Paso 4: Entrena tu Modelo de IA

Tus regiones de inspección están configuradas. Ahora es el momento de enseñar a la IA cómo se ven las piezas "buenas" y "malas".

Las tres reglas cardinales del entrenamiento

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

Regla 1: Etiqueta solo a partir de la imagen

Nunca mires la parte física (o la pongas bajo un microscopio) para decidir si es buena o mala. Si no puedes ver el defecto en la imagen de la cámara, la IA no puede aprenderlo.

La IA no es mágica. Solo puede trabajar con lo que la cámara ve. Si etiquetas una parte como "defectuosa" basándote en algo que notaste al tocarla o al acercarte con una lupa, pero la imagen de la cámara se ve bien, estás enseñando a la IA a ver algo que no está allí.

Si no puedes etiquetarlo solo a partir de la imagen, regresa al paso de Instalación y corrige la configuración física: mejor lente, mejor iluminación, montaje más cercano, diferente ángulo.

Regla 2: Verifica tus etiquetas dos y tres veces

Los errores de etiquetado le ocurren a todos; los ingenieros experimentados también los cometen. Pero una mala etiqueta en un conjunto de datos pequeño puede destruir tus resultados.

Con 5 imágenes de entrenamiento, un error de etiquetado corrompe el 20% de tus datos de entrenamiento. Eso es catastrófico.

Antes de cada ejecución de entrenamiento: Haz clic en Ver todas las ROIs y verifica cada anotación. Esta es la cosa más fácil de corregir y la más impactante.

Regla 3: Comienza pequeño, itera rápido

No etiquetes 50 imágenes y presiones entrenar. En su lugar, crea un ciclo ajustado: etiqueta de 3 a 5 imágenes por clase, entrena en modo de desarrollo (aproximadamente 30 segundos), prueba y trata de romperlo, luego agrega datos específicos donde falla. Repite este ciclo de 2 a 4 veces en modo de desarrollo, luego cambia a modo de producción.

Este ciclo es tu camino más rápido hacia un buen modelo. Ejecútalo de 2 a 4 veces en modo de desarrollo, luego cambia a modo de producción.

Flujo de trabajo de entrenamiento paso a paso

1. Captura imágenes iniciales de entrenamiento

Con tu receta activa y las piezas fluyendo (o colocadas manualmente), captura imágenes. Necesitas un mínimo de 3-5 imágenes por clase para comenzar.

Para una inspección simple de pasar/fallar:

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

2. Etiqueta las imágenes

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

• Clasificador: Selecciona la clase de un menú desplegable (por ejemplo, "pasar" o "fallar")
• Segmentador: Usa la herramienta de pincel para pintar las áreas defectuosas píxel por píxel

La clasificación es más rápida de etiquetar

Si no estás seguro de si usar clasificación o segmentación, comienza con clasificación. Es mucho más rápido de etiquetar y bueno para la mayoría de los escenarios de pasar/fallar. Consulta Clasificador vs. Segmentador para orientación.

3. Entrena en Modo de Desarrollo

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

Lo que significa "verificar la señal": ¿Está la IA comenzando a aprender la diferencia entre bueno y malo? ¿O está cometiendo errores por completo?

• Si está mayormente correcta → gran señal, sigue adelante
• Si está completamente equivocada → algo está mal. Verifica los errores de etiquetado, verifica el tamaño de la ROI, verifica la calidad de la imagen

4. Prueba con Vista Previa en Vivo

Haz clic en Modo de Vista Previa en Vivo y pasa las piezas. Observa los resultados:

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

Intenta romperlo. Encuentra los casos donde falla. Estas fallas son tu hoja de ruta para la mejora.

5. Agrega datos específicos

No agregues imágenes nuevas al azar. Agrega imágenes que apunten específicamente a los modos de falla que encontraste:

• Si confunde rayones con reflejos, agrega más ejemplos de ambos
• Si pasa por alto pequeños defectos, agrega más imágenes de pequeños defectos
• Si falla en partes en las esquinas, agrega más ejemplos de esquinas

6. Reentrena y vuelve a probar

Repite los pasos 3-5 de dos a cuatro veces. Cada iteración debería mejorar la precisión.

7. Cambia a Modo de Producción

Cuando el modo de desarrollo esté funcionando razonablemente bien, cambia a Modo de Producción. Esto toma de 5 a 10 minutos, pero produce un modelo que es aproximadamente 20 veces más preciso que el modo de desarrollo.

Si el modo de desarrollo estaba acertando el 80% de los casos, el modo de producción probablemente acertará el 95% o más.

Aumentaciones: enseñando a la IA a manejar variaciones

Las aumentaciones modifican aleatoriamente tus 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 aumentaciones ligeramente diferentes, pero la etiqueta se mantiene igual.

Esto es increíblemente poderoso para construir robustez. Si tu iluminación varía entre turnos, la aumentación de brillo enseña a la IA a manejarlo. Si las piezas pueden llegar en cualquier ángulo, la aumentación de rotación hace que la orientación sea irrelevante.

Cuándo usar aumentaciones

Aumentación	Usa cuando...	Ejemplo de escenario
Brillo	La iluminación varía (día/noche, sombras)	Las luces del taller cambian a lo largo del día
Rotación	La pieza puede llegar en cualquier ángulo	Agujeros para tornillos, donde la orientación no importa
Desenfoque de movimiento	Las piezas se mueven rápido o la cámara vibra	Transportador de alta velocidad
Saturación	El color no es parte de tu inspección	La misma pieza en diferentes colores debería pasar igualmente
Contraste	La iluminación ambiental fluctúa	Cambios de luz estacionales a través de ventanas

Cuándo NO usar aumentaciones

No aumentes la cosa que estás inspeccionando

Esta es una espada de doble filo. Si agregas 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 uses aumentación de saturación
• ¿Inspeccionando desenfoque/enfoque? No uses aumentación de desenfoque de movimiento
• ¿Inspeccionando orientación? No uses aumentación de rotación

La regla: Aumenta todo excepto la propiedad específica que estás inspeccionando.

La diversidad de datos importa

Tus datos de entrenamiento deben representar el rango completo 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 marco
• Tanto casos fáciles como difíciles

Enfócate en los casos más difíciles. Si tus 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 bien con 5-10 imágenes, pero si tienes un problema complejo de múltiples defectos, no dudes en seguir agregando datos.

Acelera con datos sintéticos: Defect Studio

¿Qué pasa si necesitas entrenar para un defecto que rara vez ves? Un tornillo faltante que tendrías que quitar intencionalmente, un rayón que tendrías que crear, una grieta que ocurre una vez cada mil piezas? Esperar meses para recopilar suficientes ejemplos no es práctico.

El OV Auto-Defect Creator Studio en tools.overview.ai resuelve esto. Genera imágenes de defectos sintéticos fotorealistas, hasta 10,000 veces más rápido que esperar a que aparezcan defectos reales en la línea de producción.

Cómo funciona: 5 pasos simples

1. Sube una buena imagen de tu pieza
2. Marca el área donde debería aparecer el defecto
3. Describe el defecto en inglés sencillo (por ejemplo, "rayón profundo en la superficie" o "junta de soldadura faltante")
4. Genera las variaciones del defecto (la IA crea resultados fotorealistas)
5. Exporta las imágenes sintéticas directamente a tu conjunto de entrenamiento

Por qué los datos sintéticos funcionan

Las imágenes generadas no son solo artefactos "pegados". Son variaciones fotorealistas que coinciden con tu iluminación real, ángulo de cámara y superficie de la pieza. La IA entiende la física de cómo se ven los defectos bajo tus condiciones específicas de imagen.

Casos de uso:

• Defectos raros: Entrena para modos de falla que nunca (o rara vez) has visto
• Lanzamientos de nuevos productos: Construye una inspección antes de que la primera pieza defectuosa salga de la línea
• Casos límite: Genera ejemplos límite para mejorar el límite de decisión de la IA
• Aumento de datos: Suplementa conjuntos de datos pequeños con variedad sintética

Míralo en acción

Comienza con datos reales, acelera con sintéticos

El mejor enfoque: entrena con tus 3-5 imágenes reales iniciales primero, identifica dónde lucha la IA, luego usa Defect Studio para generar ejemplos sintéticos específicos para esos modos de falla. Los datos reales enseñan la base; los datos sintéticos llenan los vacíos.

Lista de verificación de entrenamiento

Antes de continuar, confirma:

• Imágenes iniciales capturadas, mínimo de 3-5 por clase
• Todas las etiquetas verificadas dos veces (Ver todas las ROIs)
• Modo de desarrollo entrenado y probado con Vista Previa en Vivo
• Modos de falla identificados y datos específicos agregados
• 2-4 iteraciones de etiqueta → entrenar → probar completadas
• Modo de producción entrenado; los resultados cumplen con las expectativas

¿Modelo entrenado y se ve bien? Pasa al Paso 5: Configuración de Salidas.