Mejorando su modelo a lo largo del tiempo
Tiempo: 5 minutos (lectura)
Su inspección está desplegada. ¿Cómo mantener un rendimiento alto a medida que cambian las condiciones, aparecen nuevos tipos de defectos o evolucionan las especificaciones?
The Library: su herramienta de mejora continua
Cada captura que toma la cámara se guarda en la Library, junto con la predicción de la IA y su puntuación de confianza. Este es su principal recurso para la mejora continua.
Encontrar lo que la IA hizo mal
- Vaya a la Library
- Navegue entre capturas recientes
- Busque dos cosas:
- Misses: imágenes donde la predicción de la IA es claramente incorrecta (casilla de verificación en la esquina superior izquierda de cada miniatura)
- Low-confidence predictions: desplácese hacia abajo en cualquier imagen para ver los valores de confianza. La confianza baja = la IA no estaba segura
Una imagen mal etiquetada en un conjunto de datos pequeño tiene un impacto desproporcionado. Con solo 5 imágenes de entrenamiento, una sola etiqueta incorrecta corrompe el 20% de sus datos. Verifique siempre las etiquetas antes de volver a entrenar, especialmente cuando su conjunto de datos es pequeño.
Reentrenar con datos dirigidos
- Seleccione las imágenes que la IA clasificó incorrectamente o de las que no estaba segura
- Haga clic en "Add to Active Recipe Train Set"
- Corrija las etiquetas si es necesario
- Haga clic en Retrain
Enfoque en misses y capturas de baja confianza, no utilice datos nuevos al azar. Esta es la forma más eficiente de mejorar.
Flujo de mejora del clasificador
- Revise las imágenes en Library → encuentre errores y predicciones de baja confianza
- Agréguelos al conjunto de entrenamiento
- Vuelva a etiquetar si es necesario
- Reentrene
- Use Haystack para explorar sus datos de forma visual y encontrar imágenes etiquetadas de forma incorrecta a escala
Flujo de mejora del segmentador
Los segmentadores llevan más tiempo etiquetar (anotación a nivel de píxel), por lo que hay un atajo:
- Importe imágenes con problemas en la receta de segmentación
- Haga clic en Generate Predictions para que el modelo pre-etique las nuevas imágenes lo mejor que pueda
- Fix the predictions en lugar de etiquetar desde cero (mucho más rápido)
- Reentrene
Haystack es una herramienta de exploración de datos visual que le permite revisar todo su conjunto de entrenamiento y localizar rápidamente imágenes que parecen fuera de lugar. A medida que su conjunto de datos crece más allá de 50-100 imágenes, la revisión manual se vuelve impráctica. Haystack agrupa imágenes similares, haciendo que los outliers mal etiquetados resalten visualmente.
La filosofía
- Nunca deje de iterar. La IA tiene una gran capacidad de aprendizaje y continúa mejorando con 50, 100, incluso 500+ imágenes
- Dirija las fallas específicamente. No agregue datos al azar. Añada los casos en que la IA tiene dificultades
- Verifique las etiquetas incorrectas regularmente. A medida que su conjunto de datos crece, las etiquetas erróneas se vuelven más difíciles de detectar, pero siguen dañando la precisión
Acelere con herramientas GenAI
Tres herramientas impulsadas por IA en tools.overview.ai pueden acelerar drásticamente sus ciclos de mejora:
- Defect Studio -- Genere imágenes de defectos sintéticos fotorrealistas hasta 10,000x más rápido que esperar defectos reales
- Integration Builder -- Construya flujos Node-RED listos para producción a partir de descripciones en lenguaje natural
- AI Expert Helper -- Obtenga orientación experta 24/7 sobre cualquier pregunta relacionada con la cámara
Juntas, estas tres herramientas pueden reducir su tiempo de implementación de días a horas. Genere datos de entrenamiento sintéticos en lugar de esperar defectos reales, cree integraciones describiendo lo que necesita y obtenga orientación experta instantánea sin esperar tickets de soporte.