Entrenar un clasificador

Esta guía le muestra cómo configurar y entrenar un modelo de clasificación en el sistema de cámaras OV10i. Utilice este procedimiento cuando necesite categorizar automáticamente objetos en diferentes clases según características visuales.

Guía en Video

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

Cuándo Usar Clasificación: Clasificar piezas por tipo, tamaño, color o condición; identificar diferentes variantes de productos; control de calidad con múltiples categorías aceptables.

Prerrequisitos

• Receta activa con configuraciones de imagen establecidas
• Imagen de plantilla y alineación completadas (u omitidas)
• ROI(s) de Inspección definidos
• Objetos de muestra que representen cada clase que desea detectar

Paso 1: Acceder al Bloque de Clasificación

1.1 Navegar a Clasificación

1. Haga clic en "Bloque de Clasificación" en el menú de navegación, O
2. Seleccione del menú desplegable en la barra de navegación

1.2 Verificar Prerrequisitos

Asegúrese de que los siguientes bloques muestren estado verde:

• ✅ configuración de imagen
• ✅ Plantilla y Alineación (u omitido)
• ✅ Configuración de Inspección

Paso 2: Crear Clases de Clasificación

2.1 Defina sus Clases

1. Haga clic en Edit debajo de "Tipos de Inspección"
2. Agregue clases para cada categoría que desee detectar

2.2 Configurar Cada Clase

Para cada clase:

1. Ingrese el Nombre de la Clase: Use nombres descriptivos (p. ej., "Pequeño", "Mediano", "Grande")
2. Seleccione el Color de la Clase: Elija colores distintos para identificación visual
3. Agregue una Descripción: Detalles opcionales sobre la clase
4. Haga clic en Save

2.3 Mejores Prácticas para Nombrar Clases

Buenos Nombres	Malos Nombres
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 el área de inspección
2. Verifique que el objeto esté dentro de los límites del ROI
3. Haga clic en Capture para tomar la imagen de entrenamiento
4. Seleccione la clase apropiada del menú desplegable
5. Haga clic en Save para almacenar la imagen etiquetada
6. Repita 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 = mejor precisión
Conjunto de datos total	15+	30-50+	Equilibrado entre todas las clases
Casos límite	2-3 por clase	5+ por clase	Ejemplos en el límite

3.3 Mejores Prácticas para Imágenes de Entrenamiento

Hacer:

• Usar diferentes ejemplos dentro de cada clase
• Variar las orientaciones y posiciones del objeto
• Incluir buenas condiciones de iluminación
• Capturar casos límite y ejemplos en el borde
• Mantener un encuadre de ROI consistente

No Hacer:

• Usar objetos idénticos repetidamente
• Incluir múltiples objetos en un ROI
• Mezclar clases en una sola imagen
• Usar imágenes borrosas o mal iluminadas
• Cambiar el tamaño del 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 mala calidad usando el botón Delete
4. Vuelva a capturar si es necesario

Paso 4: Configurar los Parámetros de Entrenamiento

4.1 Acceder a las Configuraciones 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
Fast	2-5 minutos	Bueno para pruebas	Validación inicial del modelo
Balanced	5-15 minutos	Listo para producción	La mayoría de las aplicaciones
Accurate	15-30 minutos	Máxima precisión	Aplicaciones críticas

4.3 Establecer el Número de Iteraciones

Configuración manual de iteraciones:

• 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 del Lote (Batch Size):

• Lotes más pequeños: Entrenamiento más estable, más lento
• Lotes más grandes: Entrenamiento más rápido, puede ser menos estable

Tasa de Aprendizaje (Learning Rate):

• Valores más bajos: Más estable, aprendizaje más lento
• Valores más altos: Aprendizaje más rápido, riesgo de inestabilidad

Recomendación: Use las configuraciones predeterminadas a menos que tenga requisitos de rendimiento específicos.

Paso 5: Iniciar el Proceso de Entrenamiento

5.1 Inicializar el Entrenamiento

1. Revise la configuración del entrenamiento
2. Haga clic en Start Training
3. Monitoree el progreso en la ventana modal de entrenamiento

5.2 Indicadores de Progreso del Entrenamiento

Monitoree estas métricas:

• Iteración Actual: Progreso a través de los ciclos de entrenamiento
• Precisión del Entrenamiento: Rendimiento del modelo en los datos de entrenamiento
• Tiempo Estimado: Duración restante del entrenamiento
• Valor de Pérdida (Loss): Error del modelo (debería disminuir con el tiempo)

5.3 Controles del Entrenamiento

Acciones disponibles durante el entrenamiento:

• Abortar Entrenamiento: Detener el entrenamiento inmediatamente
• Finalizar Antes: 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:

• Se alcanza la precisión objetivo (típicamente 95%+)
• Se completan las iteraciones máximas
• El usuario detiene manualmente el entrenamiento

Paso 6: Evaluar el Rendimiento del Modelo

6.1 Revisar los Resultados del Entrenamiento

Verifique las métricas finales:

• Precisión Final: Debería ser >85% para uso en producción
• Tiempo de Entrenamiento: Anote la duración para referencia futura
• Convergencia: Verifique que la precisión se estabilizó

6.2 Indicadores de Calidad del Modelo

Rango de Precisión	Nivel de Calidad	Recomendación
95%+	Excelente	Listo para producción
85-94%	Bueno	Adecuado para la mayoría de las aplicaciones
75-84%	Regular	Considere más datos de entrenamiento
<75%	Deficiente	Reentrenar con más/mejores imágenes

6.3 Solución de Problemas de Bajo Rendimiento

Problema	Causa Probable	Solución
Precisión baja (<75%)	Datos de entrenamiento insuficientes	Agregar más imágenes etiquetadas
El entrenamiento no mejora	Mala calidad de imagen	Mejorar la iluminación/enfoque
Clases confundidas	Objetos de apariencia similar	Agregar más ejemplos distintivos
Sobreajuste (Overfitting)	Muy pocas imágenes por clase	Balancear el conjunto de datos entre las clases

Paso 7: Probar el Rendimiento de Clasificación

7.1 Pruebas en Vivo

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 sistemática:

Objeto de Prueba	Clase Esperada	Resultado Real	Confianza	Aprobado/Rechazado
Objeto conocido de Clase A	Clase A	_____	____%	☐
Objeto conocido de Clase B	Clase B	_____	____%	☐
Ejemplo límite	Clase A o B	_____	____%	☐
Objeto desconocido	Confianza baja	_____	____%	☐

7.3 Validación del Rendimiento

Verifique estos aspectos:

• Precisión: Clasificaciones correctas para objetos conocidos
• Confianza: Alta 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. Identifique las áreas problemáticas:
   • ¿Qué clases se confunden?
   • ¿Qué objetos se clasifican incorrectamente?
   • ¿Los niveles de confianza son apropiados?
2. Agregue datos de entrenamiento específicos:
   • Más ejemplos de clases confundidas
   • Casos límite y ejemplos fronterizos
   • Diferentes condiciones de iluminación/posicionamiento
3. Reentrene el modelo:
   • Use el modo "Accurate" para mejor rendimiento
   • Aumente el número de iteraciones
   • Monitoree la mejora en la precisión

8.2 Optimización Avanzada

Para aplicaciones críticas:

• Aumento de datos: Use iluminación y posiciones variadas
• Aprendizaje por transferencia: Comience desde modelos entrenados similares
• Métodos de ensamble: Combine múltiples modelos
• Reentrenamiento regular: Actualice con nuevos datos de producción

Paso 9: Finalizar la Configuración

9.1 Guardar el Modelo

1. Verifique el rendimiento satisfactorio
2. El modelo se guarda automáticamente cuando se completa el entrenamiento
3. Anote la versión del modelo para documentación

9.2 Documentación

Registre estos detalles:

• Fecha y versión del entrenamiento
• Número de imágenes por clase
• Modo de entrenamiento e iteraciones utilizadas
• Precisión final alcanzada
• Cualquier consideración especial

9.3 Respaldo de la Configuración

1. Exporte la receta como respaldo
2. Guarde las imágenes de entrenamiento por separado si es necesario
3. Documente los parámetros del modelo

¡Éxito! Su clasificador está listo

Su 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
• Integrarse con la lógica de IO para la toma de decisiones automatizada

Mantenimiento Continuo

Actualizaciones Regulares del Modelo

• Monitoree el rendimiento a lo largo del tiempo
• Agregue nuevos datos de entrenamiento según sea necesario
• Reentrene periódicamente para mantener la precisión
• Actualice las clases para nuevas variantes de productos

Monitoreo del Rendimiento

• Rastree métricas de precisión en producción
• Identifique la deriva en el rendimiento del modelo
• Programe el reentrenamiento según la degradación del rendimiento

Próximos Pasos

Después de entrenar su clasificador:

1. Configure la lógica de IO para decisiones de aprobado/rechazado
2. Configure flujos de trabajo de producción en el Bloque IO
3. Pruebe el sistema completo de inspección de extremo a extremo
4. Despliegue al entorno de producción

Errores Comunes

Error	Impacto	Prevención
Datos de entrenamiento insuficientes	Baja precisión	Use más de 10 imágenes por clase
Clases desbalanceadas	Predicciones sesgadas	Imágenes equitativas entre clases
Mala calidad de imagen	Resultados inconsistentes	Optimice la iluminación y el enfoque
Clases demasiado similares	Clasificaciones confusas	Elija definiciones de clase distintas
Sin pruebas de validación	Fallos en producción	Siempre pruebe con objetos no vistos