Saltar al contenido principal

DOCUMENTACIÓN CON IA

¿Qué desea saber?

Paso 4: Entrenar Su Modelo de AI

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

Las tres reglas cardinales del entrenamiento​

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

Regla 1: Etiquete únicamente desde 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, el AI no puede aprenderlo.

El 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 bajo una lupa, pero la imagen de la cámara se ve bien, está enseñando al AI a ver algo que no está ahí.

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

Regla 2: Revise sus etiquetas dos y tres veces​

Los errores de etiquetado le pasan 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 el 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 una de las anotaciones. Esto es lo más fácil de corregir y lo de mayor impacto.

Regla 3: Comience en pequeño, itere rápido​

No etiquete 50 imágenes y presione entrenar. En cambio, cree un ciclo ajustado: Etiquete 10-15 imágenes por clase, entrene (aproximadamente 30 segundos), pruebe e intente romperlo, luego agregue datos específicos donde falle. 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​

¿Qué versión de la interfaz tiene?

La interfaz web del OV20i fue rediseñada en v2026.5. Verifique la versión de su software en la esquina superior derecha de la IU de la cámara y elija la pestaña correspondiente. Su elección se mantendrá en cada página de este flujo de configuración.

Siga los pasos numerados a continuación para capturar, etiquetar, entrenar e iterar.

1. Capture imágenes iniciales de entrenamiento​

Con su receta activa y piezas en flujo (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​

Elija el tipo de modelo que está entrenando, luego lea las instrucciones correspondientes. El selector de abajo se mantiene sincronizado entre el Paso 2 y el Paso 3, y su elección se preserva en la URL para que sobreviva a una actualización o al compartirla.

En la interfaz de etiquetado, agregue las clases que cada tipo de inspección necesite. Conjuntos de clases comunes del clasificador:

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

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

3. Etiquetar las imágenes​

Etiquetado del clasificador: seleccione una clase para cada ROI desde el menú desplegable

Cada ROI recibe su propia clase de Clasificación, seleccione la clase que describe ese ROI en esa imagen (por ejemplo, "pass" o "fail").

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 es bueno para la mayoría de los escenarios de aprobado/rechazado. Consulte Classifier vs. Segmenter para obtener orientación.

4. Entrenar el modelo​

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

  • Fast mode, aproximadamente de 30 segundos a un minuto. Ideal para iteración rápida durante la configuración, verificación de la coherencia de sus etiquetas y piezas fáciles/bien diferenciadas. La precisión es menor que en modo de producción, pero le permite ver la señal rápidamente.
  • Production mode, 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 confiará en producción, el modo de producción es la respuesta correcta.

Un buen ritmo: itere en Fast mode mientras limpia las etiquetas y agrega datos, luego ejecute Production una vez que el resultado se vea bien, y nuevamente antes de desplegar.

5. Pruebe con Vista Previa en Vivo​

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

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

Intente romperlo. Encuentre los casos donde falla. Estas fallas son su hoja de ruta para mejorar.

Vista previa en vivo del clasificador: veredictos por ROI y puntuaciones de confianza

El panel de Prueba muestra la clase predicha y la puntuación de confianza para cada ROI. Procese algunas capturas y busque veredictos de baja confianza (a menudo por debajo del 70%); esos son sus casos límite y las piezas más valiosas para etiquetar a continuación.

6. Agregue datos específicos​

No agregue imágenes nuevas al azar. Agregue imágenes que aborden específicamente 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 en las esquinas, agregue más ejemplos de esquinas

7. Reentrene y vuelva 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 el entrenamiento previo, consulte Añadiendo Datos y Reentrenamiento.

Aumentos de datos: enseñando a la IA 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 IA 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 las 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 activar; incluso la fábrica más controlada tiene luces de techo que parpadean, sombras que se desplazan a lo largo del turno y una ligera deriva de los LED con el tiempo. El aumento de brillo hace que el modelo sea resistente a todo eso esencialmente sin costo.

Rotación: útil, pero vigile la forma de su ROI​

El aumento por rotación es excelente si sus piezas realmente 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 por rotación funciona limpiamente, la imagen rotada aún cabe dentro del cuadro del ROI.
  • ROI no cuadrado en un clasificador: la rotación puede recortar la imagen. Cuando un ROI alto y estrecho se rota 45°, las esquinas del contenido rotado caen fuera del cuadro y el modelo entrena con una imagen parcial. Si su pieza puede rotar, haga el ROI cuadrado o confíe en el alineador para manejar la rotación aguas arriba, de modo que no necesite el aumento por rotación aquí.
  • Segmentador: aplica la misma preocupación de recorte, pero la segmentación es menos sensible porque aprende a partir de máscaras de píxeles en lugar de la forma completa del ROI.

La diversidad de datos importa​

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

  • Diferentes momentos del día (si la iluminación varía)
  • Diferentes lotes de piezas (el acabado superficial puede variar ligeramente)
  • Piezas en diferentes posiciones dentro del cuadro
  • 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 AI.

Cuántos datos realmente necesita​

Necesita muchos menos datos que la mayoría de los sistemas de AI. La mayoría de las inspecciones funcionan muy bien con solo 5 a 10 imágenes por clase. Para un problema más difícil con múltiples defectos, 15 a 20 imágenes por clase suelen ser suficientes. Comience con poco, identifique dónde el modelo tiene dificultades en la Vista Previa en Vivo y agregue imágenes específicas solo donde las necesite, en lugar de recolectar cientos por adelantado.

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 aparezcan defectos reales en la línea de producción.

Cómo funciona: 5 pasos sencillos​

  1. Cargue una imagen buena de su pieza
  2. Marque el área donde debería aparecer el defecto
  3. Describa el defecto en inglés sencillo (p. ej., "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 simples artefactos "pegados". Son variaciones fotorrealistas que coinciden con su iluminación real, ángulo de cámara y superficie de la pieza. La AI entiende 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: Cree una inspección antes de que la primera pieza defectuosa salga de la línea
  • Casos límite: Genere ejemplos en el límite para mejorar la frontera 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 a 5 imágenes reales iniciales, identifique dónde la AI tiene dificultades, luego use Defect Studio para generar ejemplos sintéticos específicos para esos modos de falla particulares. 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 todos los ROIs)
  • Entrenado y probado con Vista Previa en Vivo
  • Modos de falla identificados y datos específicos agregados
  • 2-4 iteraciones de etiquetar → entrenar → probar completadas
  • Los resultados cumplen con las expectativas

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