Paso 4: Entrene su modelo de IA

Sus regiones de inspección ya están configuradas. Ahora es momento de enseñar a la IA qué significa “bueno” y qué significa “malo”.

Las tres reglas cardinales del entrenamiento

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

Regla 1: Etiquetar a partir de la imagen solamente

Nunca mire la pieza física (o póngala bajo una lupa) para decidir si está bien o mal. Si no puede ver el defecto en la imagen de la cámara, la IA no puede aprenderlo.

La IA 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, está enseñando a la IA a ver algo que no está.

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

Regla 2: Verifique sus etiquetas una y otra vez

Los errores de etiquetado le ocurren a todos; incluso a ingenieros experimentados les sucede. Pero una sola etiqueta incorrecta en un conjunto de datos pequeño puede arruinar sus resultados.

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

Antes de cada sesión de entrenamiento: Haga clic en Ver Todas las ROIs y verifique cada anotación. Esto es lo más fácil de corregir y lo más impactante.

Regla 3: Comience pequeño, itere rápido

No etiquete 50 imágenes y luego inicie el entrenamiento. En su lugar, cree un bucle ajustado: Etiquete 3-5 imágenes por clase, entrene en modo de desarrollo (aproximadamente 30 segundos), pruebe y trate de romperlo, luego agregue datos dirigidos donde falle. Repita este ciclo 2-4 veces en modo de desarrollo, luego cambie al modo de producción.

Este bucle es su camino más rápido hacia un buen modelo. Ejecútelo 2-4 veces en modo de desarrollo, luego cambie al modo de producción.

Flujo de entrenamiento paso a paso

1. Capturar imágenes de entrenamiento iniciales

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

Para una inspección simple de aprobación/rechazo:

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

2. Etiquetar las imágenes

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

• Clasificador: Seleccione la clase desde un desplegable (p. ej., "aprobado" o "rechazado")
• Segmentador: Use la herramienta de pincel para pintar las áreas defectuosas píxel por píxel

La clasificación es más rápida de etiquetar

Si no está seguro de si usar clasificación o segmentación, comience con clasificación. Es mucho más rápido de etiquetar y adecuado para la mayoría de escenarios de aprobación/rechazo. Consulte Clasificador vs. Segmentador para orientación.

3. Entrene en Modo de Desarrollo

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

Qué significa “verificar la señal”: ¿La IA está comenzando a aprender la diferencia entre bueno y malo? ¿O está entendiendo todo completamente mal?

• Si está mayoritariamente correcto → buena señal, siga adelante
• Si está completamente equivocado → algo está mal. Verifique errores de etiquetado, verifique el tamaño de la ROI, verifique la calidad de la imagen

4. Probar con Vista previa en vivo

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

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

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

5. Agregar datos dirigidos

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

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

6. Reentrene y retestee

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

7. Cambie al Modo de Producción

Cuando el modo de desarrollo funcione razonablemente bien, cambie al Modo de Producción. Esto toma entre 5 y 10 minutos, pero produce un modelo aproximadamente 20 veces más preciso que el modo de desarrollo.

Si el modo de desarrollo acertaba el 80% de los casos, es probable que el modo de producción alcance el 95% o más.

Aumentaciones: enseñar a la IA a manejar variaciones

Las aumentaciones modifican aleatoriamente sus imágenes de entrenamiento durante el proceso de entrenamiento, ajustando el brillo, añadiendo rotación, modificando el contraste, etc. Cada imagen se procesa a la IA cientos de veces con variaciones ligeramente diferentes de aumentaciones, 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 manejarla. Si las piezas pueden llegar a cualquier ángulo, la aumentación de rotación hace que la orientación sea irrelevante.

Cuándo usar aumentaciones

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

Cuándo NO usar aumentaciones

No aumentes la cosa que estás inspeccionando

Esto es una espada de doble filo. Si añades aumentación de rotación pero estás inspeccionando si las piezas están orientadas correctamente, enseñarás a la IA que las piezas al revés siguen siendo "buenas".

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

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

La diversidad de datos importa

Sus datos de entrenamiento deben representar toda la gama 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 encuadre
• Tanto casos fáciles como duros

Enfoquese 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 intencionadamente, un arañazo que tendría que crear, una grieta que ocurre una vez por cada mil piezas? Esperar meses para recolectar suficientes ejemplos no es práctico.

The 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 aparezcan defectos reales en la línea de producción.

Cómo funciona: 5 pasos simples

1. Suba una buena imagen de su pieza
2. Marque el área donde debe aparecer el defecto
3. Describa el defecto en inglés claro (p. ej., "rasguño profundo a través de la superficie" o "conexión de soldadura faltante")
4. Genere las variaciones del defecto (la IA 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 meros artefactos “pegados”. Son variaciones fotorrealistas que coinciden con su iluminación real, ángulo de la cámara y la superficie de la pieza. La IA comprende la física de cómo se ven los defectos bajo sus condiciones de imagen específicas.

Casos de uso:

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

Véalo en acción

Comience con datos reales, acelere con datos sintéticos

La mejor estrategia: entrene con sus 3-5 imágenes reales iniciales primero, identifique en qué falla la IA y luego use Defect Studio para generar ejemplos sintéticos dirigidos a esos modos de fallo específicos. Los datos reales enseñan la línea base; los datos sintéticos llenan los vacíos.

Lista de verificación de entrenamiento

Antes de avanzar, confirme:

• Imágenes iniciales capturadas, mínimo 3-5 por clase
• Todas las etiquetas verificate (Ver Todas las ROIs)
• Modo de desarrollo entrenado y probado con Vista previa en vivo
• Modos de fallo identificados y datos dirigidos añadidos
• 2-4 iteraciones de etiquetar → entrenar → probar completadas
• Modo de Producción entrenado; los resultados cumplen con las expectativas

¿El modelo está entrenado y se ve bien? Pásese al Paso 5: Configuración de salidas.