Creación de la Primera Receta

Nota 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 análisis a fondo explica qué es una receta, describe las diferencias entre Clasificación y Segmentación, y proporciona orientación paso a paso para crear una receta. También incluye un recorrido detallado por la configuración de imagen, la captura de la imagen de plantilla y la configuración de alineación, la optimización de ROI, la recopilación de datos y el entrenamiento de AI, así como la configuración de aumento de datos de imágenes.

Guía en Video

Vea este tema en acción: Cómo crear una receta de segmentación en minutos

---

Objetivos de Aprendizaje

Al final de este análisis a fondo, comprenderá:

• qué es una receta
• la diferencia entre clasificación y segmentación, y cuándo usar cada una
• cómo crear una receta
• cómo configurar la configuración de imagen
• cómo capturar una imagen de plantilla y configurar el alineador
• qué son las ROIs (regiones de interés) y cómo optimizarlas
• recopilación de datos para el entrenamiento de AI
• pruebas y validación de recetas

¿Qué es una Receta?

• Un conjunto configurado de instrucciones que indica a la cámara cómo inspeccionar una pieza o producto específico.
• Define la configuración de la cámara, incluyendo parámetros de exposición, enfoque e iluminación para una captura de imagen consistente.
• Incluye lógica de procesamiento como definiciones de ROI, alineador, clases de clasificación o segmentación.
• Almacena configuraciones de entrada/salida para integrarse con sistemas de automatización para señales aprobado/rechazado o avanzadas.
• Puede guardarse y reutilizarse para asegurar inspecciones consistentes a través de turnos, líneas o instalaciones.

Clasificación vs. Segmentación

Definiciones

• Clasificación: Identificar el tipo de objeto en la ROI
• Segmentación: Localizar y analizar regiones en la imagen/ROI

Ejemplos

Clasificación de Imagen	Segmentación de Imagen	Clasificación de Imagen	Segmentación de Imagen
¿Qué es una oveja?	¿Qué píxeles pertenecen a qué objeto?	¿Esta pizza es aceptable o defectuosa?	¿Dónde está cada pepperoni?

Comparación Clave

	Clasificación	Segmentación
Velocidad	La velocidad depende de la configuración de imagen y la complejidad. Generalmente eficiente y rápida con configuraciones simples	Puede ser igual de rápida o incluso más rápida que la clasificación cuando se optimiza, especialmente con modelos optimizados
Precisión	Buena para aprobado/rechazado general o identificación del tipo de pieza	Mayor precisión para la localización precisa de defectos
Complejidad	Simple de configurar y mantener; menos parámetros	Compleja – Requiere más datos, etiquetado y ajuste
Requisito de Datos	Bajo – Requiere menos imágenes etiquetadas	Moderado – Requiere muchas imágenes con anotaciones detalladas con precisión a nivel de píxel
Casos de Uso	Presencia de pieza, orientación, verificaciones básicas de calidad, pieza insertada/no insertada, etc.	Defectos de superficie, inspección de características finas, detección de múltiples defectos, conteo, medición, etc.

Creando y Exportando una receta

Use el botón Exportar receta junto a una receta para exportar una receta individual.

Use el botón Exportar en la parte superior de la pantalla para exportar varias recetas a la vez.

Use el botón Importar en la parte superior de la pantalla para importar recetas.

nota

Recuerde: Cada receta admite solo un tipo de inspección a la vez, ya sea Segmentación o Clasificación. Elija el tipo correcto antes de comenzar su configuración.

configuración de imagen

Enfoque

• Qué es: Ajusta la nitidez de la imagen capturada.
• Cómo usarlo: Deslice hasta que los bordes y detalles de la imagen se vean nítidos y claros.

tip

Use un objeto objetivo con bordes claros (como una regla o tarjeta de calibración) al enfocar.

Rotación de Imagen

• Qué es: Rota la imagen (0° o 180°).
• Cuándo usarlo: Si la cámara está montada en ángulo pero desea que la imagen se muestre de otra manera en la interfaz.

nota

Si necesita rotar la imagen 90°, gire la cámara.

Exposición (ms)

• Qué es: Cuánto tiempo se expone el sensor a la luz durante la captura de la imagen.
• Efecto:
  • Mayor exposición → imágenes más brillantes, pero riesgo de desenfoque por movimiento.
  • Menor exposición → menos luz, pero imágenes más nítidas en aplicaciones de movimiento rápido.

Subexpuesta	Correctamente expuesta	Sobreexpuesta

tip

La exposición es logarítmica, y una mayor exposición significa más latencia (porque se requiere más tiempo para la captura de imagen).

Ganancia

• Qué es: Aclara artificialmente la imagen de manera digital (como el ISO en una cámara).
• Efecto:
  • Mayor ganancia → imagen más brillante, pero agrega ruido (apariencia granulada).
  • Menor ganancia → imagen más limpia, pero requiere buena iluminación.

Ganancia alta	Ganancia baja
Más brillante y con más ruido	Más oscura y con menos ruido

tip

Solo aumente la ganancia si no es posible ajustar la exposición o la iluminación.

Balance de Blancos Automático

• Qué es: Ajusta automáticamente el balance de color para que los blancos se vean blancos.
• Cuándo usarlo:
  • Ideal para entornos con condiciones de iluminación variables o cambiantes.
  • Para configuraciones estables, el balance de blancos manual proporciona resultados más consistentes y repetibles.

nota

Para ajustar manualmente el balance de blancos:

• Active ON el interruptor de Balance de Blancos Automático.
• Coloque una hoja de papel blanco debajo de la cámara o frente al lente.
• Coloque el interruptor en OFF para fijar la configuración del balance de blancos.

Gamma

• Qué es: Ajusta el brillo de los tonos medios sin afectar demasiado las áreas oscuras o brillantes.
• Efecto: Útil para revelar detalles en las sombras o reducir resaltes excesivamente brillantes.

Corrección de Lente

• Qué es: Corrige la distorsión de los lentes gran angular.
• Cuándo habilitarla: Si los bordes de la imagen se ven curvados o distorsionados, active esta opción para mayor precisión en las tareas de alineación.

Modo Estroboscópico LED

• Qué es: Controla cuándo se activa la luz LED integrada de la cámara.
• Opciones:
  • Off: El LED está encendido continuamente.
  • On: El LED solo destella durante la captura, reduciendo los reflejos.

Patrón de Luz LED

• Qué es: Selecciona cómo se iluminan los LEDs (por ejemplo, todos encendidos, todos apagados, izquierda y derecha, arriba y abajo, etc).
• Caso de uso: Ajuste según su configuración de iluminación para una iluminación óptima de la pieza.

tip

Utilice patrones direccionales para reducir el deslumbramiento o los reflejos apagando los LEDs que iluminan directamente las superficies reflectantes, mientras mantiene activas las fuentes de luz en ángulo para una mejor visibilidad.

Intensidad de Luz LED

• Qué es: Ajusta el brillo de la iluminación LED.
• Mejor práctica: Comience con un nivel bajo y aumente gradualmente para evitar el deslumbramiento o los reflejos.

Control Fotométrico

• Qué es: Captura múltiples imágenes (normalmente cuatro) con diferente iluminación direccional (izquierda, derecha, arriba y abajo) y luego las combina en una sola imagen mejorada.
• Propósito: Esta técnica reduce las sombras y resalta sutiles características de la superficie al proporcionar una iluminación consistente y uniforme en toda la pieza.
• Cuándo usarla: Ideal para piezas complejas, superficies altamente reflectantes o piezas con texturas irregulares donde las imágenes estándar con una sola luz pueden pasar por alto detalles críticos.

Configuración del Disparador

Disparador Manual

• Qué es: Captura imágenes cuando presiona el botón en la pantalla HMI.
• Mejor para: Pruebas, configuración o inspecciones manuales.

Disparador por Hardware

• Qué es: Utiliza una señal eléctrica (por ejemplo, de un sensor) para activar la cámara.
• Mejor para: Líneas automatizadas donde un sensor detecta la presencia de la pieza.

Disparador por PLC

• Qué es: Las señales de disparo se envían a través de controladores industriales (PLCs) para una operación sincronizada con otras máquinas.
• Mejor para: Sistemas totalmente automatizados que requieren una sincronización precisa.

Disparador por Alineador

• Qué es: Se activa automáticamente cuando el sistema detecta la alineación de la pieza en el campo de visión.
• Mejor para: Aplicaciones donde las piezas necesitan un posicionamiento consistente antes de la captura o cuando no hay otros disparadores confiables presentes.

Disparador por Intervalo

• Qué es: Activa la cámara a intervalos de tiempo establecidos.
• Mejor para: Procesos continuos o monitoreo de líneas en movimiento sin sensores de detección de piezas.

Imagen de Plantilla y Alineación

Omitir Alineador

• Qué es: Desactiva el paso de alineación durante la inspección.
• Cuándo usarlo: Si la pieza siempre está en la misma posición y orientación en la imagen.

Regiones de Plantilla

• Qué es: Define el área o áreas de la imagen de plantilla utilizadas para la alineación.
  • Rectángulo: Dibuje una región de interés rectangular.
  • Círculo: Dibuje una región de interés circular.
  • Ignorar región de plantilla: Excluya ciertas áreas de la alineación para evitar patrones que distraigan o características irrelevantes.
• Mejor uso: Ayuda al sistema a enfocarse únicamente en las características más distintivas de la pieza para una alineación precisa.

Rango de Rotación

• Qué es: Establece cuánta rotación (en grados) tolerará el sistema al hacer coincidir la pieza con la plantilla.
• Ejemplo: Establecer ±20° permite que la pieza rote ligeramente pero aún así sea detectada.
• Cuándo ajustar: Auméntelo si las piezas tienden a rotar durante la producción; redúzcalo para orientaciones altamente consistentes.

Sensibilidad

• Qué es: Controla con qué precisión el sistema busca una coincidencia entre la imagen en vivo y la plantilla.
• Efecto:
  • Sensibilidad alta → detecta detalles más sutiles, útil para piezas complejas.
  • Sensibilidad más baja → reduce coincidencias falsas pero puede pasar por alto características finas.

Umbral de Confianza

• Qué es: Establece la puntuación mínima de confianza requerida para que el sistema acepte una detección.
• Efecto:
  • Umbral más alto → menos falsos positivos pero podría pasar por alto coincidencias limítrofes.
  • Umbral más bajo → más detecciones, pero con mayor riesgo de falsos positivos.

tip

Comience con un valor moderado y ajuste según los resultados de las pruebas.

Invariante de Escala

• Qué es: Permite que el sistema detecte piezas que son ligeramente más grandes o más pequeñas que la imagen de plantilla original.
• Cuándo habilitarlo: Si el tamaño de la pieza puede variar ligeramente debido al posicionamiento, cambios de distancia o tolerancias de fabricación.

Leyenda de Vista Previa en Vivo

1. Un cuadro delimitador configurable que define la región específica del campo de visión (FOV) de la cámara a monitorear durante el disparo.

• Propósito: Garantiza que la cámara se enfoque únicamente en el área relevante, ignorando regiones de fondo innecesarias.
• Mejor uso:
  • Para objetos en movimiento, para garantizar que la pieza permanezca completamente dentro del área de detección.
  • Para optimizar la velocidad de procesamiento reduciendo la cantidad de datos de imagen analizados.

2. Un punto rojo visual que muestra el punto central de todas las ROIs (Regiones de Interés) definidas en la imagen.

• Propósito: Le ayuda a alinear y posicionar la región de búsqueda en relación con la pieza o la vista de la cámara.

3. La línea verde indica que el borde del objeto es detectado.

tip

Si ve que la línea cambia a rojo, intente aumentar el tamaño de la ROI, ajustar la ROI o aumentar la Sensibilidad.

Definición y Optimización de ROI (Region of Interest)

Tipos de Inspección

• Qué es: Define el tipo de inspección que se está realizando y agrupa ROIs (Regions of Interest) similares.
• Ejemplo: "Orificios" para verificar la presencia, el tamaño o la calidad de los orificios en una pieza.
• Características clave:
  • Agregar Tipo de Inspección: Cree nuevas categorías para diferentes requisitos de inspección.
  • # de ROIs: Muestra cuántas ROIs están asignadas actualmente a ese tipo de inspección.

Transformación

• Qué es: Ajusta la posición y geometría de las ROIs seleccionadas para una alineación y ubicación precisas.
• Campos y su propósito:
  • Altura/Ancho: Cambia el tamaño de la ROI.
  • X / Y: Mueve la posición de la ROI a lo largo de los ejes horizontal (X) y vertical (Y).
  • Ángulo: Rota la ROI alrededor de su centro.
• Mejor uso: Acelera la configuración cuando tiene patrones repetitivos, como múltiples orificios idénticos.

Regiones de Interés (ROIs)

• Qué es: Una lista de todas las ROIs definidas en la imagen de plantilla.
• Características:
  • Agregar Región de Interés (ROI): Cree una nueva ROI manualmente.
  • Ignorar Regiones: Excluya regiones específicas del procesamiento.
  • Editar: Guardar, eliminar o cancelar.
  • Ícono de Candado: Indica ROIs bloqueadas que no se pueden mover sin desbloquearlas.

Modo de Vista Previa en Vivo

• Qué es: Muestra retroalimentación en tiempo real después de ajustar o agregar ROIs.
• Caso de uso: Excelente para el ajuste fino de las posiciones y tamaños de ROI durante la configuración.

Botón de Prueba

• Qué es: Ejecute pruebas retrospectivas basadas en imágenes antiguas para verificar los cambios.
• Caso de uso: Para comparar los resultados actuales con configuraciones anteriores en cuanto a precisión y consistencia.

Recolección de Datos y Entrenamiento de AI

Defina diferentes clases de inspección y etiquete cada ROI según su tipo de inspección designado (vea el ejemplo a continuación).

Use las Herramientas de Anotación para etiquetar/anotar la imagen. Utilice el menú desplegable Clase de Pincel para seleccionar la clase a anotar. El límite actual es de hasta 10 clases por receta para Segmentación.

Importancia de los buenos datos

• Garbage In, Garbage Out: Los modelos de AI solo pueden ser tan buenos como los datos que les proporcione. Los datos de mala calidad o inconsistentes conducen a resultados inexactos.

• La Diversidad Importa: Recolecte datos que representen todas las variaciones del mundo real: diferentes turnos, condiciones de iluminación, posiciones de las piezas y condiciones superficiales.

• Calidad Sobre Cantidad: Un conjunto de datos más pequeño, limpio y bien etiquetado a menudo tendrá un mejor desempeño que un conjunto de datos grande pero ruidoso o inconsistente.

Conceptos Básicos de Anotación:

• Clasificación: Etiquete imágenes completas o ROIs como una clase específica (por ejemplo, "Bueno", "Dañado").
• Segmentación: Pinte, delinee o resalte áreas específicas de interés con precisión a nivel de píxel (por ejemplo, ubicación de rayones en una superficie).
• Consistencia: Use reglas y definiciones consistentes para el etiquetado para evitar confusiones durante el entrenamiento.

Errores Comunes

• Datos Insuficientes: Muy pocas muestras conducirán a un subajuste, causando un mal desempeño en el mundo real.
• Clases Desbalanceadas: La sobrerrepresentación de una clase (por ejemplo, muchas piezas "buenas" pero pocas defectuosas) sesga el modelo.
• Etiquetado Deficiente: El etiquetado incorrecto, inconsistente o apresurado conduce a caídas significativas en la precisión.
• Ignorar Cambios en el Entorno: No actualizar el conjunto de datos cuando cambian la iluminación, la orientación de las piezas o las condiciones superficiales conduce a una desviación en la precisión.
• No Validar los Datos: Omitir las verificaciones de calidad antes del entrenamiento a menudo resulta en tiempo perdido y retrabajo.

Aumento de Datos

Los aumentos de datos de imágenes modifican artificialmente sus imágenes de entrenamiento para mejorar la robustez del modelo. Simulan variaciones del mundo real como cambios de brillo, rotaciones o ruido para que el modelo tenga un buen desempeño en diferentes condiciones.

Aumentos de Color

Brillo

• Qué es: Ajusta qué tan claro u oscuro aparece la imagen.
• Caso de uso: Para manejar cambios ligeros en la iluminación durante la producción.

tip

Use ±0.1 para configuraciones estables; aumente si la iluminación varía más.

Contraste

• Qué es: Cambia la diferencia entre áreas claras y oscuras.
• Caso de uso: Útil para piezas con textura o superficies variadas para ayudar al modelo a adaptarse a diferencias visuales.

Tono (Hue)

• Qué es: Desplaza ligeramente los tonos de color.
• Caso de uso: Bueno para configuraciones donde el color de la iluminación (por ejemplo, la temperatura LED) podría cambiar con el tiempo.

Saturación

• Qué es: Ajusta la intensidad de los colores.
• Caso de uso: Ayuda a manejar variaciones en la iluminación que hacen que las imágenes aparezcan más apagadas o más vibrantes.

Aumentos Geométricos

Rango de Rotación

• Qué es: Rota la imagen aleatoriamente dentro del rango establecido (por ejemplo, ±20°).
• Caso de uso: Para piezas que pueden llegar en posiciones ligeramente rotadas.

tip

Evite la rotación excesiva para piezas que normalmente están fijas en orientación.

Voltear (Flip)

• Qué es: Voltea la imagen horizontalmente, verticalmente o ambas.
• Caso de uso: Útil para piezas simétricas o cuando la orientación puede invertirse durante la manipulación.

Simulación de Iluminación y Color

Planckian

• Qué es: Simula variaciones en la temperatura de color (por ejemplo, iluminación cálida o fría).
• Caso de uso: Maneja diferentes cambios o celdas de trabajo con fuentes de luz variables.

Ruido Gaussiano

• Qué es: Añade ruido sutil a la imagen.
• Caso de uso: Mejora la robustez si su entorno de producción tiene pequeño ruido visual o artefactos del sensor de la cámara.

Simulación de Movimiento

Desenfoque de Movimiento (Motion Blur)

• Qué es: Simula un ligero desenfoque como si la pieza se hubiera movido durante la captura.
• Caso de uso: Crítico para líneas de alta velocidad donde puede ocurrir desenfoque por movimiento.

Probabilidad (prob)

• Qué es: Establece la probabilidad de aplicar cada aumento de datos durante el entrenamiento.
• Ejemplo: 0.50 = 50% de probabilidad de aplicar ese cambio a cualquier imagen de entrenamiento dada.

tip

Comience en 0.5 para la mayoría de los aumentos de datos y ajuste según la variabilidad del mundo real.

Parámetros de Entrenamiento (Segmentación)

Los parámetros de entrenamiento (también llamados hiperparámetros) son las configuraciones que controlan cómo aprende un modelo de machine learning a partir de los datos.

Tasa de Aprendizaje (Learning Rate)

• Definición: Controla qué tan rápido el modelo actualiza sus pesos internos durante el entrenamiento.
• Valor (0.003): Cuanto mayor sea la tasa de aprendizaje, más rápido aprende el modelo, pero un valor demasiado alto puede causar inestabilidad o baja precisión.
• Rango del control deslizante: Desde 10^-4 (muy lento) hasta 10^-1 (muy rápido).

tip

Por lo general, un valor entre 0.001–0.01 es un buen punto de partida para tareas de segmentación.

Tamaño de ROI (Region of Interest)

• Definición: Define el tamaño (ancho × alto) del área de la imagen utilizada durante el entrenamiento.
• Sin marcar: De forma predeterminada, el modelo determina automáticamente la ROI según sus datos.
• Al marcar: Puede establecer manualmente el ancho y el alto si necesita dimensiones de entrada consistentes (por ejemplo, todas las imágenes recortadas a 256×256 píxeles).

tip

Use un tamaño fijo (por ejemplo, 256×256) cuando su conjunto de datos tenga imágenes de diferentes tamaños y desee una entrada consistente para mejor estabilidad, reproducibilidad, o para coincidir con una arquitectura de modelo conocida.

Deje que se elija automáticamente cuando sus datos ya tengan una resolución uniforme o cuando desee que el sistema optimice la mejor región de interés según las características de su conjunto de datos.

Número de Iteraciones (Epochs)

• Definición: Una epoch = una pasada completa a través de todo el conjunto de datos de entrenamiento.
• Valor (100): El modelo se entrenará durante 100 pasadas completas.

tip

Aumentar este número generalmente mejora la precisión hasta cierto punto, pero toma más tiempo.

Regla general: Monitoree la pérdida de entrenamiento y validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras la pérdida de entrenamiento sigue bajando, es señal de que el modelo está sobreajustándose (overfitting) y debería detener el entrenamiento antes.

Arquitectura

• Definición: Selecciona el tamaño y la complejidad de la red neuronal.
• Small: Se entrena más rápido y suele ser suficiente para la mayoría de los conjuntos de datos. Ideal para experimentación rápida o conjuntos de datos más pequeños.
• Modelos más grandes pueden capturar más detalle pero pueden sobreajustarse en conjuntos de datos pequeños, mientras que los modelos más pequeños son más eficientes y generalizan mejor cuando los datos son limitados.

tip

Comience con Small, suele ser suficiente y le ayuda a iterar más rápido antes de escalar.

GPU Externa

Comuníquese con Soporte para saber más sobre la GPU Externa.

Parámetros de entrenamiento (Clasificación)

Los parámetros de entrenamiento (también llamados hiperparámetros) son las configuraciones que controlan cómo un modelo de aprendizaje automático aprende de los datos.

Tasa de Aprendizaje (Learning Rate)

• Definición: Controla qué tan rápidamente el modelo actualiza sus pesos internos durante el entrenamiento.
• Valor (0.003): Cuanto mayor sea la tasa de aprendizaje, más rápido aprende el modelo, pero un valor demasiado alto puede causar inestabilidad o baja precisión.
• Rango del Slider: De 10^-4 (muy lento) a 10^-1 (muy rápido).

tip

Por lo general, un valor entre 0.001–0.01 es un buen punto de partida para tareas de segmentación.

Porcentaje de Validación

• Definición: Define qué porción de su conjunto de datos se reservará para la validación (prueba durante el entrenamiento).
• Propósito: Los datos de validación ayudan a monitorear qué tan bien se desempeña el modelo en ejemplos no vistos, previniendo el sobreajuste (overfitting).
• Rango: 0–50%.

tip

Las opciones comunes son 10–20%.

Si se establece en 0%, todos los datos se usan para entrenamiento, lo que puede mejorar la precisión del entrenamiento pero dificulta detectar el sobreajuste.

Tamaño de la ROI (Region of Interest)

• Definición: Define el tamaño (ancho × alto) del área de la imagen utilizada durante el entrenamiento.
• Sin marcar: De forma predeterminada, el modelo determina automáticamente la ROI según sus datos.
• Cuando está marcado: Puede establecer manualmente el ancho y el alto si necesita dimensiones de entrada consistentes (por ejemplo, todas las imágenes recortadas a 256×256 píxeles).

tip

Use un tamaño fijo (por ejemplo, 256×256) cuando su conjunto de datos tenga imágenes de diferentes tamaños y desee una entrada consistente para una mejor estabilidad, reproducibilidad o para coincidir con una arquitectura de modelo conocida.

Deje que se elija automáticamente cuando sus datos ya tengan una resolución uniforme o cuando desee que el sistema optimice la mejor región de interés según las características de su conjunto de datos.

Número de Iteraciones (Epochs)

• Definición: Una epoch = una pasada completa a través de todo el conjunto de datos de entrenamiento.
• Valor (100): El modelo se entrenará durante 100 pasadas completas.

tip

Aumentar este número generalmente mejora la precisión hasta cierto punto, pero toma más tiempo.

Regla general: Monitoree la pérdida de entrenamiento y validación durante el entrenamiento. Si la pérdida de validación deja de disminuir mientras la pérdida de entrenamiento sigue bajando, es una señal de que el modelo está sobreajustándose (overfitting) y debería detener el entrenamiento antes.

Arquitectura

• Definición: Selecciona el tamaño y la complejidad de la red neuronal.
• Small: Entrena más rápido y suele ser suficiente para la mayoría de los conjuntos de datos. Ideal para experimentación rápida o conjuntos de datos más pequeños.

tip

Comience con Small, a menudo es suficiente y le ayuda a iterar más rápido antes de escalar.

Arquitectura y Cámara	Descripción	Uso recomendado
ConvNeXt-Pico	Modelo ultraligero optimizado para velocidad y bajo uso de memoria.	Excelente para experimentos rápidos o hardware limitado.
ConvNeXt-Nano	Ligeramente más grande que Pico; mejor precisión con costo adicional mínimo.	Buen equilibrio para conjuntos de datos pequeños–medianos.
ConvNeXt-Tiny	Ofrece mayor precisión sin perder eficiencia.	Adecuado para conjuntos de datos moderados y entrenamientos más largos.
ConvNeXt-Small	Variante más capaz de esta lista. Mayor capacidad y precisión.	Use para conjuntos de datos grandes o cuando se necesite el máximo rendimiento.

GPU Externa

Contacte a Soporte para saber más sobre la GPU Externa.