Entrenar un Clasificador

Esta guía le muestra cómo configurar y entrenar un modelo de clasificación en el sistema de cámaras OV20i. Use este procedimiento cuando necesite categorizar automáticamente objetos en diferentes clases basadas en características visuales.

Cuándo Usar Clasificación: Clasificar piezas por tipo, tamaño, color o condición; identificar diferentes variantes de producto; control de calidad con múltiples categorías aceptables.

Prerrequisitos

• Receta activa con configuraciones de imagen definidas
• Imagen plantilla y alineación completadas (o saltadas)
• ROI(s) de inspección definidos
• Objetos de muestra que representen cada clase que desea detectar

Paso 1: Acceder al Bloque de Clasificación

1.1 Navegar a Clasificación

1. Haga clic en "Classification Block" en el menú breadcrumb, O
2. Seleccione desde el dropdown en la barra de navegación

1.2 Verificar Prerrequisitos

Asegúrese que los siguientes bloques muestren estado verde:

• ✅ Imaging Setup
• ✅ Template and Alignment (o saltado)
• ✅ Inspection Setup

Paso 2: Crear Clases de Clasificación

2.1 Defina Sus Clases

1. Haga clic en Edit bajo "Inspection Types"
2. Agregue clases para cada categoría que desea detectar

2.2 Configure Cada Clase

Para cada clase:

1. Ingrese Nombre de Clase: Use nombres descriptivos (ej. "Small", "Medium", "Large")
2. Seleccione Color de Clase: Elija colores distintos para identificación visual
3. Agregue Descripción: Detalles opcionales sobre la clase
4. Haga clic en Save

2.3 Mejores Prácticas para Nombres de Clases

Buenos Nombres	Malos Nombres
Small_Bolt, Medium_Bolt, Large_Bolt	Type1, Type2, Type3
Red_Cap, Blue_Cap, Green_Cap	Color1, Color2, Color3
Good_Part, Defective_Part	Pass, Fail
Screw_PhillipsHead, Screw_Flathead	A, B

Paso 3: Capturar Imágenes para Entrenamiento

3.1 Proceso de Captura de Imágenes

Para cada clase, capture mínimo 5 imágenes (se recomiendan 10+):

1. Coloque el objeto que representa la clase en el área de inspección
2. Verifique que el objeto esté dentro del ROI
3. Haga clic en Capture para tomar la imagen de entrenamiento
4. Seleccione la clase apropiada del dropdown
5. Haga clic en Save para guardar la imagen etiquetada
6. Repita con diferentes ejemplos de la misma clase

3.2 Requisitos de Datos de Entrenamiento

Clase	Imágenes Mínimas	Imágenes Recomendadas	Notas
Cada clase	5	10-15	Más imágenes = mejor precisión
Dataset total	15+	30-50+	Balanceado entre todas las clases
Casos límite	2-3 por clase	5+ por clase	Ejemplos en el borde

3.3 Mejores Prácticas para Imágenes de Entrenamiento

Hacer:

• Usar diferentes ejemplos dentro de cada clase
• Variar orientaciones y posiciones del objeto
• Incluir condiciones de buena iluminación
• Capturar casos límite y ejemplos borderline
• Mantener encuadre consistente del ROI

No hacer:

• Usar objetos idénticos repetidamente
• Incluir múltiples objetos en un solo ROI
• Mezclar clases en una sola imagen
• Usar imágenes borrosas o con mala iluminación
• Cambiar tamaño del ROI entre capturas

3.4 Control de Calidad

Después de capturar cada imagen:

1. Revise la calidad de la imagen en la vista previa
2. Verifique la asignación correcta de la etiqueta de clase
3. Elimine imágenes de mala calidad usando el botón Delete
4. Retome la imagen si es necesario

Paso 4: Configurar Parámetros de Entrenamiento

4.1 Acceder a Configuración de Entrenamiento

1. Haga clic en el botón Train Classification Model

4.2 Seleccionar Modo de Entrenamiento

Elija según sus necesidades:

Modo de Entrenamiento	Duración	Precisión	Caso de Uso
Fast	2-5 minutos	Bueno para pruebas	Validación inicial del modelo
Balanced	5-15 minutos	Listo para producción	La mayoría de aplicaciones
Accurate	15-30 minutos	Máxima precisión	Aplicaciones críticas

4.3 Establecer Conteo de Iteraciones

Configuración manual de iteraciones:

• Bajo (50-100): Pruebas rápidas, precisión básica
• Medio (200-500): Calidad para producción
• Alto (500+): Máxima precisión, entrenamiento más lento

4.4 Configuraciones Avanzadas (Opcional)

Batch Size:

• Lotes pequeños: Entrenamiento más estable, más lento
• Lotes grandes: Entrenamiento más rápido, puede ser menos estable

Learning Rate:

• Valores bajos: Más estable, aprendizaje más lento
• Valores altos: Aprendizaje más rápido, riesgo de inestabilidad

Recomendación: Use configuraciones por defecto a menos que tenga requerimientos específicos de rendimiento.

Paso 5: Iniciar Proceso de Entrenamiento

5.1 Inicializar Entrenamiento

1. Revise la configuración de entrenamiento
2. Haga clic en Start Training
3. Monitoree el progreso en el modal de entrenamiento

5.2 Indicadores de Progreso de Entrenamiento

Monitoree estas métricas:

• Iteración Actual: Progreso en los ciclos de entrenamiento
• Precisión de Entrenamiento: Rendimiento del modelo con datos de entrenamiento
• Tiempo Estimado: Duración restante del entrenamiento
• Valor de Pérdida: Error del modelo (debe disminuir con el tiempo)

5.3 Controles de Entrenamiento

Acciones disponibles durante el entrenamiento:

• Abortar Entrenamiento: Detener entrenamiento inmediatamente
• Finalizar Temprano: Detener cuando la precisión actual sea suficiente
• Extender Entrenamiento: Añadir más iteraciones si es necesario

5.4 Finalización del Entrenamiento

El entrenamiento se detiene automáticamente cuando:

• Se alcanza la precisión objetivo (típicamente 95%+)
• Se completan las iteraciones máximas
• El usuario detiene manualmente el entrenamiento

Paso 6: Evaluar Desempeño del Modelo

6.1 Revisar Resultados de Entrenamiento

Verifique métricas finales:

• Precisión Final: Debe ser >85% para uso en producción
• Tiempo de Entrenamiento: Anote duración para referencia futura
• Convergencia: Verifique que la precisión se haya estabilizado

6.2 Indicadores de Calidad del Modelo

Rango de Precisión	Nivel de Calidad	Recomendación
95%+	Excelente	Listo para producción
85-94%	Bueno	Adecuado para la mayoría de aplicaciones
75-84%	Regular	Considere más datos de entrenamiento
<75%	Pobre	Reentrene con más/mejores imágenes

6.3 Solución de Problemas por Bajo Desempeño

Problema	Causa Probable	Solución
Baja precisión (<75%)	Datos de entrenamiento insuficientes	Agregue más imágenes etiquetadas
Entrenamiento no mejora	Mala calidad de imagen	Mejore iluminación/enfoque
Clases confundidas	Objetos con apariencia similar	Añada más ejemplos diferenciadores
Sobreajuste	Pocas imágenes por clase	Balancee el dataset entre clases

Paso 7: Probar Desempeño de Clasificación

7.1 Prueba en Vivo

1. Haga clic en Live Preview para acceder a prueba en tiempo real
2. Coloque objetos de prueba en el área de inspección
3. Observe resultados de clasificación:
   • Nombre de clase predicha
   • Porcentaje de confianza
   • Tiempo de procesamiento

7.2 Prueba de Validación

Proceso sistemático de validación:

Objeto de Prueba	Clase Esperada	Resultado Real	Confianza	Aprobado/Reprobado
Objeto conocido Clase A	Clase A	_____	____%	☐
Objeto conocido Clase B	Clase B	_____	____%	☐
Ejemplo borderline	Clase A o B	_____	____%	☐
Objeto desconocido	Baja confianza	_____	____%	☐

7.3 Validación de Desempeño

Verifique estos aspectos:

• Precisión: Clasificaciones correctas para objetos conocidos
• Confianza: Alta confianza (>80%) para ejemplos claros
• Consistencia: Resultados repetibles para mismo objeto
• Velocidad: Tiempo de procesamiento aceptable para su aplicación

Paso 8: Optimización del Modelo

8.1 Si el Desempeño es Insatisfactorio

Proceso iterativo de mejora:

1. Identifique áreas problemáticas:
   • ¿Qué clases se confunden?
   • ¿Qué objetos están mal clasificados?
   • ¿Son apropiados los niveles de confianza?
2. Agregue datos de entrenamiento específicos:
   • Más ejemplos de clases confundidas
   • Casos límite y ejemplos borderline
   • Diferentes condiciones de iluminación/posicionamiento
3. Reentrene el modelo:
   • Use modo "Accurate" para mejor rendimiento
   • Aumente el conteo de iteraciones
   • Monitoree mejora en precisión

8.2 Optimización Avanzada

Para aplicaciones críticas:

• Aumento de datos: Use variaciones en iluminación y posiciones
• Transfer learning: Parta de modelos entrenados similares
• Métodos ensemble: Combine múltiples modelos
• Reentrenamiento regular: Actualice con nuevos datos de producción

Paso 9: Finalizar Configuración

9.1 Guardar Modelo

1. Verifique desempeño satisfactorio
2. El modelo se guarda automáticamente al completar el entrenamiento
3. Anote la versión del modelo para documentación

9.2 Documentación

Registre estos detalles:

• Fecha y versión de entrenamiento
• Número de imágenes por clase
• Modo de entrenamiento e iteraciones usadas
• Precisión final alcanzada
• Consideraciones especiales

9.3 Respaldo de Configuración

1. Exporte la receta para respaldo
2. Guarde imágenes de entrenamiento por separado si es necesario
3. Documente parámetros del modelo

¡Éxito! Su Clasificador Está Listo

Su modelo de clasificación entrenado ahora puede:

• Categorizar automáticamente objetos en clases definidas
• Proporcionar puntajes de confianza para cada predicción
• Procesar imágenes en tiempo real para uso en producción
• Integrarse con lógica I/O para toma de decisiones automatizada

Mantenimiento Continuo

Actualizaciones Regulares del Modelo

• Monitorear desempeño con el tiempo
• Agregar nuevos datos de entrenamiento según sea necesario
• Reentrenar periódicamente para mantener precisión
• Actualizar clases para nuevas variantes de producto

Monitoreo de Desempeño

• Rastrear métricas de precisión en producción
• Identificar drift en desempeño del modelo
• Programar reentrenamiento basado en degradación de desempeño

Próximos Pasos

Después de entrenar su clasificador:

1. Configure lógica I/O para decisiones de aprobado/reprobado
2. Configure flujos de trabajo de producción en IO Block
3. Pruebe el sistema completo de inspección de extremo a extremo
4. Implemente en ambiente de producción

Errores Comunes

Error	Impacto	Prevención
Datos de entrenamiento insuficientes	Baja precisión	Use 10+ imágenes por clase
Clases desbalanceadas	Predicciones sesgadas	Igual número de imágenes por clase
Mala calidad de imagen	Resultados inconsistentes	Optimice iluminación y enfoque
Clases demasiado similares	Clasificaciones confundidas	Defina clases claramente distintas
No realizar pruebas de validación	Fallas en producción	Siempre pruebe con objetos no vistos