Un rivenditore utilizza foto aeree della parte superiore dei prodotti sugli scaffali per rilevare quali articoli sono stati rimossi. Ha etichettato 1.000 immagini che coprono 10 articoli diversi, ma le prestazioni del modello sono scarse. Quale approccio soddisfa al meglio le esigenze a lungo termine dell'azienda?

Aumentare il set di training tramite data augmentation (rotazioni, traslazioni, capovolgimenti) è la soluzione migliore perché migliora la robustezza del modello e la sua capacità di generalizzare a nuove immagini, un requisito fondamentale per le esigenze a lungo termine. Con soli 1.000 immagini per 10 classi, il dataset è probabilmente troppo piccolo per un rilevamento efficace, portando a overfitting o sottocampionamento. Convertire in scala di grigi ridurrebbe informazioni utili. Ridurre le classi a 2 non risolve il problema della scarsità di dati e richiederebbe un lavoro significativo per espandere il modello. Applicare adesivi colorati è una soluzione logistica complessa e costosa che non è scalabile.