Un ingeniero de ML entrenó un modelo de detección de accidentes usando Data Wrangler y obtuvo excelentes resultados de entrenamiento/validación, pero el rendimiento en producción se ve afectado debido a la variada calidad de imagen de las cámaras. ¿Qué cambio mejorará la precisión más rápidamente?

La opción correcta es volver a crear el conjunto de datos de entrenamiento en Data Wrangler usando la transformación de imagen corrupta con la opción impulse-noise. El problema descrito es la "calidad de imagen variada de las cámaras", lo que sugiere ruido o artefactos en las imágenes de producción. La transformación de imagen corrupta con impulse-noise simula este tipo de degradación, haciendo que el modelo sea más robusto a las variaciones de calidad en el entorno de producción. Recopilar imágenes adicionales de cada cámara podría ayudar, pero no aborda directamente el problema de la calidad variable si las nuevas imágenes tienen la misma degradación. La mejora de contraste de imagen con contraste Gamma no aborda el ruido o la calidad variable de manera directa. El redimensionamiento y recorte de imágenes a un tamaño uniforme es una práctica común, pero no resuelve el problema subyacente de la calidad de imagen variable que afecta el rendimiento en producción.