La adquisición de datos visuales debe especificar imágenes, registros fuente, parámetros de generación, etiquetas y controles de calidad por separado. El número de imágenes solo registra cuántos archivos de imágenes cumplen con la regla de conteo establecida. No hay pruebas suficientes de etiquetas completas, preparación para la capacitación o rendimiento mejorado en el campo.
Listar los entregables por su contenido
| Entregable | Detalles a especificar | Lo que no establece de forma independiente |
|---|---|---|
| Imágenes o videos capturados | Dispositivo, escena, formato, tiempo y alcance de los datos originales. | Cobertura de todas las condiciones del campo. |
| Muestras sintéticas o aumentadas. | Origen, método de generación, parámetros y lote. | Equivalencia a la distribución de campo real. |
| Información de clase | Definiciones de clases, significados de campos y método de confirmación | Ubicaciones de objetos o etiquetas a nivel de píxel |
| Detección, segmentación o anotaciones de caracteres | Tipo de etiqueta, reglas, versión y método de verificación. | Entrenamiento o implementación exitosa del modelo |
| Registros de control de calidad | Controles, muestreos, excepciones y tratamiento | Rendimiento del modelo objetivo |
Consultar origen, uso permitido y licencias por separado
Conservar las fuentes de captura o generación y los alcances permitidos de uso, procesamiento y entrega. Los permisos dependen de la documentación de cada fuente. La posesión de archivos no es un permiso para cada uso posterior. Controlar la divulgación pública de escenas de clientes o información identificable según el alcance acordado.
Acepte primero ejemplos representativos
Defina la tarea objetivo y las reglas de etiqueta, luego revise ejemplos representativos. Verifique archivos legibles, formatos y dimensiones acordados, etiquetas coincidentes, significados de clases consistentes y metadatos de fuente y versión rastreables. Registre etiquetas o coberturas no confirmadas como artículos pendientes.
Separe la aceptación de datos de la evaluación del modelo.
Aceptar datos en función de su integridad, calidad, cobertura y coherencia de la etiqueta. El rendimiento del modelo requiere además entrenamiento definido, validación y datos, versiones y métricas de prueba independientes. Sin esas pruebas, la entrega de imágenes sintéticas no es evidencia suficiente de una capacitación completa o de un mejor desempeño.
Servicios relacionados: datos, formación y evaluación y consultas sobre proyectos.