Saltar al contenido principal

Añadiendo Datos y Reentrenamiento

Este tutorial le muestra cómo mejorar la precisión de su modelo AI agregando nuevas imágenes a una receta existente y reentrenando el modelo. Este proceso es esencial cuando su modelo falla incorrectamente piezas buenas o cuando encuentra nuevas variaciones en su producción.

Lo que aprenderá:

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

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

Prerrequisitos​

  • Receta activa con un modelo AI entrenado (clasificación o segmentación)
  • Acceso a la interfaz de la cámara OV80i
  • Imágenes en la Biblioteca que necesitan ser agregadas al entrenamiento

Paso 1: Encontrar Imágenes para Reentrenamiento​

1.1 Navegar a Biblioteca​

  1. Abra la interfaz OV80i
  2. Haga clic en "Library" en el menú de navegación izquierdo
  3. Verá todas las imágenes capturadas por su cámara

1.2 Filtrar Imágenes​

  1. Filtrar por Receta: Seleccione la receta que desea mejorar
  2. Filtrar por Pass/Fail: Seleccione "FAIL" para ver imágenes fallidas, o "PASS" para ver imágenes aprobadas
  3. Ordenar Por: Elija fecha u otro criterio para organizar los resultados
  4. Haga clic en "Search" para mostrar los resultados filtrados

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

Paso 2: Agregar Imágenes al Trainset​

2.1 Seleccionar Imágenes​

  1. Revise cada imagen para identificar piezas clasificadas incorrectamente
  2. Seleccione imágenes que muestren:
    • Piezas buenas que fueron marcadas incorrectamente como fallidas
    • Piezas malas que fueron marcadas incorrectamente como aprobadas
  3. Marque la casilla en cada imagen que desea agregar

⚠️ Importante: Agregue imágenes que fueron clasificadas incorrectamente - esto incluye piezas buenas que fallaron Y piezas malas que pasaron. Ambas ayudan a mejorar la precisión del modelo.

image.png

2.2 Agregar al Trainset​

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

Paso 3: Etiquetar 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 menú desplegable "Filter By Class"
  2. Seleccione "Unlabeled" para mostrar solo imágenes sin etiquetar
  3. Verá las imágenes que acaba de agregar al trainset

image.png

3.3 Etiquetar Imágenes Seleccionadas​

  1. Seleccione todas las imágenes sin etiquetar que agregó
  2. Haga clic en "Label Selected ROIs" en la esquina inferior izquierda
  3. Elija la etiqueta correcta del menú desplegable (por ejemplo, "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 Etiquetar y Entrenar

Paso 4: Reentrenar el Modelo​

4.1 Iniciar Reentrenamiento​

  1. Haga clic en "Train Classification Model" o "Train Segmentation Model"
  2. El sistema reentrenará usando todos los datos existentes más sus nuevas imágenes
  3. Monitoree el progreso del entrenamiento

4.2 Proceso de Entrenamiento​

  • El modelo aprende de datos etiquetados antiguos y nuevos
  • El tiempo de entrenamiento depende de la cantidad total de datos
  • Espere a que el entrenamiento termine antes de hacer pruebas

4.3 Probar Modelo Mejorado​

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

Paso 5: Validar Resultados​

5.1 Probar con Nuevas Imágenes​

  1. Capture nuevas imágenes de piezas similares
  2. Verifique si el modelo funciona mejor en casos límite
  3. Confirme que las imágenes buenas que antes fallaban ahora pasen correctamente

5.2 Monitorear Rendimiento​

  1. Observe si hay nuevos falsos positivos o falsos negativos
  2. Documente la mejora en precisión
  3. Anote cualquier problema restante para futuros reentrenamientos

¡Éxito! Su Modelo Está Reentrenado​

Su modelo AI mejorado ahora puede:

✅ Identificar mejor piezas buenas que antes fallaban

✅ Manejar nuevas variaciones en sus piezas de producción

✅ Reducir fallas falsas y mejorar la precisión

✅ Adaptarse a cambios en su proceso de manufactura

Consejos Clave para el Éxito​

Calidad de Datos​

  • Agregue imágenes clasificadas incorrectamente (tanto falsos positivos como falsos negativos)
  • Etiquete consistentemente - piezas buenas como "Pass", piezas malas como "Fail"
  • Incluya ejemplos diversos de condiciones tanto aprobadas como fallidas
  • Limpie las selecciones entre diferentes sesiones de etiquetado

Cuándo Reentrenar​

  • Aumentan las fallas falsas (piezas buenas fallando)
  • Aumentan los pases falsos (piezas malas pasando)
  • Aparecen nuevas variaciones de piezas en 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 exhaustivamente después de cada reentrenamiento
  • Documente cambios y mejoras
  • Mantenga respaldo de modelos funcionales antes de reentrenamientos mayores

Próximos Pasos​

Después de reentrenar su modelo:

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

Documentación Relacionada​

  • How-To: Train a Classifier
  • How-To: Train a Segmenter
  • How-To: Library Management and Search
  • Tutorial: Using a Classifier (Single-ROI Example)
  • Tutorial: Using the Segmenter