Ein ML-Ingenieur trainierte ein Unfallerkennungsmodell mit Data Wrangler und erzielte gute Trainings-/Validierungsergebnisse, aber die Produktionsleistung leidet unter der unterschiedlichen Bildqualität der Kameras. Welche Änderung wird die Genauigkeit am schnellsten verbessern?

Die "corrupt image transform" mit der Option "impulse-noise" in Data Wrangler ist die schnellste Lösung, da sie das Modell darauf trainiert, mit dem spezifischen Problem der variierenden Bildqualität und dem damit verbundenen Rauschen umzugehen. Dies simuliert die schlechte Bildqualität, die in der Produktion auftritt, und macht das Modell robuster. Das Sammeln neuer Bilder wäre zeitaufwändig und würde das Problem der unterschiedlichen Qualität möglicherweise nicht vollständig lösen. Die Kontrastverbesserung ("enhance image contrast transform") würde zwar die Lesbarkeit verbessern, aber nicht direkt das Rauschen oder die Qualitätsunterschiede beheben. Das Ändern der Bildgröße ("resize image transform") ist eine Standardvorverarbeitung, die die Bildqualität nicht direkt verbessert oder das Modell robuster gegenüber Rauschen macht.