Une entreprise de commerce électronique classe les images de produits par gamme de produits. Un modèle de vision par ordinateur entraîné avec un algorithme de classification d'images a une faible précision sur les nouveaux produits. Les images sont de taille uniforme et stockées dans un stockage d'objets cloud. L'entreprise a besoin d'une amélioration plus rapide à déployer pour les nouveaux produits. Quelles étapes augmenteraient la précision ? (Choisissez trois.)

L'augmentation des données, par des transformations comme le recadrage ou la rotation, enrichit le jeu de données d'entraînement, aidant le modèle à mieux généraliser et à réduire le surapprentissage, ce qui est crucial pour les nouveaux produits. La normalisation des pixels et la mise à l'échelle des images sont des étapes de prétraitement essentielles qui standardisent les données d'entrée, améliorant la convergence et la performance du modèle. Enfin, un déséquilibre des classes peut entraîner un modèle biaisé qui sous-performe sur les classes minoritaires. Le suréchantillonnage ou le sous-échantillonnage rééquilibre le jeu de données, permettant au modèle d'apprendre équitablement de toutes les catégories. L'utilisation d'une API de reconnaissance d'images à usage général pourrait ne pas être suffisamment spécifique aux catégories de produits de l'entreprise. Un modèle de segmentation sémantique est pour la détection d'objets au niveau du pixel, pas pour la classification d'images entières. Un service de reconnaissance d'images à étiquettes personnalisées est une option viable mais n'est pas l'une des trois meilleures étapes pour améliorer la précision du modèle existant.