Un nombre d'images plus élevé entraîne une modification du nombre de fichiers. La preuve de l’amélioration du modèle nécessite des résultats comparatifs sur des échantillons réels indépendants. Même lorsque les exemples générés couvrent davantage de combinaisons d'éclairage ou d'occlusion, vérifiez la correspondance des étiquettes, les groupes d'images similaires et si ces conditions représentent le site cible.
Comment comparer les modèles ?
Conservez la ligne de base d'origine et enregistrez les données et les paramètres d'entraînement utilisés après l'ajout d'échantillons synthétiques. Comparez sur le même ensemble de tests réel, les mêmes règles d'annotation et les mêmes métriques. Examinez les fausses détections, les détections manquées et les exemples d’erreurs pour les classes clés et les conditions de fonctionnement. Indiquez les conditions couvertes par l’ensemble de test. Énumérez toutes les conditions dans lesquelles les échantillons de test réels sont insuffisants.
Que peut-on apporter lorsque les données réelles sont limitées ?
La livraison initiale peut inclure des images synthétiques, des enregistrements de génération et de criblage, la portée applicable et une liste d'échantillons réels à collecter. Si des annotations de tâches sont requises, vérifiez les champs d'étiquette et leur correspondance avec les échantillons par rapport aux spécifications de livraison. Évaluez les avantages de la formation et les performances sur le terrain sur des échantillons réels indépendants. En attendant, marquez les deux résultats comme non vérifiés. Enregistrez les sources et les versions de tous les échantillons ajoutés afin de préserver la traçabilité.
Prestations associées : Données, formation et évaluation, consultation de projet.