Una empresa de comercio electrónico clasifica las imágenes de productos por línea de productos. Un modelo de visión artificial entrenado con un algoritmo de clasificación de imágenes tiene baja precisión en productos nuevos. Las imágenes tienen un tamaño uniforme y se almacenan en el almacenamiento de objetos en la nube. La empresa necesita una mejora más rápida para implementar en productos nuevos. ¿Qué pasos aumentarían la precisión? (Elija tres).

Aumentar las imágenes existentes con transformaciones (recorte, cambio de tamaño, volteo, rotación, ajustes de brillo/contraste) es una técnica de aumento de datos que crea más ejemplos de entrenamiento, ayudando al modelo a generalizar mejor y reduciendo el sobreajuste. La normalización de píxeles y el escalado de imágenes son pasos cruciales de preprocesamiento que aseguran que los datos de entrada tengan un rango y una distribución consistentes, lo que mejora la estabilidad y el rendimiento del entrenamiento del modelo. Verificar el desequilibrio de clases y aplicar sobremuestreo o submuestreo aborda el problema de que algunas clases tengan muchos menos ejemplos que otras, lo que puede llevar a que el modelo no aprenda bien las clases minoritarias. Entrenar un modelo de segmentación semántica no es el objetivo, ya que la tarea es de clasificación. Usar una API de reconocimiento de imágenes de propósito general o un servicio de reconocimiento de imágenes de etiquetas personalizadas podría ser una solución, pero no aborda directamente la mejora del modelo existente con los datos actuales de la misma manera que las técnicas de preprocesamiento y aumento de datos.