Un détaillant utilise des photos aériennes de dessus de produits sur des étagères pour détecter quels articles ont été retirés. Ils ont étiqueté 1 000 images couvrant 10 articles différents, mais les performances du modèle sont médiocres. Quelle approche répond le mieux aux besoins à long terme de l'entreprise ?

L'augmentation de données (data augmentation) est une technique efficace pour améliorer les performances des modèles de vision par ordinateur, surtout avec un ensemble de données limité. En générant des variantes d'images existantes (rotations, translations, retournements, ajustements de luminosité, etc.), on augmente artificiellement la taille et la diversité de l'ensemble d'entraînement, ce qui aide le modèle à mieux généraliser et à réduire le surapprentissage. Cela est particulièrement pertinent ici, où 1 000 images pour 10 classes peuvent être insuffisantes pour un modèle robuste. Convertir en niveaux de gris réduirait les informations visuelles utiles, potentiellement dégradant les performances. Réduire le nombre de classes ne répond pas au besoin à long terme de détecter tous les articles. Placer des autocollants est une solution coûteuse et peu pratique à long terme, nécessitant une intervention physique et une nouvelle collecte de données.