Saltar al contenido principal

DOCUMENTACIÓN CON IA

¿Qué desea saber?

Añadiendo Datos y Reentrenamiento

Este tutorial muestra cómo mejorar la precisión de su modelo de IA al agregar nuevas imágenes a una receta existente y reentrenar el modelo. Este proceso es esencial cuando su modelo clasifica incorrectamente piezas buenas o cuando encuentra variaciones nuevas en su producción.

Guía en video

Vea este tema en acción: OV Auto-Defect Creator Studio

Lo que aprenderá:

  • Cómo encontrar y seleccionar imágenes para el reentrenamiento
  • Cómo agregar imágenes a un conjunto de entrenamiento existente
  • Cómo etiquetar nuevos datos de entrenamiento
  • Cómo reentrenar su modelo con los nuevos datos

Cuándo usar esto: Cuando las piezas buenas están fallando la inspección, cuando hay variaciones nuevas de piezas, o cuando necesita mejorar la precisión del modelo con ejemplos adicionales.

Prerrequisitos​

  • Receta activa con un modelo de IA entrenado (clasificación o segmentación)
  • Acceso a la interfaz de la cámara OV20i
  • Imágenes en la Biblioteca que deben agregarse al entrenamiento

Paso 1: Encontrar Imágenes para el Reentrenamiento​

1.1 Ir a la Biblioteca​

  1. Abrir la interfaz de OV20i
  2. Haga clic en "Library" en el menú de navegación izquierdo
  3. Verá todas las imágenes capturadas de su cámara

1.2 Filtrar Imágenes​

  1. Filtrar por Receta: Seleccione la receta que desea mejorar
  2. Filtrar por Aprobado/Fallado: Seleccione "FAIL" para ver imágenes que fallaron, o "PASS" para ver imágenes que pasaron
  3. Ordenar Por: Elija fecha u otros criterios para organizar los resultados
  4. Haga clic en "Search" para mostrar los resultados filtrados

Objetivo: Encontrar imágenes que fueron clasificadas de forma incorrecta - ya sea piezas buenas que fallaron o piezas malas que pasaron.

Paso 2: Agregar Imágenes al Conjunto de Entrenamiento​

2.1 Seleccionar Imágenes​

  1. Revise cada imagen para identificar piezas clasificadas de forma incorrecta
  2. Seleccione imágenes que muestren:
    • Piezas buenas que fueron marcadas incorrectamente como fallidas
    • Piezas malas que fueron marcadas incorrectamente como pasadas
  3. Haga clic en la casilla de cada imagen que desee agregar
Importante

Agregue imágenes que fueron clasificadas incorrectamente; esto incluye piezas buenas que fallaron Y piezas malas que pasaron. Ambos casos ayudan a mejorar la precisión del modelo.

image.png

2.2 Agregar al Conjunto de Entrenamiento​

  1. Después de seleccionar las imágenes, haga clic en "Agregar al conjunto de entrenamiento de la receta activa" en la parte inferior
  2. Un mensaje de éxito confirmará que las imágenes se agregaron
  3. Haga clic en "Ir al editor de recetas" para continuar

Paso 3: Etiquetar Nuevos Datos de Entrenamiento​

3.1 Ir a Etiquetar y Entrenar​

  1. Desde el Editor de Recetas, vaya a:
    • Receta de Clasificación: "Bloque de Clasificación"
    • Receta de Segmentación: "Etiquetar y Entrenar"
  2. Haga clic en "Ver Todos los ROI"

3.2 Encontrar Imágenes No Etiquetadas​

  1. Utilice el desplegable "Filtrar por Clase"
  2. Seleccione "No Etiquetadas" para mostrar solo imágenes no etiquetadas
  3. Verá las imágenes que acaba de agregar al conjunto de entrenamiento

image.png

3.3 Etiquetar Imágenes Seleccionadas​

  1. Seleccionar todas las imágenes no etiquetadas que agregó
  2. Haga clic en "Etiquetar ROI Seleccionados" en la esquina inferior izquierda
  3. Elegir la etiqueta correcta desde el desplegable (p. ej., "Aprobado", "Bueno", etc.)
  4. Haga clic en "OK" para aplicar la etiqueta
Importante

Haga clic en "Borrar selección" entre diferentes sesiones de etiquetado para evitar errores de etiquetado.

image.png

3.4 Cerrar Vista de ROI​

  1. Cerrar el modal "Ver Todos los ROI"
  2. Volver a la página principal Etiquetar y Entrenar

Paso 4: Reentrenar el Modelo​

4.1 Iniciar el Reentrenamiento​

  1. Haga clic en "Entrenar Modelo de Clasificación" o "Entrenar Modelo de Segmentación"
  2. El sistema se reentrenará utilizando todos los datos existentes más sus imágenes nuevas
  3. Monitorear el progreso del entrenamiento

4.2 Proceso de Entrenamiento​

  • El modelo aprende tanto de los datos etiquetados antiguos como de los nuevos
  • El tiempo de entrenamiento depende de la cantidad total de datos
  • Espere a que termine el entrenamiento antes de probar

4.3 Probar el Modelo Mejorado​

  1. Use "Modo de Vista Previa en Vivo" para probar el modelo reentrenado
  2. Pruebe con las mismas imágenes que anteriormente fallaron
  3. Verifique que el modelo ahora identifique correctamente las piezas buenas como aprobadas

Paso 5: Validar Resultados​

5.1 Probar con Imágenes Nuevas​

  1. Tomar nuevas imágenes de piezas similares
  2. Verifique si el modelo funciona mejor en casos límite
  3. Verifique que las imágenes que anteriormente eran buenas ahora pasen correctamente

5.2 Monitorear el Rendimiento​

  1. Esté atento a posibles nuevos falsos positivos o falsos negativos
  2. Documentar la mejora en la precisión
  3. Anote cualquier problema restante para futuros reentrenamientos

¡Éxito! Su Modelo ha sido Reentrenado​

Su modelo de IA mejorado ahora puede:

✅ Identificar mejor las piezas buenas que fallaban previamente

✅ Manejar nuevas variaciones en sus piezas de producción

✅ Reducir fallos falsos y mejorar la precisión

✅ Adaptarse a cambios en su proceso de fabricación

Consejos Clave para el Éxito​

Calidad de los Datos​

  • Agregar imágenes clasificadas Incorrectamente (tanto falsos positivos como falsos negativos)
  • Etiquetar de forma consistente: piezas buenas como "Aprobado", piezas malas como "Rechazado"
  • Incluir ejemplos diversos de condiciones de paso y fallo
  • Borrar selecciones entre diferentes sesiones de etiquetado

Cuándo Reentrenar​

  • Aumentan las fallas falsas (piezas buenas que fallan)
  • Aumentan los pases falsos (piezas malas que pasan)
  • Aparecen nuevas variaciones de piezas en la producción
  • Cambios en el proceso afectan la apariencia de las piezas
  • Variaciones estacionales en materiales o iluminación

Mejores Prácticas​

  • Comience con poco: agregue 10-20 imágenes a la vez
  • Pruebe a fondo después de cada reentrenamiento
  • Documentar cambios y mejoras
  • Mantenga una copia de seguridad de los modelos en funcionamiento antes de un reentrenamiento mayor
Más imágenes no siempre es mejor

Agregar grandes lotes de imágenes sin revisarlas puede empeorar su modelo. Cada imagen que agrega enseña algo a la IA. Si esas imágenes contienen piezas etiquetadas incorrectamente, iluminación inconsistente, capturas borrosas o casos límite que no representan las condiciones reales de producción, el modelo aprende patrones equivocados y la precisión disminuye. Con datos de entrada de buena calidad, obtendrá datos de salida de buena calidad.

Próximos pasos​

Después de reentrenar su modelo:

  1. Monitorear la producción para una mayor precisión
  2. Continuar recopilando imágenes problemáticas para futuros reentrenamientos
  3. Configurar un programa regular de reentrenamiento si es necesario
  4. Entrenar a los operadores sobre cuándo marcar imágenes para el reentrenamiento
  5. Documentar su proceso de reentrenamiento para mantener la consistencia

🔗 Ver También​