Sprzedawca detaliczny wykorzystuje zdjęcia produktów z góry na półkach, aby wykryć, które artykuły zostały usunięte. Oznaczono 1000 obrazów obejmujących 10 różnych artykułów, ale wydajność modelu jest słaba. Które podejście najlepiej odpowiada długoterminowym potrzebom firmy?

Słaba wydajność modelu często wskazuje na niewystarczającą ilość danych treningowych lub ich niedostateczną różnorodność. Rozszerzenie zestawu treningowego poprzez generowanie wariantów obrazów (np. obroty, przesunięcia, odbicia, zmiany jasności) jest standardową i skuteczną techniką zwiększania odporności i dokładności modelu, szczególnie w przypadku ograniczonej liczby oryginalnych obrazów. Pozwala to modelowi nauczyć się bardziej ogólnych cech, a nie tylko zapamiętywać konkretne przykłady. Konwersja na skalę szarości może usunąć ważne cechy kolorystyczne, pogarszając wydajność. Zmniejszenie liczby klas jest obejściem problemu, a nie jego rozwiązaniem. Naklejki to zmiana środowiska, która może być niepraktyczna i nie rozwiązuje problemu niedostatecznej różnorodności danych.