Paso 4: Entrene su Modelos AI

Sus regiones de interés (ROI) están configuradas. Ahora es momento de enseñarle a la AI cómo se ven las piezas "buenas" y "malas".

Las tres reglas cardinales del entrenamiento

Antes que nada, interiorice estas tres reglas. 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 observe la pieza física (ni la coloque bajo un microscopio) para decidir si es buena o mala. Si no puede ver el defecto en la imagen de la cámara, la AI no puede aprenderlo.

La AI no es magia. Solo puede trabajar con lo que la cámara ve. Si etiqueta una pieza como "defectuosa" basándose en algo que notó al tocarla o al hacer zoom con una lupa, pero la imagen de la cámara se ve bien, le está enseñando a la AI a ver algo que no está allí.

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

Regla 2: Verifique sus etiquetas dos y tres veces

Las etiquetas incorrectas le pasan a todos; los ingenieros experimentados también las cometen. Pero una sola etiqueta incorrecta en un conjunto de datos pequeño puede destruir sus resultados.

Con 5 imágenes de entrenamiento, una etiqueta incorrecta corrompe el 20% de sus datos de entrenamiento. Eso es catastrófico.

Antes de cada ejecución de entrenamiento: Haga clic en Ver Todas las ROI y verifique cada anotación individualmente. Esto es lo más fácil de corregir y lo de mayor impacto.

Regla 3: Empiece pequeño, itere rápido

No etiquete 50 imágenes y presione entrenar. En su lugar, cree un ciclo cerrado: Etiquete 10-15 imágenes por clase, entrene (aproximadamente 30 segundos), pruebe e intente romperlo, luego agregue datos dirigidos donde falla. Repita este ciclo de 2 a 4 veces.

Este ciclo es su camino más rápido hacia un buen modelo.

Flujo de trabajo de entrenamiento paso a paso

1. Capture imágenes de entrenamiento iniciales

Con su receta activo y piezas fluyendo (o colocadas manualmente), capture imágenes. Necesita un mínimo de 10-15 imágenes por clase para comenzar.

Para una inspección simple de aprobado/rechazado:

• 10-15 imágenes de piezas buenas
• 10-15 imágenes de piezas defectuosas

2. Defina sus clases

En la interfaz de etiquetado, agregue las clases que cada tipo de inspección necesita. Para un clasificador, esto podría ser:

• Aprobar / Fallar
• Presente / Ausente
• Bueno / Rayado / Agrietado

Manténgalo simple al principio. Siempre puede agregar clases más tarde.

3. Etiquete las imágenes

Cada ROI obtiene su propia clase de clasificación — seleccione la clase que describe esa ROI en esa imagen (por ejemplo, "aprobar" o "fallar").

OV10i usa clasificación

El OV10i admite solo clasificadores. Para segmentación a nivel de píxel, necesita un OV20i u OV80i.

4. Entrene el modelo

Haga clic en Entrenar. El clasificador ofrece dos modos de entrenamiento:

• Modo rápido — aproximadamente de 30 segundos a un minuto. Es mejor para iteración rápida durante la configuración, verificación de etiquetas y piezas fáciles/bien diferenciadas. La precisión es menor que en el modo de producción, pero le permite ver la señal rápidamente.
• modo de producción — toma más tiempo pero produce un modelo notablemente más preciso. Siempre use el modo de producción antes de desplegar a la línea. Para piezas complicadas, defectos difíciles de distinguir, o cualquier cosa en la que vaya a confiar en producción, el modo de producción es la respuesta correcta.

Un buen ritmo: itere en Modo rápido mientras limpia etiquetas y agrega datos, luego ejecute el modo de producción una vez que el resultado se vea bien — y de nuevo antes de desplegar.

5. Probar con Vista Previa en Vivo

Haga clic en Modo de Vista Previa en Vivo y haga pasar piezas. El panel de prueba muestra la clase predicha y la puntuación de confianza para cada ROI. Observe:

• Casos fáciles obteniendo el veredicto correcto con alta confianza
• Dónde tiene dificultades (baja confianza o veredicto incorrecto)
• Casos límite — típicamente cualquier cosa por debajo del 70% de confianza

Intente hacerlo fallar. Encuentre los casos donde falla. Esos veredictos de baja confianza son su hoja de ruta para la siguiente ronda de etiquetado.

6. Agregar datos específicos

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

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

7. Reentrenar y volver a probar

Repita los pasos 4-6 de dos a cuatro veces. Cada iteración debería mejorar la precisión. Para un recorrido más detallado — incluyendo cómo agregar nuevas imágenes a un modelo existente sin perder su entrenamiento previo — consulte Añadiendo Datos y Reentrenamiento.

Aumentos de datos: enseñar a la AI a manejar la variación

Los aumentos de datos 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 AI cientos de veces con aumentos de datos ligeramente diferentes, pero la etiqueta permanece igual. Así es como se logra que un modelo sea robusto ante condiciones del mundo real sin tener que capturar un ejemplo de cada variación posible.

Qué activar por defecto

Una pequeña cantidad de variación de brillo casi siempre vale la pena activarla — incluso la fábrica más controlada tiene luces aéreas que parpadean, sombras que cambian a lo largo del turno y desviaciones menores de LED con el tiempo. El aumento de datos de brillo hace que el modelo sea resistente a todo eso prácticamente sin costo.

Rotación: útil, pero atención a la forma del ROI

El aumento de datos de rotación es excelente si sus piezas pueden llegar en diferentes ángulos (tornillos sueltos en una banda transportadora, piezas colocadas a mano, cualquier cosa que no esté sujeta en un fixture). Pero interactúa con la forma del ROI:

• ROI cuadrado: el aumento de datos de rotación funciona sin problemas — la imagen rotada todavía cabe dentro del cuadro del ROI.
• ROI no cuadrado en un clasificador: la rotación puede recortar la imagen. Cuando un ROI alto y angosto se rota 45°, las esquinas del contenido rotado quedan fuera del cuadro y el modelo se entrena con una imagen parcial. Si su pieza puede rotar, ya sea haga el ROI cuadrado o utilice el alineador para manejar la rotación previamente, de modo que no necesite aumento de datos de rotación aquí.

Cuándo NO usar un aumento de datos específico

La regla general: no aumente la propiedad que está inspeccionando. Si está intentando detectar la orientación, el aumento de datos de rotación le enseñará al modelo que las piezas al revés siguen siendo "buenas".

• ¿Inspeccionando consistencia de color? No utilice aumento de datos de saturación.
• ¿Inspeccionando desenfoque/enfoque? No utilice aumento de datos de desenfoque de movimiento.
• ¿Inspeccionando orientación? No utilice aumento de datos de rotación (y probablemente tampoco utilice el alineador).

La diversidad de datos importa

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

• Diferentes horas del día (si la iluminación varía)
• Diferentes lotes de piezas (el acabado de la superficie puede variar ligeramente)
• Piezas en diferentes posiciones dentro del cuadro
• Casos fáciles y 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 AI.

Alta capacidad de aprendizaje

La AI de la cámara OV está diseñada para seguir mejorando con más datos. A diferencia de muchos sistemas de AI que se estancan después de 20 imágenes, este modelo continúa mejorando con 50, 100, incluso más de 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 por cada mil piezas? Esperar meses para recolectar suficientes ejemplos no es práctico.

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

Cómo funciona: 5 pasos simples

1. Cargue una buena imagen de su pieza
2. Marque el área donde debería aparecer el defecto
3. Describa el defecto en inglés sencillo (por ejemplo, "deep scratch across the surface" o "missing solder joint")
4. Genere las variaciones del defecto (la AI crea resultados fotorrealistas)
5. Exporte las imágenes sintéticas directamente a su conjunto de entrenamiento

Por qué funcionan los datos sintéticos

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

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 limítrofes para mejorar el límite de decisión de la AI
• Aumento de datos: Complemente conjuntos de datos pequeños con variedad sintética

Véalo en acción

Comience con datos reales, acelere con sintéticos

El mejor enfoque: entrene primero con sus 3-5 imágenes reales iniciales, identifique dónde tiene dificultades la AI, 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 10-15 por clase
• Todas las etiquetas verificadas dos veces (Ver todas las ROIs)
• Entrenado y probado con Vista Previa en Vivo
• Modos de falla identificados y datos específicos añadidos
• 2-4 iteraciones de etiquetar → entrenar → probar completadas
• Los resultados cumplen con las expectativas

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