Saltar al contenido principal

DOCUMENTACIÓN CON IA

¿Qué desea saber?

Añadiendo Datos y Reentrenamiento

Nota sobre OV10i

El OV10i admite únicamente modelos de clasificación. Las funciones de segmentación mencionadas en esta página están disponibles en las cámaras OV20i y OV80i.

Este tutorial le muestra cómo mejorar la precisión de su modelo de AI agregando nuevas imágenes a una receta existente y reentrenando el modelo. Este proceso es esencial cuando su modelo rechaza incorrectamente piezas buenas o cuando encuentra nuevas variaciones en su producción.

Guía en Video

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

¿Pocas imágenes de defectos?

Use el Defect Creator Studio para generar imágenes sintéticas fotorrealistas de defectos a partir de una sola imagen de una pieza buena. Describa el defecto en inglés sencillo y obtenga imágenes listas para entrenamiento en segundos.

Lo que aprenderá:

  • Cómo encontrar y seleccionar imágenes para reentrenamiento
  • Cómo agregar imágenes a un conjunto de entrenamiento existente
  • Cómo etiquetar nuevos datos de entrenamiento
  • Cómo reentrenar su modelo con los nuevos datos

Cuándo usar esto: Cuando las piezas buenas están fallando la inspección, cuando tiene nuevas variaciones de piezas, o cuando necesita mejorar la precisión del modelo con ejemplos adicionales.

Prerrequisitos​

  • Receta activa con un modelo de AI entrenado (clasificación o segmentación)
  • Acceso a la interfaz de la cámara OV10i
  • Imágenes en la Biblioteca que necesitan ser agregadas al entrenamiento

Paso 1: Encontrar Imágenes para el Reentrenamiento​

1.1 Navegar a la Biblioteca​

  1. Abra la interfaz del OV10i
  2. Haga clic en "Biblioteca" en el menú de navegación izquierdo
  3. Verá todas las imágenes capturadas por su cámara

1.2 Filtrar Imágenes​

  1. Filtrar por Receta: Seleccione la receta que desea mejorar
  2. Filtrar por aprobado/rechazado: Seleccione "FAIL" para ver imágenes fallidas, o "PASS" para ver imágenes aprobadas
  3. Ordenar por: Elija fecha u otro criterio para organizar los resultados
  4. Haga clic en "Buscar" 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 Conjunto de Entrenamiento​

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 aprobadas
  3. Haga clic en la casilla de cada imagen que desee agregar
Importante

Agregue 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 Agregar al Conjunto de Entrenamiento​

  1. Después de seleccionar imágenes, haga clic en "Add to the active recipe's trainset" en la parte inferior
  2. Un mensaje de éxito confirmará que las imágenes fueron agregadas
  3. Haga clic en "Go to recipe editor" para continuar

Paso 3: Etiquetar Nuevos Datos de Entrenamiento​

3.1 Navegar a Etiquetar y Entrenar​

  1. Desde el editor de recetas, vaya a:
    • Receta de Clasificación: "Classification Block"
    • Receta de Segmentación: "Label And Train"
  2. Haga clic en "View All ROIs"

3.2 Encontrar Imágenes Sin Etiquetar​

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

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 del menú desplegable (por ejemplo, "Pass", "Good", etc.)
  4. Haga clic en "OK" para aplicar la etiqueta
Importante

Haga clic en "Borrar selección" entre diferentes sesiones de etiquetado para evitar errores de etiquetado.

image.png

3.4 Cerrar la Vista de ROI​

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

Paso 4: Reentrenar el Modelo​

4.1 Iniciar el Reentrenamiento​

  1. Haga clic en "Train Classification Model" o "Train Segmentation Model"
  2. El sistema reentrenará utilizando 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 datos etiquetados
  • El tiempo de entrenamiento depende de la cantidad total de datos
  • Espere a que el entrenamiento se complete antes de realizar pruebas

4.3 Probar el Modelo Mejorado​

  1. Use el "Live Preview Mode" para probar el modelo reentrenado
  2. Pruebe con las mismas imágenes que previamente fallaron incorrectamente
  3. Verifique que el modelo ahora identifique correctamente las piezas buenas como aprobadas

Paso 5: Validar Resultados​

5.1 Probar con Nuevas Imágenes​

  1. Capture nuevas imágenes de piezas similares
  2. Verifique si el modelo tiene un mejor desempeño en casos límite
  3. Verifique que las imágenes previamente buenas ahora pasen correctamente

5.2 Monitorear el Desempeño​

  1. Esté atento a nuevos falsos positivos o falsos negativos
  2. Documente la mejora en la precisión
  3. Tome nota de cualquier problema restante para futuros reentrenamientos

¡Éxito! Su Modelo está Reentrenado​

Su modelo de AI mejorado ahora puede:

✅ Identificar mejor las piezas buenas que previamente fallaban

✅ Manejar nuevas variaciones en sus piezas de producción

✅ Reducir fallas falsas y mejorar la precisión

✅ Adaptarse a cambios en su proceso de manufactura

Consejos Clave para el Éxito​

Calidad de Datos​

  • Agregue imágenes clasificadas incorrectamente (tanto falsos aprobados como falsos rechazos)
  • Etiquete de manera consistente - piezas buenas como "Pass", piezas malas como "Fail"
  • Incluya ejemplos diversos tanto de condiciones de aprobación como de rechazo
  • Borre las selecciones entre diferentes sesiones de etiquetado

Cuándo Reentrenar​

  • Aumentan las fallas falsas (piezas buenas fallando)
  • Aumentan los aprobados falsos (piezas malas pasando)
  • Aparecen nuevas variaciones de piezas en producción
  • Los cambios en el proceso afectan la apariencia de las piezas
  • Variaciones estacionales en materiales o iluminación

Mejores Prácticas​

  • Comience con poco - agregue de 10 a 20 imágenes a la vez
  • Pruebe a fondo después de cada reentrenamiento
  • Documente los cambios y las mejoras
  • Mantenga respaldos de los modelos funcionales antes de un reentrenamiento mayor
Más imágenes no siempre es mejor

Agregar grandes lotes de imágenes sin revisarlas puede empeorar su modelo. Cada imagen que agrega le enseña algo a la AI. Si esas imágenes contienen piezas mal etiquetadas, iluminación inconsistente, capturas borrosas o casos límite que no representan condiciones reales de producción, el modelo aprende los patrones incorrectos y la precisión disminuye. Buenos datos entran, buenos datos salen.

Antes de agregar imágenes, verifique que cada una esté: correctamente etiquetada (pass realmente muestra una pieza buena, fail realmente muestra un defecto), representativa de condiciones reales de producción, clara y enfocada (no borrosa ni sobreexpuesta), y relevante para la característica que el modelo necesita aprender. Si la precisión baja después del reentrenamiento, revise primero las imágenes recientemente agregadas. Eliminar algunos malos ejemplos a menudo ayuda más que agregar docenas de nuevos.

Próximos Pasos​

Después de reentrenar su modelo:

  1. Monitoree la producción para verificar la mejora en precisión
  2. Continúe recopilando imágenes problemáticas para futuros reentrenamientos
  3. Establezca un programa regular de reentrenamiento si es necesario
  4. Capacite a los operadores sobre cuándo marcar imágenes para reentrenamiento
  5. Documente su proceso de reentrenamiento para mantener consistencia

🔗 Ver También​