Un minorista utiliza fotos aéreas de la parte superior de los productos en los estantes para detectar qué artículos se retiraron. Etiquetaron 1.000 imágenes que cubren 10 artículos diferentes, pero el rendimiento del modelo es deficiente. ¿Qué enfoque satisface mejor las necesidades a largo plazo de la empresa?

Aumentar el conjunto de entrenamiento generando variantes de imagen (rotaciones, traslaciones, volteos, etc.) para cada clase de artículo, volver a entrenar e iterar es la mejor opción porque el problema principal es la escasez de datos de entrenamiento (solo 1.000 imágenes para 10 clases). La técnica de aumento de datos (data augmentation) crea nuevas imágenes de entrenamiento a partir de las existentes, mejorando la capacidad del modelo para generalizar y reconocer objetos en diversas condiciones. Convertir a escala de grises podría eliminar información de color útil. Reducir las clases simplifica el problema temporalmente, pero no aborda la falta de datos por clase y no es una solución a largo plazo. Colocar pegatinas es una modificación física costosa y poco práctica para un sistema de detección de objetos en estantes.