画像数が大きくなると、ファイル数が変更されます。モデルの改善を証明するには、独立した実際のサンプルでの比較結果が必要です。生成されたサンプルがより多くのライティングやオクルージョンの組み合わせをカバーしている場合でも、ラベルの対応関係、類似した画像のクラスター、およびそれらの条件がターゲット サイトを表しているかどうかを確認します。

モデルをどのように比較すればよいでしょうか?

元のベースラインを保持し、合成サンプルを追加した後に使用されたデータとトレーニング設定を記録します。同じ実際のテスト セット、アノテーション ルール、メトリクスを比較します。主要なクラスと動作条件について、誤検出、検出ミス、エラーの例を調べます。テスト セットがどの条件をカバーしているかを述べます。実際のテストサンプルが不十分な条件をリストします。

実際のデータが限られている場合、何が提供できるでしょうか?

最初の納品には、合成画像、生成およびスクリーニング記録、適用範囲、および収集する実際のサンプルのリストが含まれる場合があります。タスクの注釈が必要な場合は、ラベル フィールドとそのサンプルとの対応を納品仕様書と照合して確認してください。独立した実際のサンプルでトレーニングの利点とフィールドのパフォーマンスを評価します。それまでは、両方の結果を未検証としてマークしてください。トレーサビリティを維持するために、追加されたサンプルのソースとバージョンを記録します。

関連サービス: データ、トレーニング、評価, プロジェクトの相談.