Paso 4: Entrene su Modelo de IA

Sus regiones de inspección están configuradas. Ahora es el momento de enseñar a la IA cómo lucen las piezas "buenas" y "malas".

Las tres reglas cardinales del entrenamiento

Antes que nada, internalice estas tres reglas. Se aplican ya sea que esté entrenando un clasificador o un segmentador, con 5 imágenes o 500.

Regla 1: Etiquete solo a partir de la imagen

Nunca mire la parte física (o la ponga bajo un microscopio) para decidir si es buena o mala. Si no puede ver el defecto en la imagen de la cámara, la IA no puede aprenderlo.

La IA no es mágica. Solo puede trabajar con lo que la cámara ve. Si etiqueta una parte como "defectuosa" basándose en algo que notó al tocarla o al acercarse con una lupa, pero la imagen de la cámara se ve bien, está enseñando a la IA a ver algo que no está allí.

Si no puede etiquetarla solo a partir de la imagen, regrese al paso de Instalación y corrija la configuración física: mejor lente, mejor iluminación, montaje más cercano, diferente ángulo.

Regla 2: Verifique sus etiquetas dos y tres veces

Los errores de etiquetado le ocurren a todos; los ingenieros experimentados también los cometen. Pero una mala etiqueta en un conjunto de datos pequeño puede destruir sus resultados.

Con 5 imágenes de entrenamiento, un error de etiquetado corrompe 20% de sus datos de entrenamiento. Eso es catastrófico.

Antes de cada ejecución de entrenamiento: Haga clic en Ver Todas las ROIs y verifique cada anotación. Esta es la cosa más fácil de corregir y la más impactante.

Regla 3: Comience pequeño, itere rápido

No etiquete 50 imágenes y presione entrenar. En su lugar, cree un ciclo cerrado: Etiquete de 3 a 5 imágenes por clase, entrene en modo de desarrollo (aproximadamente 30 segundos), pruebe y trate de romperlo, luego agregue datos específicos donde falle. Repita este ciclo de 2 a 4 veces en modo de desarrollo y luego cambie a modo de producción.

Este ciclo es su camino más rápido hacia un buen modelo. Ejecútelo de 2 a 4 veces en modo de desarrollo y luego cambie a modo de producción.

Flujo de trabajo de entrenamiento paso a paso

1. Capture imágenes iniciales de entrenamiento

Con su receta activa y las piezas fluyendo (o colocadas manualmente), capture imágenes. Necesita un mínimo de 3-5 imágenes por clase para comenzar.

Para una inspección simple de pasar/fallar:

• 3-5 imágenes de piezas buenas
• 3-5 imágenes de piezas defectuosas

2. Etiquete las imágenes

Para cada ROI en cada imagen, asigne la etiqueta de clase correcta:

• Clasificador: Seleccione la clase de un menú desplegable (por ejemplo, "pasar" o "fallar")

OV10i utiliza clasificación

El OV10i solo admite clasificadores. Seleccione la clase de un menú desplegable para cada ROI (por ejemplo, "pasar" o "fallar"). Para segmentación a nivel de píxel, necesita un OV20i o OV80i.

3. Entrene en Modo de Desarrollo

Haga clic en Entrenar y seleccione Modo de Desarrollo. Esto toma aproximadamente 30 segundos y produce un modelo que es aproximadamente 20 veces menos preciso que el de producción, pero es suficiente para verificar la señal.

Lo que significa "verificar la señal": ¿Está la IA comenzando a aprender la diferencia entre bueno y malo? ¿O está cometiendo errores por completo?

• Si está mayormente correcta → gran señal, siga adelante
• Si está completamente equivocada → algo no está bien. Verifique los errores de etiquetado, verifique el tamaño de la ROI, verifique la calidad de la imagen

4. Pruebe con Vista Previa en Vivo

Haga clic en Modo de Vista Previa en Vivo y pase las piezas. Observe los resultados:

• ¿Está acertando en los casos fáciles?
• ¿Dónde tiene dificultades?
• ¿Cuáles son los casos límite?

Trate de romperlo. Encuentre los casos donde falla. Estas fallas son su hoja de ruta para la mejora.

5. Agregue datos específicos

No agregue imágenes nuevas al azar. Agregue imágenes que apunten específicamente a los modos de falla que encontró:

• Si confunde rayones con reflejos, agregue más ejemplos de ambos
• Si pasa por alto pequeños defectos, agregue más imágenes de pequeños defectos
• Si falla en partes en las esquinas, agregue más ejemplos de esquinas

6. Reentrene y vuelva a probar

Repita los pasos 3-5 de dos a cuatro veces. Cada iteración debería mejorar la precisión.

7. Cambie a Modo de Producción

Cuando el modo de desarrollo esté funcionando razonablemente bien, cambie a Modo de Producción. Esto toma de 5 a 10 minutos, pero produce un modelo que es aproximadamente 20 veces más preciso que el modo de desarrollo.

Si el modo de desarrollo estaba acertando el 80% de los casos, el modo de producción probablemente acertará el 95% o más.

Aumentaciones: enseñando a la IA a manejar variaciones

Las aumentaciones modifican aleatoriamente sus imágenes de entrenamiento durante el proceso de entrenamiento, ajustando el brillo, agregando rotación, modificando el contraste, etc. Cada imagen se alimenta a la IA cientos de veces con aumentaciones ligeramente diferentes, pero la etiqueta permanece igual.

Esto es increíblemente poderoso para construir robustez. Si su iluminación varía entre turnos, la aumentación de brillo enseña a la IA a manejarlo. Si las piezas pueden llegar en cualquier ángulo, la aumentación de rotación hace que la orientación sea irrelevante.

Cuándo usar aumentaciones

Aumentación	Usar cuando...	Escenario de ejemplo
Brillo	La iluminación varía (día/noche, sombras)	Las luces de la fábrica cambian a lo largo del día
Rotación	La pieza puede llegar en cualquier ángulo	Agujeros para tornillos, donde la orientación no importa
Desenfoque de movimiento	Las piezas se mueven rápido o la cámara vibra	Transportador de alta velocidad
Saturación	El color no es parte de su inspección	La misma pieza en diferentes colores debería pasar igualmente
Contraste	La iluminación ambiental fluctúa	Cambios de luz estacionales a través de ventanas

Cuándo NO usar aumentaciones

No aumente lo que está inspeccionando

Esta es una espada de doble filo. Si agrega aumentación de rotación pero está inspeccionando si las piezas están orientadas correctamente, enseñará a la IA que las piezas al revés siguen siendo "buenas".

• ¿Inspeccionando la consistencia del color? No use aumentación de saturación
• ¿Inspeccionando desenfoque/enfoque? No use aumentación de desenfoque de movimiento
• ¿Inspeccionando la orientación? No use aumentación de rotación

La regla: Aumente todo excepto la propiedad específica que está inspeccionando.

La diversidad de datos importa

Sus datos de entrenamiento deben representar todo el rango de lo que la IA verá en producción:

• Diferentes momentos del día (si la iluminación varía)
• Diferentes lotes de piezas (el acabado de la superficie puede variar ligeramente)
• Piezas en diferentes posiciones dentro del marco
• Tanto casos fáciles como difíciles

Enfóquese en los casos más difíciles. Si sus datos de entrenamiento incluyen las 10 piezas más difíciles de clasificar, entonces el 90% de las piezas fáciles serán triviales para la IA.

Alta capacidad de aprendizaje

La IA de la cámara OV está diseñada para seguir mejorando con más datos. A diferencia de muchos sistemas de IA que se estancan después de 20 imágenes, este modelo continúa mejorando con 50, 100, incluso 500+ imágenes. La mayoría de las inspecciones funcionan muy bien con 5-10 imágenes, pero si tiene un problema complejo de múltiples defectos, no dude en seguir agregando datos.

Acelere con datos sintéticos: Defect Studio

¿Qué pasa si necesita entrenar para un defecto que rara vez ve? Un tornillo faltante que tendría que quitar intencionalmente, un rayón que tendría que crear, una grieta que ocurre una vez cada mil piezas? Esperar meses para recopilar suficientes ejemplos no es práctico.

El OV Auto-Defect Creator Studio en tools.overview.ai resuelve esto. Genera imágenes de defectos sintéticos fotorealistas, hasta 10,000 veces más rápido que esperar a que aparezcan defectos reales en la línea de producción.

Cómo funciona: 5 pasos simples

1. Suba una buena imagen de su parte
2. Marque el área donde debería aparecer el defecto
3. Describa el defecto en inglés simple (por ejemplo, "rayón profundo en la superficie" o "junta de soldadura faltante")
4. Genere las variaciones del defecto (la IA crea resultados fotorealistas)
5. Exporte las imágenes sintéticas directamente a su conjunto de entrenamiento

Por qué funcionan los datos sintéticos

Las imágenes generadas no son solo artefactos "pegados". Son variaciones fotorealistas que coinciden con su iluminación real, ángulo de cámara y superficie de la pieza. La IA entiende la física de cómo se ven los defectos bajo sus condiciones específicas de imagen.

Casos de uso:

• Defectos raros: Entrene para modos de falla que nunca (o rara vez) ha visto
• Lanzamientos de nuevos productos: Construya una inspección antes de que la primera pieza defectuosa salga de la línea
• Casos límite: Genere ejemplos límite para mejorar el límite de decisión de la IA
• Aumento de datos: Suplemente conjuntos de datos pequeños con variedad sintética

Vea cómo funciona

Comience con datos reales, acelere con sintéticos

El mejor enfoque: entrene primero con sus 3-5 imágenes reales iniciales, identifique dónde tiene dificultades la IA, luego use Defect Studio para generar ejemplos sintéticos específicos para esos modos de falla. Los datos reales enseñan la línea base; los datos sintéticos llenan los vacíos.

Lista de verificación de entrenamiento

Antes de continuar, confirme:

• Imágenes iniciales capturadas, mínimo de 3-5 por clase
• Todas las etiquetas verificadas dos veces (Ver Todas las ROIs)
• Modo de desarrollo entrenado y probado con Vista Previa en Vivo
• Modos de falla identificados y datos específicos agregados
• 2-4 iteraciones de etiqueta → entrenar → probar completadas
• Modo de producción entrenado; los resultados cumplen con las expectativas

¿Modelo entrenado y luciendo bien? Pase al Paso 5: Configuración de Salidas.