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 añadir imágenes nuevas a una receta existente y reentrenar el modelo. Este proceso es esencial cuando su modelo clasifica incorrectamente piezas buenas como defectuosas o cuando se presentan variaciones nuevas en su producción.

Video Guide

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

Lo que aprenderá:

  • Cómo encontrar y seleccionar imágenes para el reentrenamiento
  • Cómo añadir imágenes al trainset existente
  • Cómo etiquetar los nuevos datos de entrenamiento
  • Cómo reentrenar su modelo con los datos nuevos

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 añadirse al entrenamiento

Paso 1: Encontrar Imágenes para el Reentrenamiento​

1.1 Navegar a la Biblioteca​

  1. Abra la interfaz de OV20i
  2. Haga clic en "Library" en el menú de navegación de la izquierda
  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 PASO/Fallo: Seleccione "FAIL" para ver imágenes que fallaron, o "PASS" para ver las 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: piezas buenas que fallaron o piezas malas que pasaron.

Paso 2: Añadir Imágenes al trainset​

2.1 Seleccionar Imágenes​

  1. Revise cada imagen para identificar piezas clasificadas incorrectamente
  2. Seleccione las 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 en cada imagen que desee añadir
Importante

Añada imágenes que fueron clasificadas de forma incorrecta - esto incluye piezas buenas que fallaron Y piezas malas que pasaron. Ambos casos ayudan a mejorar la precisión del modelo.

image.png

2.2 Añadir al trainset​

  1. Después de seleccionar las imágenes, haga clic en "Add to the active recipe's trainset" en la parte inferior
  2. Se mostrará un mensaje de éxito que confirmará que las imágenes fueron añadidas
  3. Haga clic en "Go to recipe editor" para continuar

Paso 3: Etiquetar los Nuevos Datos de Entrenamiento​

3.1 Navegar a Etiquetar y Entrenar​

  1. Desde el Editor de Recetas, vaya a:
    • Receta de Clasificación: "Classification Block"
    • Receta de Segmentación: "Label And Train"
  2. Haga clic en "View All ROIs"

3.2 Encontrar Imágenes Sin Etiquetar​

  1. Use el desplegable "Filter By Class"
  2. Seleccione "Unlabeled" para mostrar solo imágenes sin etiquetar
  3. Verá las imágenes que acaba de añadir al trainset

image.png

3.3 Etiquetar las Imágenes Seleccionadas​

  1. Seleccione todas las imágenes sin etiquetar que añadió
  2. Haga clic en "Label Selected ROIs" en la esquina inferior izquierda
  3. Elija la etiqueta correcta del desplegable (p. ej., "Pass", "Good", etc.)
  4. Haga clic en "OK" para aplicar la etiqueta
Importante

Haga clic en 'Clear Selection' entre diferentes sesiones de etiquetado para evitar etiquetado incorrecto.

image.png

3.4 Cerrar Vista de ROI​

  1. Cierre el modal "View All ROIs"
  2. Regrese a la página principal de Etiquetado y Entrenamiento

Paso 4: Reentrenar el Modelo​

4.1 Iniciar el Reentrenamiento​

  1. Haga clic en "Train Classification Model" o "Train Segmentation Model"
  2. El sistema volverá a entrenar usando todos los datos existentes más las imágenes nuevas
  3. Monitorice el progreso del entrenamiento

4.2 Proceso de Entrenamiento​

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

4.3 Probar el Modelo Mejorado​

  1. Use "Live Preview Mode" para probar el modelo reentrenado
  2. Pruebe con las mismas imágenes que anteriormente fallaron incorrectamente
  3. Verifique que el modelo ahora identifique correctamente las piezas buenas como aprobadas

Paso 5: Validar Resultados​

5.1 Probar con Imágenes Nuevas​

  1. Tome imágenes nuevas de piezas similares
  2. Verifique si el modelo funciona mejor en casos límite
  3. Verifique que las imágenes que antes pasaban ahora lo hagan correctamente

5.2 Monitorear Rendimiento​

  1. Observe si hay nuevos falsos positivos o falsos negativos
  2. Documente 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 previamente fallaban

✅ Manejar nuevas variaciones en las piezas de su 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​

  • Añadir imágenes clasificadas incorrectamente (tanto falsos positivos como falsos negativos)
  • Etiquetar de forma consistente: piezas buenas como "Pass", piezas malas como "Fail"
  • Incluir ejemplos diversos de condiciones que pasan y fallan
  • Limpiar las selecciones entre diferentes sesiones de etiquetado

Cuándo Reentrenar​

  • Aumentan los falsos fallos (piezas buenas que fallan)
  • Aumenten los falsos pases (piezas malas que pasan) — en este contexto, falsos positivos
  • Surgen variaciones de piezas nuevas en la producción
  • Cambios en el proceso afectan la apariencia de las piezas
  • Variaciones estacionales en materiales o iluminación

Mejores Prácticas​

  • Comience pequeño: agregue de 10 a 20 imágenes a la vez
  • Pruebe a fondo después de cada reentrenamiento
  • Documente cambios y mejoras
  • Mantenga una copia de seguridad de modelos funcionando antes de un reentrenamiento mayor

Siguientes Pasos​

Después de reentrenar su modelo:

  1. Supervise la producción para una mayor precisión
  2. Continúe recopilando imágenes problemáticas para futuros reentrenamientos
  3. Establezca un programa regular de reentrenamiento si es necesario
  4. Capacite a los operadores sobre cuándo marcar imágenes para reentrenamiento
  5. Documente su proceso de reentrenamiento para garantizar la consistencia

🔗 Ver También​