ML-инженер обучил модель обнаружения аварий с помощью Data Wrangler и добился хороших результатов обучения/валидации, но производительность в продакшене страдает из-за различного качества изображений с камер. Какое изменение быстрее всего повысит точность?

Проблема низкой производительности в продакшене связана с различным качеством изображений, что указывает на отсутствие робастности модели к шумам или деградации изображений. Преобразование corrupt image transform с опцией impulse-noise в Data Wrangler позволяет искусственно добавить импульсный шум (например, соль и перец) к обучающим изображениям. Это эффективно имитирует потенциальные проблемы с качеством изображений в реальных условиях, делая модель более устойчивой к таким вариациям и повышая её точность. Сбор дополнительных изображений с каждой камеры может быть полезен, но это более трудоемкий и медленный процесс, чем аугментация данных. Изменение контраста или размера изображений может помочь в некоторых случаях, но не напрямую решает проблему шума и деградации, которая является основной причиной снижения производительности.