Custom CNN Model

Este bloque de función te permite cargar un modelo de clasificación de imágenes basado en TensorFlow y ejecutar predicciones sobre imágenes entrantes. Está pensado para usuarios que desean aplicar una red neuronal convolucional entrenada de forma personalizada para clasificar imágenes dentro de un flujo visual.

📥 Entradas

Image Any La imagen que será clasificada por el modelo cargado.

📤 Salidas

Class Index (Detected) El índice numérico de la clase predicha. Class Name (Detected) El nombre legible de la clase (si el modelo proporciona etiquetas de clase). Detection Result (Raw Output) La salida sin procesar o las puntuaciones que produce el clasificador.

🕹️ Controles

Load Model Abre un diálogo de archivos para seleccionar y cargar un archivo de modelo. Los tipos soportados incluyen modelos TensorFlow estándar y modelos TFLite. Classes Un área de texto que muestra la lista de clases encontrada dentro del modelo cargado (si está disponible).

🎨 Características

• Importación simple de modelos: carga un modelo entrenado de TensorFlow o TFLite con un solo control.

• Vista previa de etiquetas de clase: el bloque muestra los nombres de clase extraídos del modelo para verificar etiquetas antes de ejecutar.

• Inferencia inmediata: al cargar un modelo, las imágenes entrantes se clasifican y los resultados se envían a las salidas para su uso posterior.

• Salidas para automatización: disponibles tanto el índice numérico como el nombre legible, además de las salidas crudas del modelo para manejo avanzado.

⚙️ Funcionamiento

• Usa el control Load Model para importar un archivo de modelo desde el disco.

• Una vez cargado y verificado el modelo, el bloque acepta imágenes a través de la entrada Image Any.

• Para cada imagen entrante, el bloque realiza la inferencia y proporciona el Class Index (Detected), el Class Name (Detected) opcional y los valores de predicción crudos en las salidas.

📝 Instrucciones de uso

1. Haz clic en el botón Load Model y elige tu archivo de modelo. Confirma que la lista de clases aparezca en Classes para asegurarte de que el modelo se cargó correctamente.

2. Conecta cualquier fuente de imagen a la entrada Image Any (por ejemplo Camera USB, Load Image o Stream Reader).

3. Usa las salidas del bloque para dirigir los resultados de clasificación a bloques de visualización, registro o lógica de decisión.

💡 Consejos y trucos

• Preprocesa las imágenes para que coincidan con el tamaño de entrada esperado por el modelo usando Image Resizer o Image Resize antes de alimentarlas a este bloque. Esto mejora la consistencia de las predicciones.

• Para ver qué está analizando el modelo, conecta la misma fuente de imagen a Show Image para una verificación visual.

• Superpone los resultados de clasificación en las imágenes usando Write Text On Image o Draw Result On Image para crear salidas visuales fáciles de entender para los operadores.

• Guarda eventos de clasificación con Image Logger o exporta resultados numéricos a archivos usando CSV Export para análisis posterior.

• Usa Image ROI Select o Image ROI para recortar áreas relevantes antes de la clasificación si tu modelo espera objetos en una posición fija.

• Combina con Is None o Data Memory para manejar cuadros faltantes o congelar salidas cuando sea necesario.

🛠️ Solución de problemas

• No se muestran clases después de cargar: verifica que el modelo contenga metadatos de etiquetas de clase. Si la lista de clases está vacía, el bloque seguirá emitiendo índices numéricos pero no nombres legibles.

• Modelo no carga: asegúrate de haber seleccionado un archivo de modelo soportado y que la ruta de archivo sea accesible. Si tienes un archivo TFLite o TensorFlow, elige el tipo correspondiente.

• Predicciones inesperadas: confirma que el tamaño de la imagen, los canales de color y el preprocesado coincidan con lo que se usó en el entrenamiento del modelo. Usa Image Resize, bloques de conversión de color u otros pasos de preprocesamiento aguas arriba para igualar las condiciones de entrenamiento.

• Inferencia lenta: considera redimensionar las imágenes a un tamaño menor con Image Resizer o usar una variante de modelo más ligera antes de desplegar en tiempo real.