Uma empresa de e-commerce classifica imagens de produtos por linha de produto. Um modelo de visão computacional treinado com um algoritmo de classificação de imagens apresenta baixa precisão em novos produtos. As imagens têm tamanho uniforme e são armazenadas em um serviço de armazenamento de objetos na nuvem. A empresa precisa de melhorias mais rápidas para implantar em novos produtos. Quais etapas aumentariam a precisão? (Escolha três.)

Aumentar as imagens existentes (data augmentation) cria mais dados de treinamento, expondo o modelo a variações que melhoram a generalização e reduzem o overfitting, crucial para novos produtos. A normalização de pixel e o escalonamento de imagem são etapas de pré-processamento essenciais que padronizam os dados, ajudando o modelo a aprender recursos de forma mais eficaz e a convergir mais rapidamente. Verificar e corrigir o desequilíbrio de classes (oversampling/undersampling) garante que o modelo não seja tendencioso para classes majoritárias, melhorando a precisão em todas as categorias, especialmente as minoritárias que podem incluir novos produtos. Treinar um modelo de segmentação semântica é para detecção de objetos e não para classificação. Usar uma API de reconhecimento de imagem de uso geral ou um serviço de rótulos personalizados pode ser útil, mas não aborda diretamente a baixa precisão do modelo existente ou a necessidade de melhorias mais rápidas e específicas para o domínio.