Appearance

Tipos de Modelos de IA ​

¿Qué son los Modelos de IA? ​

Los modelos de inteligencia artificial son algoritmos entrenados para reconocer patrones en imágenes y realizar predicciones automáticas. Rosepetal soporta diferentes tipos de modelos según las necesidades específicas de inspección visual.

Tipos de Modelos Disponibles ​

🏷️ Clasificación (MULTICLASS) ​

¿Qué hace? ​

Categoriza imágenes completas en diferentes clases o categorías predefinidas.

Casos de Uso ​

  • Control de calidad: "Bueno" vs "Defectuoso"
  • Categorización de productos: Tipo A, B, C
  • Clasificación de defectos: Rayadura, abolladura, mancha
  • Verificación de conformidad: Pasa/No pasa

Características ​

  • Una etiqueta por imagen: Cada imagen pertenece a una sola clase
  • Salida con confianza: Porcentaje de certeza para cada predicción
  • Múltiples clases: Puede manejar 2 a N categorías diferentes
  • Rápido y eficiente: Ideal para decisiones binarias o múltiples

Ejemplo Práctico ​

Imagen de tornillo → Modelo → "Bueno" (95% confianza)
Imagen de pieza → Modelo → "Defectuosa" (87% confianza)

🚨 Detección de Anomalías (ANOMALY) ​

¿Qué hace? ​

Identifica elementos anómalos o fuera de lo normal comparando con patrones aprendidos de muestras "correctas".

Casos de Uso ​

  • Detección de defectos desconocidos: Sin ejemplos previos del defecto
  • Inspección de superficies: Grietas, rayones, deformaciones
  • Control de uniformidad: Variaciones en textura o forma
  • Detección de contaminación: Partículas o manchas inesperadas

Características ​

  • Aprendizaje no supervisado: Solo necesita ejemplos "normales"
  • Detección de novedades: Encuentra patrones no vistos antes
  • Puntuación de anomalía: Grado de "rareza" de cada imagen
  • Sensibilidad configurable: Ajustar nivel de detección

Ejemplo Práctico ​

Entrena con: 1000 imágenes de piezas perfectas
Predice: Nueva imagen → "Anomalía detectada" (zona marcada)

🎯 Detección de Objetos (imageObjectDetection) ​

¿Qué hace? ​

Localiza y clasifica múltiples objetos dentro de una misma imagen, dibujando cajas delimitadoras alrededor de cada uno.

Casos de Uso ​

  • Conteo automático: Número de piezas en una bandeja
  • Localización de componentes: Encontrar tornillos, chips, conectores
  • Inspección de ensamblaje: Verificar presencia y posición de partes
  • Análisis de layout: Distribución de elementos en superficies

Características ​

  • Múltiples detecciones: Varios objetos por imagen
  • Localización precisa: Coordenadas x,y,ancho,alto de cada objeto
  • Clasificación simultánea: Tipo y ubicación en una sola predicción
  • Confianza por objeto: Certeza individual para cada detección

Ejemplo Práctico ​

Imagen de circuito → Modelo → [
  "Resistor" (x:100, y:50, confianza: 92%),
  "Capacitor" (x:200, y:80, confianza: 88%),
  "Chip" (x:150, y:120, confianza: 95%)
]

🎨 Segmentación (MULTILABEL) ​

¿Qué hace? ​

Delimita áreas precisas pixel a pixel de diferentes elementos o regiones de interés en la imagen.

Casos de Uso ​

  • Medición de áreas: Tamaño exacto de defectos o componentes
  • Análisis morfológico: Forma, perímetro, área de objetos
  • Separación de materiales: Diferentes tipos de superficie
  • Mapeo de regiones: Áreas específicas para análisis detallado

Características ​

  • Precisión pixel: Delimitación exacta de bordes
  • Múltiples regiones: Diferentes áreas en la misma imagen
  • Análisis cuantitativo: Mediciones de área, forma, distancia
  • Máscaras de color: Visualización por colores de cada región

Ejemplo Práctico ​

Imagen de soldadura → Modelo → Máscara que marca:
- Área verde: Soldadura correcta (1,234 pixels)
- Área roja: Defecto por porosidad (89 pixels)
- Área azul: Metal base (5,678 pixels)

Arquitecturas de Modelos ​

🎓 Supervisados ​

Requieren datos etiquetados para entrenamiento

  • Clasificación: Imágenes con etiquetas de clase
  • Detección: Imágenes con cajas delimitadoras
  • Segmentación: Imágenes con máscaras pixel a pixel

🔍 No Supervisados ​

Aprenden patrones sin etiquetas explícitas

  • Detección de anomalías: Solo ejemplos "normales"
  • Clustering: Agrupación automática por similitud
  • Autoencoders: Reconstrucción de imágenes

🎯 Semi-supervisados ​

Combinan datos etiquetados y no etiquetados

  • Pocos ejemplos: Cuando hay pocas imágenes etiquetadas
  • Aprendizaje activo: El modelo sugiere qué etiquetar
  • Transfer learning: Aprovecha modelos preentrenados

Selección del Modelo Apropiado ​

🎯 Según el Objetivo ​

Para Decisiones Binarias ​

  • Recomendado: Clasificación MULTICLASS
  • Alternativa: Detección de anomalías (si solo hay ejemplos "buenos")

Para Localizar Elementos ​

  • Recomendado: Detección de objetos
  • Cuándo: Necesitas saber DÓNDE está el objeto/defecto

Para Mediciones Precisas ​

  • Recomendado: Segmentación MULTILABEL
  • Cuándo: Necesitas área exacta, forma o perímetro

Para Defectos Desconocidos ​

  • Recomendado: Detección de anomalías
  • Cuándo: No tienes ejemplos de todos los posibles defectos

📊 Según los Datos Disponibles ​

Con Muchas Imágenes Etiquetadas ​

  • Clasificación o Detección de objetos
  • Mínimo recomendado: 100-500 imágenes por clase

Con Pocas Imágenes Etiquetadas ​

  • Transfer learning con modelos preentrenados
  • Semi-supervisado combinando con imágenes sin etiquetar

Solo Imágenes "Normales" ​

  • Detección de anomalías
  • Ideal cuando es difícil obtener ejemplos de defectos

⚡ Según Requisitos de Velocidad ​

Tiempo Real (< 100ms) ​

  • Clasificación: Más rápida
  • Detección simple: Con pocos objetos

Procesamiento en Lote ​

  • Segmentación: Análisis detallado
  • Detección compleja: Con muchos objetos

Métricas de Evaluación ​

🏷️ Para Clasificación ​

  • Precisión (Accuracy): Porcentaje de aciertos totales
  • Precisión por clase: Aciertos para cada categoría
  • Recall: Capacidad de encontrar casos positivos
  • F1-Score: Balance entre precisión y recall

🎯 Para Detección de Objetos ​

  • mAP (mean Average Precision): Precisión promedio por clase
  • IoU (Intersection over Union): Solapamiento de cajas
  • Precisión de localización: Exactitud de las coordenadas
  • Tasa de detección: Porcentaje de objetos encontrados

🚨 Para Detección de Anomalías ​

  • AUC-ROC: Área bajo la curva ROC
  • Tasa de falsos positivos: Normales clasificados como anómalos
  • Tasa de falsos negativos: Anomalías no detectadas
  • Umbral óptimo: Punto de equilibrio entre tipos de error

🎨 Para Segmentación ​

  • IoU de píxeles: Solapamiento pixel a pixel
  • Dice Coefficient: Similitud entre máscaras
  • Precisión de borde: Exactitud en los contornos
  • Completitud de región: Porcentaje de área correctamente segmentada

Consideraciones de Implementación ​

💻 Recursos Computacionales ​

  • GPU recomendada: Para entrenamientos complejos
  • Memoria RAM: Varía según el tamaño de imagen y modelo
  • Almacenamiento: Para datasets grandes e histórico de modelos

🔄 Actualización de Modelos ​

  • Reentrenamiento periódico: Con nuevos datos
  • Versionado: Mantener diferentes versiones
  • A/B Testing: Comparar rendimiento entre versiones
  • Rollback: Capacidad de volver a versión anterior