Ein E-Commerce-Unternehmen klassifiziert Produktbilder nach Produktlinie. Ein Computer-Vision-Modell, das mit einem Bildklassifizierungsalgorithmus trainiert wurde, weist bei neuen Produkten eine geringe Genauigkeit auf. Die Bilder haben eine einheitliche Größe und werden im Cloud Object Storage gespeichert. Das Unternehmen benötigt eine schnellere Verbesserung, um sie für neue Produkte bereitzustellen. Welche Schritte würden die Genauigkeit erhöhen? (Wählen Sie drei.)

Die Erweiterung vorhandener Bilder durch Transformationen (Zuschneiden, Größenänderung, Spiegeln, Drehen, Helligkeits-/Kontrastanpassungen) erhöht die Datenmenge und Variabilität, was dem Modell hilft, neue Produkte besser zu generalisieren. Pixelnormalisierung und Bildskalierung sind wichtige Vorverarbeitungsschritte, die die Konsistenz der Eingabedaten gewährleisten und die Modellleistung verbessern, indem sie die Konvergenz beschleunigen und die Robustheit erhöhen. Die Überprüfung auf Klassenungleichgewicht und die Anwendung von Oversampling oder Undersampling stellen sicher, dass das Modell nicht durch die Überrepräsentation bestimmter Produktkategorien verzerrt wird, was zu einer besseren Genauigkeit bei allen Klassen führt. Ein semantisches Segmentierungsmodell ist für die Bildklassifizierung nicht geeignet, da es Pixel klassifiziert, nicht ganze Bilder. Eine allgemeine Bilderkennungs-API oder ein Bilderkennungsdienst mit benutzerdefinierten Labels sind zwar nützlich, aber keine direkten Schritte zur Verbesserung eines bestehenden Modells, sondern eher Ansätze für neue Modelle oder zur Datenbeschriftung.