Entrenar un Clasificador

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

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 representan cada clase que desea detectar

Paso 1: Acceder a Clasificación

1.1 Ir a Clasificación

1. Haga clic en "Bloque de Clasificación" 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 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 "'Tipos de Inspección'"
2. Agregar clases para cada categoría que desee detectar

2.2 Configurar Cada Clase

Para cada clase:

1. Introduzca 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 Guardar

2.3 Mejores Prácticas para Nombrar 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 recomiendan 10 o más):

1. Coloque el objeto que representa la clase en la zona de inspección
2. Verifique que el objeto esté dentro de los límites de la ROI
3. Haga clic en Capturar para tomar la imagen de entrenamiento
4. Seleccione la clase adecuada desde el menú desplegable
5. Haga clic en Guardar para almacenar la imagen etiquetada
6. Repetir 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

Hacer:

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

No hacer:

• Utilice objetos idénticos de forma repetida
• Incluir múltiples objetos en una sola ROI
• Mezclar clases en imágenes únicas
• Utilizar imágenes borrosas o mal iluminadas
• Cambiar el tamaño de la ROI entre capturas

3.4 Control de Calidad

Después de capturar cada imagen:

1. Revise la calidad de la imagen en la vista previa
2. Verifique la asignación correcta de la etiqueta de clase
3. Elimine las imágenes de baja calidad usando el botón Delete
4. Vuelva a capturarla si es necesario

Paso 4: Configurar Parámetros de Entrenamiento

4.1 Acceda 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
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	Mayor 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 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. Revise la configuración de entrenamiento
2. Haga clic en Start Training
3. Monitoree el progreso en el modal de entrenamiento

5.2 Indicadores de Progreso de Entrenamiento

Monitoree estas métricas:

• Iteración Actual: Progreso a través de ciclos de entrenamiento
• Precisión de Entrenamiento: Desempeño del modelo en los datos de entrenamiento
• Tiempo Estimado: Duración restante del entrenamiento
• Valor de Pérdida: Error del modelo (debe 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: Agregar más iteraciones si es necesario

5.4 Finalización del Entrenamiento

El entrenamiento se detiene automáticamente cuando:

• Precisión objetivo alcanzada (típicamente 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

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% o más	Excelente	Listo para producción
85-94%	Bueno	Adecuado para la mayoría de las aplicaciones
75-84%	Aceptable	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	Considerar más imágenes etiquetadas
El entrenamiento no mejora	Calidad de imagen deficiente	Mejorar iluminación/enfoque
Clases confundidas	Objetos de apariencia similar	Añadir más ejemplos que los distingan
Sobreajuste	Demasiadas pocas imágenes por clase	Balancear el conjunto de datos entre clases

Paso 7: Rendimiento de Clasificación de Pruebas

7.1 Pruebas en Tiempo Real

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

7.2 Pruebas de Validación

Proceso de validación sistemático:

Objeto de prueba	Clase esperada	Resultado actual	Confianza	Aprobado/Fallo
Objeto de clase A conocido	Clase A	_____	____%	☐
Objeto de clase B conocido	Clase B	_____	____%	☐
Ejemplo límite	Clase A o B	_____	____%	☐
Objeto desconocido	Confianza baja	_____	____%	☐

7.3 Validación de Rendimiento

Verifique estos aspectos:

• Precisión: Clasificaciones correctas para objetos conocidos
• Confianza: Alto nivel de 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 no es satisfactorio

Proceso de mejora iterativa:

1. Identificar las áreas problemáticas:
   • ¿Qué clases están confundidas?
   • ¿Qué objetos están mal clasificados?
   • ¿Los niveles de confianza son apropiados?
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:
   • Usar el modo "Accurate" para un mejor rendimiento
   • Aumentar la cantidad de iteraciones
   • Monitorear la mejora en la precisión

8.2 Optimización Avanzada

Para aplicaciones críticas:

• Aumento de datos: Usar iluminación y posiciones variadas
• Transfer learning: Iniciar desde modelos entrenados similares
• Métodos de ensamblaje: Combinar múltiples modelos
• Reentrenamiento regular: Actualizar con nuevos datos de producción

Paso 9: Finalizar Configuración

9.1 Guardar Modelo

1. Verificar rendimiento satisfactorio
2. El modelo se guarda automáticamente cuando finaliza el entrenamiento
3. Anotar la versión del modelo para 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 lograda
• 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! Tu clasificador está listo

Tu modelo de clasificación entrenado ahora puede:

• Categorizar automáticamente 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 toma de decisiones automatizada

Mantenimiento en curso

Actualizaciones Regulares del Modelo

• Monitorear el rendimiento con el 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 pasada/fallo
2. Configurar flujos de producción en IO Block
3. Probar el sistema de inspección completo de principio a fin
4. Desplegar en el entorno de producción

Errores Comunes

Riesgo	Impacto	Prevención
Datos de entrenamiento insuficientes	Baja precisión	Usar 10 o más imágenes por clase
Clases desbalanceadas	Predicciones sesgadas	Igual cantidad de imágenes entre clases
Mala calidad de la imagen	Resultados inconsistentes	Optimizar iluminación y enfoque
Clases demasiado similares	Clasificaciones confusas	Elegir definiciones de clase distintas
Sin pruebas de validación	Fallas de producción	Siempre pruebe con objetos no vistos