Avant d'ajouter des images pour des conditions sous-représentées, enregistrez la tâche, les images réelles disponibles et les scènes manquantes. Répertoriez les combinaisons de caméras, de vues, d'éclairage, d'occlusion et d'apparence d'objet qui nécessitent davantage d'échantillons. Confirmez l’utilisation autorisée des images de base, des actifs et des annotations avant utilisation. Il s'agit d'un flux de travail proposé. Ses performances sur le terrain ne sont pas vérifiées.
Générer et filtrer des images par lots
Pour chaque lot synthétique, conservez les sources des images de base, les paramètres de génération, les scènes, une liste de fichiers et les versions d'étiquettes. Vérifiez d'abord que les fichiers correspondent aux métadonnées. Inspectez ensuite un sous-ensemble d’images pour détecter les artefacts de bord, les positions des objets, l’occlusion et la cohérence des étiquettes. Enregistrez les raisons des cas incertains et excluez-les ou corrigez-les si nécessaire. Conservez les liens entre les originaux et les variantes pour le fractionnement et la révision.
Évaluer sur des échantillons de scènes réelles
Réservez un véritable ensemble de tests avec des sources distinctes de la formation. Comparez le modèle de base et le modèle formé avec les échantillons ajoutés. Utilisez des métriques, des règles d’annotation et des entrées de test cohérentes. Enregistrez les changements dans les paramètres de formation. Le rapport d'évaluation doit inclure des scènes courantes et rares, des exemples d'erreurs et des conditions avec des échantillons insuffisants. Si des images réelles indépendantes ne sont pas disponibles, fournissez d’abord les enregistrements de génération et de criblage d’images. Marquer les performances du champ comme non vérifiées.
Prestations associées : Données, formation et évaluation, consultation de projet.