Machine Learning y Visión Artificial · ML-112

Detección de objetos con YOLO para control de calidad

Etiquetar, entrenar y desplegar un detector YOLO para inspección en línea de producción.

Bajo demanda Avanzado 7 módulos · 31 clases

Formato asíncrono Ingeniería / Industria, Desarrollo Python, PyTorch

INDUSTRIA40 IA

Lo que aprenderás

Definir clases y criterios de etiquetado consistentes para defectos con límites poco nítidos.
Etiquetar imágenes en formato YOLO y organizar el conjunto en particiones sin contaminación.
Entrenar un detector YOLO con transferencia de aprendizaje y aumento de datos adecuado a la pieza.
Interpretar mAP, IoU y las curvas de precisión y exhaustividad para fijar el umbral de confianza.
Exportar el modelo a ONNX o TensorRT y medir el rendimiento de inferencia en el equipo de destino.
Integrar la salida del detector con la señal de rechazo de la línea y con el registro de trazabilidad.

Contenido del curso

7 módulos · 31 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Planteamiento del problema 4 clases

Qué defectos hay que detectar y con qué consecuencia
Detección frente a clasificación y a segmentación
Adquisición de imágenes representativas de la línea
Entorno de trabajo y estructura del proyecto

Módulo 2 · Conjunto de datos y etiquetado 5 clases

Definición de clases y casos límite
Herramientas de etiquetado y formato YOLO
Cuántas imágenes por clase y cómo repartirlas
Particiones sin contaminación entre lotes de piezas
Revisión y control de calidad del etiquetado

Módulo 3 · Entrenamiento 5 clases

Modelos base y transferencia de aprendizaje
Fichero de configuración del entrenamiento
Aumento de datos coherente con la iluminación real
Seguimiento del entrenamiento y parada
Reentrenar con nuevas imágenes de defecto

Módulo 4 · Evaluación 5 clases

IoU y qué cuenta como acierto
mAP y sus variantes
Curvas de precisión y exhaustividad por clase
Elección del umbral de confianza según el coste del error
Análisis de los fallos imagen a imagen

Módulo 5 · Inferencia y optimización 4 clases

Inferencia sobre vídeo y sobre disparo por pieza
Exportación a ONNX y a TensorRT
Medida de latencia en el equipo de destino
Precisión reducida y su efecto en la detección

Módulo 6 · Integración en línea 4 clases

Sincronización con el disparo y con el encoder
Comunicación de la decisión al PLC
Registro de imágenes y trazabilidad de la pieza
Modo degradado ante fallo del sistema

Módulo 7 · Proyecto de cierre 4 clases

Detector completo sobre un defecto real
Validación con muestras patrón
Informe de rendimiento y limitaciones
Plan de mantenimiento del modelo

Requisitos

Python con soltura y experiencia previa entrenando algún modelo con PyTorch.
Nociones de visión artificial: adquisición de imagen, iluminación y calibración.
Acceso a una GPU, propia o en la nube, para las prácticas de entrenamiento.
Conjunto de imágenes propio si se quiere aplicar el proyecto a un caso real; se facilitan imágenes de ejemplo.

Descripción

El control de calidad visual se apoya en personas que se cansan, rotan y no siempre coinciden en qué es un defecto. Automatizarlo con un detector parece sencillo hasta que aparecen las preguntas reales: cuántas imágenes hacen falta, qué se considera defecto en los casos dudosos y qué pasa cuando el detector marca una pieza buena en plena producción.

El curso recorre el flujo completo con YOLO sobre PyTorch. Empieza por lo que más determina el resultado, que es el criterio de etiquetado y la calidad del conjunto de datos. Sigue con el entrenamiento por transferencia, el aumento de datos coherente con la iluminación real de la línea y la lectura de mAP y de las curvas de precisión y exhaustividad.

La última parte lleva el modelo a la planta: exportación a un formato de inferencia rápido, medida de latencia en el equipo de destino, elección de umbral según el coste de cada tipo de error e integración con la señal de rechazo y con el registro de piezas. Conecta directamente con la inferencia en dispositivos de borde y con la operación de modelos en servicio.

¿Para quién es este curso?

Ingeniería de calidad que quiere sustituir o apoyar una inspección visual manual con un detector propio.
Perfiles de desarrollo que dan soporte a planta y deben integrar el modelo con el PLC y la trazabilidad.
Responsables de automatización que evalúan la viabilidad técnica de un control por visión con aprendizaje.