improving-models
title: "Mejorando su modelo a lo largo del tiempo" sidebar_position: 11 slug: /guides/ov80i/improving-models
Mejorando su modelo a lo largo del tiempo
Tiempo: 5 minutos (lectura)
Su inspección está desplegada. ¿Y ahora cómo mantenerla funcionando bien a medida que cambian las condiciones, aparecen nuevos tipos de defectos o evolucionan las especificaciones?
La Library: su herramienta de mejora continua
Cada captura que toma la cámara se guarda en la Library, junto con la predicción de la AI y su puntuación de confianza. Este es su tesoro para la mejora.
Encontrar lo que la AI hizo mal
- Vaya a la Library
- Navegue por capturas recientes
- Busque dos cosas:
- Misses: imágenes en las que la predicción de la AI 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. Baja confianza = la AI no estaba segura
En un conjunto de datos pequeño, una sola etiqueta incorrecta tiene un impacto desproporcionado. Con solo 5 imágenes de entrenamiento, una mala etiqueta corrompe el 20% de sus datos. Siempre verifique cada etiqueta antes de volver a entrenar, especialmente cuando su conjunto de datos es pequeño.
Reentrenar con datos dirigidos
- Seleccione las imágenes que la AI identificó como incorrectas o sobre las que no tenía confianza
- Haga clic en "Add to Active Recipe Train Set"
- Corrija las etiquetas si es necesario
- Haga clic en Retrain
Céntrese en misses y capturas de baja confianza, no en datos nuevos al azar. Esta es la forma más eficiente de mejorar.
A medida que su conjunto de datos crece, revisar manualmente cada etiqueta se vuelve impráctico. Haystack le permite explorar visualmente sus datos de entrenamiento, agrupar imágenes similares y detectar rápidamente etiquetas que parezcan fuera de lugar. Ejecútelo periódicamente para mantener limpio su conjunto de datos.
Flujo de trabajo para la mejora del clasificador
- Revise las imágenes de la Library → identifique errores y predicciones de baja confianza
- Agréguelas al conjunto de entrenamiento
- Vuelva a etiquetar si es necesario
- Retrain
- Use Haystack para explorar visualmente sus datos y encontrar imágenes etiquetadas incorrectamente a gran escala
Flujo de trabajo para la mejora del segmentador
Los segmentadores tardan más en etiquetar (anotación píxel por píxel), por lo que hay un atajo:
- Importe las imágenes problemáticas en la receta de segmentación
- Haga clic en Generate Predictions para que el modelo preetiquete las nuevas imágenes lo mejor que pueda
- Arreglar las predicciones en lugar de etiquetar desde cero (mucho más rápido)
- Retrain
La filosofía
- Nunca deje de iterar. La AI tiene una alta capacidad de aprendizaje y continúa mejorando con 50, 100, incluso 500+ imágenes
- Apunte a los fallos específicamente. No añada datos al azar. Agregue los casos en los que la AI tiene dificultades
- Verifique las etiquetas incorrectas regularmente. A medida que su conjunto de datos crece, las etiquetas incorrectas se vuelven más difíciles de detectar pero siguen dañando la precisión
Acelere con herramientas GenAI
Tres herramientas impulsadas por AI en tools.overview.ai pueden acelerar significativamente sus ciclos de mejora:
- Defect Studio -- Generar imágenes de defectos sintéticos fotorrealistas hasta 10,000x más rápido que esperar a defectos reales
- Integration Builder -- Construya flujos Node-RED listos para producción a partir de descripciones en lenguaje natural
- AI Expert Helper -- Obtenga guía experta 24/7 sobre cualquier pregunta relacionada con la cámara
En conjunto, estas tres herramientas pueden reducir su tiempo de despliegue de días a horas. Genere datos de entrenamiento sintéticos en lugar de esperar defectos reales, cree integraciones describiendo lo que desea y obtenga orientación experta instantánea sin esperar tickets de soporte.