Bir e-ticaret şirketi, ürün görsellerini ürün grubuna göre sınıflandırmaktadır. Görüntü sınıflandırma algoritmasıyla eğitilmiş bir bilgisayar görüşü modelinin yeni ürünlerde doğruluğu düşüktür. Görseller tek tip boyuttadır ve cloud object storage'da depolanır. Şirket, yeni ürünler için dağıtımda daha hızlı iyileşmeye ihtiyaç duymaktadır. Doğruluğu artıracak adımlar nelerdir? (Üç tane seçin.)

Doğruluk sorunları genellikle yetersiz veya dengesiz eğitim verilerinden kaynaklanır. Veri büyütme (görüntü dönüşümleri) modelin genelleme yeteneğini artırır ve aşırı öğrenmeyi azaltır. Piksel normalizasyonu ve görüntü ölçeklendirme, modelin daha iyi öğrenmesini sağlamak için verileri standartlaştırır. Sınıf dengesizliği, modelin azınlık sınıflarını göz ardı etmesine neden olabilir; oversampling veya undersampling bu durumu düzelterek modelin tüm sınıfları doğru bir şekilde öğrenmesini sağlar. Semantik segmentasyon, nesne sınıflandırması yerine piksel düzeyinde sınıflandırma yapar ve bu senaryo için uygun değildir. Genel amaçlı bir görüntü tanıma API'si, özel ürün kategorileri için yeterince doğru olmayabilir. Özel etiketli görüntü tanıma hizmeti yeni bir model oluşturur ancak mevcut modelin doğruluğunu artırma hedefini doğrudan karşılamaz.