Entrenar un Clasificador

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

Guía en Video

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

Cuándo usar Clasificación: Ordenar piezas por tipo, tamaño, color o estado; 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(s) de inspección definidos
• Objetos de muestra que representan cada clase que desee detectar

Paso 1: Acceder a Classification Block

1.1 Navegar a Classification Block

1. Haga clic en "Classification Block" en el menú de migas de pan, O
2. Seleccione desde el desplegable en la barra de navegación

1.2 Verificar Prerrequisitos

Asegúrese de que los siguientes bloques muestren el estado verde:

• ✅ Configuración de Imagen
• ✅ Plantilla y Alineación (o omitidas)
• ✅ Configuración de Inspección

Paso 2: Crear Clases de Clasificación

2.1 Definir Sus Clases

1. Haga clic en Edit bajo "Inspection Types"
2. Agregar 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., "Small", "Medium", "Large")
2. Seleccionar color de la clase: Elija colores distintos para identificación visual
3. Agregar descripción: Detalles opcionales sobre la clase
4. Haga clic en Guardar

2.3 Mejores Prácticas para Nombres de Clase

Nombres válidos	Nombres inválidos
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 (10 o más recomendado):

1. Coloque el objeto que representa la clase en la zona de inspección
2. Verifique que el objeto esté dentro de los límites de ROI
3. Haga clic en Capturar para tomar la imagen de entrenamiento
4. Seleccione la clase adecuada desde el desplegable
5. Haga clic en Guardar 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 = mayor precisión
Conjunto de datos total	15+	30-50+	Equilibrado entre todas las clases
Casos límite	2-3 por clase	5+ por clase	Ejemplos límite

3.3 Prácticas recomendadas para imágenes de entrenamiento

Haga lo siguiente:

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

3.4 Control de Calidad

Después de capturar cada imagen:

1. Revisar la calidad de la imagen en la vista previa
2. Verificar la asignación correcta de la etiqueta de clase
3. Eliminar imágenes de mala calidad usando el botón Delete
4. Volver a tomarla si es necesario

Paso 4: Configurar Parámetros de Entrenamiento

4.1 Acceder a la Configuración de Entrenamiento

1. Haga clic en el botón Train Classification Model

4.2 Seleccionar Modo de Entrenamiento

Elija en función de 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	La mayor precisión	Aplicaciones críticas

4.3 Configurar Conteo de Iteraciones

Configuración de iteración manual:

• Bajo (50-100): Pruebas rápidas, precisión básica
• Medio (200-500): Calidad de producción
• Alto (500+): Precisión máxima, 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: Use la configuración por defecto a menos que tenga requisitos de rendimiento específicos.

Paso 5: Iniciar el Proceso de Entrenamiento

5.1 Inicializar Entrenamiento

1. Revisar la configuración de entrenamiento
2. Haga clic en Start Training
3. Monitorear el progreso en el modal de entrenamiento

5.2 Indicadores de Progreso de Entrenamiento

Monitoree estas métricas:

• Iteración actual: Progreso a través de los ciclos de entrenamiento
• Precisión de entrenamiento: Rendimiento del modelo en los datos de entrenamiento
• Tiempo estimado: Duración de entrenamiento restante
• 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: Añadir más iteraciones si es necesario

5.4 Finalización del Entrenamiento

El entrenamiento se detiene automáticamente cuando:

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

Paso 6: Evaluar 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: Registre 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%	Regular	Considerar más datos de entrenamiento
<75%	Pobre	Reentrenar con más imágenes o mejores imágenes

6.3 Solución de Problemas de Rendimiento Deficiente

Problema	Causa probable	Solución
Baja precisión (<75%)	Datos de entrenamiento insuficientes	Añada más imágenes etiquetadas
El entrenamiento no mejora	Mala calidad de la imagen	Mejorar la iluminación y el enfoque
Clases confusas	Objetos de aspecto similar	Añada más ejemplos distintivos
Sobreajuste	Demasiadas pocas imágenes por clase	Equilibrar el conjunto de datos entre clases

Paso 7: Prueba del rendimiento de clasificación

7.1 Prueba en tiempo real

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

7.2 Pruebas de validación

Proceso de validación sistemático:

Objeto de prueba	Clase esperada	Resultado real	Confianza	Aprobado/Reprobado
Objeto de la Clase A conocida	Clase A	_____	____%	☐
Objeto de la Clase B conocida	Clase B	_____	____%	☐
Ejemplo límite	Clase A o B	_____	____%	☐
Objeto desconocido	Baja confianza	_____	____%	☐

7.3 Validación de 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 es insatisfactorio

Proceso de mejora iterativa:

1. Identificar áreas problemáticas:
   • ¿Qué clases se confunden?
   • ¿Qué objetos se clasifican incorrectamente?
   • ¿Son adecuados los niveles de confianza?
2. Añada datos de entrenamiento específicos:
   • Más ejemplos de clases que se confunden
   • Casos límite y ejemplos limítrofes
   • Diferentes condiciones de iluminación y posicionamiento
3. Reentrenar el modelo:
   • Usar el modo "Accurate" para un mejor rendimiento
   • Aumentar el número de iteraciones
   • Monitorear la mejora en la precisión

8.2 Optimización avanzada

Para aplicaciones críticas:

• Aumento de datos: Use iluminación y posiciones variadas
• Transfer learning: Partir de modelos entrenados similares
• Ensemble methods: Combinar múltiples modelos
• Retraining regular: Actualizar con nuevos datos de producción

Paso 9: Finalizar configuración

9.1 Guardar Modelo

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

9.2 Documentación

Registre estos detalles:

• Fecha y versión de entrenamiento
• Número de imágenes por clase
• Modo de entrenamiento e iteraciones utilizadas
• Precisión final obtenida
• 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 los parámetros del modelo

¡Éxito! Su Clasificador está Listo

Su modelo de clasificación entrenado ahora puede:

• Clasificar automáticamente objetos en clases definidas
• Proporcionar puntajes de confianza para cada predicción
• Procesar imágenes en tiempo real para uso en producción
• Integrar con la lógica de I/O para la toma de decisiones automatizada

Mantenimiento continuo

Actualizaciones regulares del modelo

• Monitorear el rendimiento a lo largo del tiempo
• Añada nuevos datos de entrenamiento cuando sea necesario
• Reentrene periódicamente para mantener la precisión
• Actualice las clases para nuevas variantes de producto

Monitoreo del rendimiento

• Monitorear métricas de precisión en producción
• Identificar la 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 I/O para decisiones de aprobado/rechazo
2. Configurar flujos de producción en IO Block
3. Probar el sistema de inspección completo de extremo a extremo
4. Desplegar en el entorno de producción

Errores comunes

Riesgo	Impacto	Prevención
Datos de entrenamiento insuficientes	Precisión baja	Utilice 10 o más imágenes por clase
Clases desequilibradas	Predicciones sesgadas	Imágenes iguales entre clases
Mala calidad de imagen	Resultados inconsistentes	Optimizar iluminación y enfoque
Clases demasiado similares	Clasificaciones confusas	Elegir definiciones de clase distintas
Sin pruebas de validación	Fallos en la producción	Pruebe siempre con objetos no vistos