Saltar al contenido principal

DOCUMENTACIÓN CON IA

¿Qué desea saber?

Agregar datos y reentrenamiento

OV10i Note

El OV10i admite solo 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 IA al añadir nuevas imágenes a una receta existente y reentrenar el modelo. Este proceso es esencial cuando su modelo identifica incorrectamente piezas buenas como fallidas o cuando se presentan 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 añadir imágenes a un trainset existente
  • Cómo etiquetar nuevos datos de entrenamiento
  • Cómo reentrenar su modelo con los nuevos datos

Cuándo usar esto: Cuando las piezas buenas están fallando en la inspección, cuando hay 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 cámara OV10i
  • 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 OV10i
  2. Haga clic en "Library" en el menú de navegación izquierdo
  3. Verá todas las imágenes capturadas de su cámara

1.2 Filtrar Imágenes​

  1. Filtrar por Receta: Seleccione la receta que quiere mejorar
  2. Filtrar por Pass/Fail: Seleccione "FAIL" para ver imágenes que fallaron, o "PASS" para ver imágenes que pasaron
  3. Ordenar por: 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 sean piezas buenas que fallaron o piezas malas que pasaron.

Paso 2: Añadir 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 falladas
    • Piezas malas que fueron marcadas incorrectamente como pasadas
  3. Haga clic en la casilla de cada imagen que desee añadir
Importante

Añada imágenes que fueron clasificadas incorrectamente - esto incluye piezas buenas que fallaron y piezas malas que pasaron. Ambos casos 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 Label and Train​

  1. Desde el Recipe Editor, vaya a:
    • Classification Recipe: "Classification Block"
    • Segmentation Recipe: "Label And Train"
  2. Haga clic en "View All ROIs"

3.2 Encontrar Imágenes No Etiquetadas​

  1. Utilice el desplegable "Filter By Class"
  2. Seleccione "Unlabeled" para mostrar solo imágenes no etiquetadas
  3. Verá las imágenes que acaba de añadir al trainset

image.png

3.3 Etiquetar Imágenes Seleccionadas​

  1. Seleccione todas las imágenes no etiquetadas que añadió
  2. Haga clic en "Label Selected ROIs" en la esquina inferior izquierda
  3. Elija la etiqueta correcta del 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 etiquetado incorrecto.

image.png

3.4 Cerrar Vista de ROI​

  1. Cierre la ventana modal "View All ROIs"
  2. Regrese a la página principal de Label and Train

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 de datos etiquetados antiguos y nuevos
  • 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 "Live Preview Mode" para probar el modelo reentrenado
  2. Pruebe con las mismas imágenes que anteriormente fallaron de forma incorrecta
  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 se clasifiquen correctamente

5.2 Monitorear Rendimiento​

  1. Vigile cualquier nuevo falso positivo o falso negativo
  2. Documente la mejora en la precisión
  3. Anote cualquier problema remanente para futuros reentrenamientos

¡Éxito! Su Modelo Está Reentrenado​

Su modelo de IA mejorado ahora puede:

✅ Identificar mejor las piezas buenas que anteriormente fallaban

✅ Manejar nuevas variaciones en sus piezas de producción

✅ Reducir fallos falsos y mejorar la precisión

✅ Adaptarse a cambios en su proceso de fabricación

Consejos Clave para el Éxito​

Calidad de Datos​

  • Agregar imágenes clasificadas incorrectamente (tanto falsas pasadas como falsas fallas)
  • Etiquetar de forma consistente: piezas buenas como "Pass", piezas malas como "Fail"
  • Incluir ejemplos diversos de condiciones que pasan y que fallan
  • Limpiar las selecciones entre diferentes sesiones de etiquetado

Cuándo Reentrenar​

  • Aumentan los falsos fallos (piezas buenas fallando)
  • Aumentan los falsos positivos (piezas malas que pasan)
  • Aparecen nuevas variaciones de piezas en la producción
  • 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 mejoras
  • Mantenga una copia de seguridad de modelos que funcionen antes de un reentrenamiento importante

Próximos Pasos​

Después de reentrenar su modelo:

  1. Monitoree la producción para una mayor precisión
  2. Siga recopilando imágenes problemáticas para futuros reentrenamientos
  3. Configure un calendario 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​