2 Filtrar Imágenes​

  1. Filter by Recipe: Seleccione la receta que desea mejorar
  2. Filter by Pass/Fail: Seleccione "FAIL" para ver imágenes que fallaron, o "PASS" para ver imágenes que pasaron
  3. Sort By: 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: Agregar 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 marcadas incorrectamente como fallidas
    • Piezas malas que fueron marcadas incorrectamente como pasadas
  3. Haga clic en la casilla junto a cada imagen que desee añadir
Importante

Agregar imágenes que fueron clasificadas incorrectamente - esto incluye piezas buenas que fallaron Y piezas malas que pasaron. Ambos 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. Se mostrará un mensaje de éxito que confirmará que las imágenes se añadieron
  3. Haga clic en "Go to recipe editor" para continuar

Paso 3: Etiquetar Nuevos Datos de Entrenamiento​

3.1 Ir a Etiquetar y Entrenar​

  1. Desde el Editor de Recetas, vaya a:
    • Receta de Clasificación: "Bloque de Clasificación"
    • Receta de Segmentación: "Etiquetar y Entrenar"
  2. Haga clic en "Ver Todas las ROIs"

3.2 Encontrar Imágenes Sin Etiquetar​

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

image.png

3.3 Etiquetar Imágenes Seleccionadas​

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

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

image.png

3.4 Cerrar Vista de ROI​

  1. Cierre el modal "View All ROIs"
  2. Regrese a la página principal de Etiquetado y Entrenamiento

Paso 4: Reentrenar el Modelo​

4.1 Iniciar Reentrenamiento​

  1. Haga clic en "Train Classification Model" o "Train Segmentation Model"
  2. El sistema se reentrenará usando 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 antiguos como de los nuevos etiquetados
  • 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 "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 pasadas

Paso 5: Validar Resultados​

5.1 Probar con Imágenes Nuevas​

  1. Tome imágenes nuevas 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. Esté atento a cualquier nuevo falsos positivos o falsos negativos
  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 ahora puede:

✅ Identificar mejor las piezas buenas que previamente fallaban

✅ Manejar nuevas variaciones en sus piezas de producción

✅ Reducir falsos positivos y mejorar la precisión

✅ Adaptarse a cambios en su proceso de fabricación

Consejos clave para el éxito​

Calidad de los Datos​

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

Cuándo reentrenar​

  • Aumentan los falsos positivos (piezas malas que pasan)
  • Aumentan los falsos negativos (piezas buenas que fallan)
  • Aparecen nuevas variaciones de piezas en la producción
  • Los 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 las mejoras
  • Mantenga una copia de seguridad de modelos que funcionen antes de un reentrenamiento mayor

Próximos 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. Capacite a los operadores sobre cuándo marcar imágenes para reentrenamiento
  5. Documente su proceso de reentrenamiento para mantener la consistencia

🔗 Ver También​