Mejorando Su Modelo Con El Tiempo

Su inspección está implementada. ¿Cómo mantiene su rendimiento a medida que cambian las condiciones, aparecen nuevos tipos de defectos o evolucionan las especificaciones?

La Biblioteca: Su herramienta de mejora continua

Cada captura que toma la cámara se guarda en la Biblioteca, junto con la predicción de la IA y el puntaje de confianza. Esta es su mina de oro para la mejora.

Encuentre lo que la IA erró

1. Vaya a la Biblioteca
2. Explore las capturas recientes
3. Busque dos cosas:
   • Fallas: imágenes donde la predicción de la IA es claramente incorrecta (casilla de verificación en la esquina superior izquierda de cada miniatura)
   • Predicciones de baja confianza: desplácese hacia abajo en cualquier imagen para ver los valores de confianza. Baja confianza = la IA no estaba segura

Las imágenes mal etiquetadas pueden afectar significativamente la precisión

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. Siempre verifique las etiquetas antes de reentrenar, especialmente cuando su conjunto de datos es pequeño.

Reentrenar con datos específicos

1. Seleccione las imágenes que la IA erró o sobre las que no estaba segura
2. Haga clic en "Agregar al Conjunto de Entrenamiento Activo"
3. Corrija las etiquetas si es necesario
4. Haga clic en Reentrenar

Enfóquese en fallas y capturas de baja confianza, no en datos nuevos aleatorios. Esta es la forma más eficiente de mejorar.

Inspeccione imágenes guardadas con el Visor de Metadatos

Si necesita ver exactamente lo que la IA predijo en una imagen específica, cargue el JPEG guardado en el Visor de Metadatos. Las cámaras OV incrustan resultados de predicción, puntajes de confianza y configuraciones de la cámara directamente en cada imagen capturada.

Flujo de trabajo de mejora del clasificador

1. Revise las imágenes de la Biblioteca → encuentre errores y predicciones de baja confianza
2. Agréguelas al conjunto de entrenamiento
3. Reetiquete si es necesario
4. Reentrenar
5. Use Haystack para explorar sus datos visualmente y encontrar imágenes mal etiquetadas a gran escala

Flujo de trabajo de mejora del segmentador

Los segmentadores tardan más en etiquetar (anotación a nivel de píxel), así que hay un atajo:

1. Importe imágenes problemáticas en la receta de segmentación
2. Haga clic en Generar Predicciones para que el modelo preetiquete las nuevas imágenes lo mejor que pueda
3. Corrija las predicciones en lugar de etiquetar desde cero (mucho más rápido)
4. Reentrenar

Use Haystack para detectar etiquetas incorrectas a gran escala

Haystack es una herramienta de exploración de datos visual que le permite navegar por todo su conjunto de entrenamiento y detectar 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 valores atípicos mal etiquetados se destaquen visualmente.

Reduciendo falsos positivos en segmentación

Si su segmentador está detectando muchos pequeños blobs aleatorios que no deberían estar allí, tiene dos herramientas poderosas a su disposición: filtrar pequeños blobs fuera de la lógica de pasar/fallar y entrenar al modelo para entender mejor cómo se ve lo "normal".

Filtrar pequeños blobs con un umbral de tamaño mínimo

La solución más rápida es indicarle al sistema que ignore blobs por debajo de un área de píxel determinada. Los blobs de ruido pequeños son casi siempre diminutos en comparación con los defectos reales, por lo que un filtro de tamaño los elimina sin afectar su detección real.

En Modo Básico (Lógica de E/S): Establezca el umbral de área mínima de blob en la configuración de pasar/fallar. Cualquier blob más pequeño que este conteo de píxeles se ignora por completo. Comience con un valor como 50 píxeles y ajuste hacia arriba hasta que el ruido desaparezca pero los defectos reales aún se disparen.

En Modo Avanzado (Node-RED): Filtre blobs por blob.pixel_count en su nodo de función. Por ejemplo, para ignorar cualquier blob por debajo de 50 píxeles:

const minBlobSize = 50;
const allBlobs = msg.payload.segmentation.blobs;
const realBlobs = allBlobs.filter(blob => blob.pixel_count >= minBlobSize);
const results = realBlobs.length <1; // Pass if no real blobs remain
msg.payload = results;
return msg;

Ajuste el valor de minBlobSize según su aplicación. Observe los conteos de píxeles de sus blobs de ruido frente a los defectos reales en la salida de depuración para encontrar el corte adecuado.

Agregar buenas imágenes a su conjunto de entrenamiento

Esta es la forma más efectiva de reducir las detecciones de falsos positivos, y es la que la gente más a menudo pasa por alto.

El problema: si solo entrenó con imágenes que contienen defectos, el modelo nunca ha aprendido cómo se ve una pieza limpia. Comienza a ver "defectos" en la textura de superficie normal, gradientes de iluminación y variaciones menores: todos los pequeños blobs aleatorios con los que está luchando.

Cómo solucionarlo:

1. Vaya a la Biblioteca y encuentre imágenes de buenas piezas: superficies limpias sin defectos
2. Agregue estas imágenes al conjunto de entrenamiento (Agregar al Conjunto de Entrenamiento Activo)
3. En la vista de etiquetado, seleccione las ROIs pero no agregue ninguna anotación de defectos. Simplemente inclúyalas tal como están sin marcas de pintura
4. Reentrene el modelo

Al mostrarle al modelo ejemplos de cómo se ve lo "normal", le está enseñando a dejar de marcar variaciones superficiales ordinarias como defectos. Esto reduce drásticamente el ruido.

Directrices:

• Comience con 3-5 buenas imágenes y reentrene. Pruebe los resultados
• Si el ruido persiste, agregue más. Apunte a al menos 20-30 buenas imágenes mezcladas con sus imágenes de defectos
• Esto es especialmente importante si su conjunto de entrenamiento inicial solo contenía imágenes con defectos
• Asegúrese de que las buenas imágenes cubran el rango de variación normal que ve en producción (diferente iluminación, ligeros cambios de color, texturas de superficie)

Esta es la solución número 1 para segmentadores ruidosos

Nueve de cada diez veces, cuando alguien se queja de que aparecen blobs pequeños aleatorios por todas partes, la causa raíz es que el conjunto de entrenamiento no tiene buenas imágenes. Agréguelas y reentrene: la mejora suele ser inmediata y significativa.

Otras recomendaciones para reducir el ruido

• Mejore la consistencia de la iluminación. La iluminación inconsistente crea sombras y reflejos que el modelo puede confundir con defectos. Asegúrese de que los LEDs integrados estén configurados correctamente y que las fuentes de luz externas no estén causando deslumbramiento o sombras cambiantes.
• Verifique la alineación de su plantilla. Si el alineador no está funcionando bien, la ROI se desplaza entre capturas. El modelo ve diferentes áreas de fondo cada vez, lo que aumenta el ruido. Verifique que la alineación sea estable.
• Utilice el modo de entrenamiento preciso (producción). El modo de desarrollo es rápido pero mucho menos preciso. Siempre reentrene en modo de producción antes de juzgar la calidad de la segmentación.
• Itere en pequeños pasos. Agregue 3-5 buenas imágenes, reentrene, pruebe. Repita hasta que los resultados sean limpios. Esto es más rápido que agregar 50 imágenes de una vez y esperar lo mejor.

La filosofía

• Nunca deje de iterar. La IA tiene una alta capacidad de aprendizaje y sigue mejorando con 50, 100, incluso 500+ imágenes.
• Apunte a fallas específicamente. No agregue datos al azar. Agregue los casos donde la IA tiene dificultades.
• Verifique regularmente las etiquetas incorrectas. A medida que su conjunto de datos crece, las etiquetas incorrectas se vuelven más difíciles de detectar, pero aún dañan 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 sintéticas de defectos fotorealistas hasta 10,000 veces más rápido que esperar por defectos reales.
• Integration Builder -- Construya flujos de Node-RED listos para producción a partir de descripciones en inglés simple.
• AI Expert Helper -- Obtenga orientación experta 24/7 sobre cualquier pregunta relacionada con la cámara.

La ventaja del kit de herramientas GenAI

Juntas, estas tres herramientas pueden reducir su tiempo de implementación de días a horas. Genere datos de entrenamiento sintéticos en lugar de esperar por defectos reales, construya integraciones describiendo lo que desea y obtenga orientación experta instantánea sin esperar tickets de soporte.

→ Vea la guía completa del kit de herramientas GenAI