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 configuradas
• Imagen de plantilla y alineación completadas (o saltadas)
• 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 al Bloque de Clasificación

1. Haga clic en "Bloque de Clasificación" en el menú de migas de pan, 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 (o saltadas)
• ✅ Configuración de Inspección

Paso 2: Crear Clases de Clasificación

2.1 Definir Sus Clases

1. Haga clic en Editar bajo "Tipos de Inspección"
2. Agregue clases para cada categoría que desea detectar

2.2 Configurar Cada Clase

Para cada clase:

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

2.3 Mejores Prácticas para Nombres de Clases

Nombres Buenos	Nombres Pobres
Tornillo_Pequeño, Tornillo_Mediano, Tornillo_Grande	Tipo1, Tipo2, Tipo3
Tapa_Roja, Tapa_Azul, Tapa_Verde	Color1, Color2, Color3
Pieza_Buena, Pieza_Defectuosa	Pasar, Fallar
Tornillo_CabezaPhillips, Tornillo_CabezaPlana	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+):

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 Capturar para tomar la imagen de entrenamiento
4. Seleccione la clase apropiada del menú 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 = mejor precisión
Conjunto de datos total	15+	30-50+	Balanceado 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:

• Utilizar diferentes ejemplos dentro de cada clase
• Variar orientaciones y posiciones de los objetos
• Incluir condiciones de iluminación adecuadas
• Capturar casos límite y ejemplos en el borde
• Mantener un encuadre de ROI consistente

No hacer:

• Utilizar objetos idénticos repetidamente
• Incluir múltiples objetos en un solo ROI
• Mezclar clases en imágenes individuales
• Utilizar 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 imágenes de mala calidad usando el botón Eliminar
4. Vuelva a tomar si es necesario

Paso 4: Configurar Parámetros de Entrenamiento

4.1 Acceder a la Configuración de Entrenamiento

1. Haga clic en el botón Entrenar Modelo de Clasificación

4.2 Seleccionar Modo de Entrenamiento

Elija según 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	Mayor precisión	Aplicaciones críticas

4.3 Establecer Conteo 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 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: Aprendizaje más estable, más lento
• Valores más altos: Aprendizaje más rápido, riesgo de inestabilidad

Recomendación: Use la configuración predeterminada a menos que tenga requisitos de rendimiento específicos.

Paso 5: Iniciar el Proceso de Entrenamiento

5.1 Inicializar Entrenamiento

1. Revise la configuración de entrenamiento
2. Haga clic en Iniciar Entrenamiento
3. Monitoree el progreso en el 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: Error del modelo (debería disminuir con el tiempo)

5.3 Controles de Entrenamiento

Acciones disponibles durante el entrenamiento:

• Abortar Entrenamiento: Detener el entrenamiento inmediatamente
• Terminar Temprano: 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 Resultados del Entrenamiento

Verifique las métricas finales:

• Precisión Final: Debe ser >85% para uso en producción
• Tiempo de Entrenamiento: Anote 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%+	Excelente	Listo para producción
85-94%	Bueno	Adecuado para la mayoría de las aplicaciones
75-84%	Regular	Considere más datos de entrenamiento
<75%	Pobre	Reentrenar con más/mejores imágenes

6.3 Solución de Problemas de Bajo Rendimiento

Problema	Causa Probable	Solución
Baja precisión (<75%)	Datos de entrenamiento insuficientes	Agregar más imágenes etiquetadas
El entrenamiento no mejora	Calidad de imagen deficiente	Mejorar iluminación/enfoque
Clases confundidas	Objetos de apariencia similar	Agregar más ejemplos diferenciadores
Sobreajuste	Muy pocas imágenes por clase	Balancear el conjunto de datos entre clases

Paso 7: Probar el Rendimiento de Clasificación

7.1 Pruebas en Vivo

1. Haga 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 clase predicha
   • Porcentaje de confianza
   • Tiempo de procesamiento

7.2 Pruebas de Validación

Proceso de validación sistemática:

Objeto de Prueba	Clase Esperada	Resultado Actual	Confianza	Aprobar/Fallar
Objeto de Clase A conocido	Clase A	_____	____%	☐
Objeto de Clase B conocido	Clase B	_____	____%	☐
Ejemplo límite	Clase A o B	_____	____%	☐
Objeto desconocido	Baja confianza	_____	____%	☐

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 es Insatisfactorio

Proceso de mejora iterativa:

1. Identifique áreas problemáticas:
   • ¿Qué clases están confundidas?
   • ¿Qué objetos están mal clasificados?
   • ¿Son apropiados los niveles de confianza?
2. Agregue datos de entrenamiento específicos:
   • Más ejemplos de clases confundidas
   • Casos límite y ejemplos en el borde
   • Diferentes condiciones de iluminación/posicionamiento
3. Reentrene el modelo:
   • Use el modo "Accurate" para un mejor rendimiento
   • Aumente el conteo de iteraciones
   • Monitoree la mejora en la precisión

8.2 Optimización Avanzada

Para aplicaciones críticas:

• Aumento de datos: Use iluminación y posiciones variadas
• Transferencia de aprendizaje: Comience desde modelos entrenados similares
• Métodos de conjunto: Combine múltiples modelos
• Reentrenamiento regular: Actualice con nuevos datos de producción

Paso 9: Finalizar Configuración

9.1 Guardar Modelo

1. Verifique el rendimiento satisfactorio
2. El modelo se guarda automáticamente cuando se completa 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 alcanzada
• Cualquier consideración especial

9.3 Respaldo de Configuración

1. Exporte la receta para 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 I/O 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 clases para nuevas variantes de productos

Monitoreo del Rendimiento

• Rastree métricas de precisión en producción
• Identifique desviaciones en el rendimiento del modelo
• Programe reentrenamientos basados en la degradación del rendimiento

Próximos Pasos

Después de entrenar su clasificador:

1. Configure la lógica de I/O para decisiones de aprobar/fallar
2. Establezca flujos de trabajo de producción en IO Block
3. Pruebe el sistema de inspección completo de extremo a extremo
4. Despliegue en el entorno de producción

Errores Comunes

Error	Impacto	Prevención
Datos de entrenamiento insuficientes	Baja precisión	Utilice 10+ imágenes por clase
Clases desbalanceadas	Predicciones sesgadas	Imágenes iguales entre clases
Calidad de imagen deficiente	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