Większa liczba obrazów powoduje zmianę liczby plików. Dowody na poprawę modelu wymagają wyników porównawczych na niezależnych próbkach rzeczywistych. Nawet jeśli wygenerowane przykłady obejmują więcej kombinacji oświetlenia lub okluzji, sprawdź zgodność etykiet, grupy podobnych obrazów i czy te warunki odpowiadają miejscu docelowemu.
Jak należy porównywać modele?
Zachowaj oryginalną linię bazową i zapisz dane i ustawienia treningowe użyte po dodaniu próbek syntetycznych. Porównaj na tym samym rzeczywistym zestawie testowym, regułach adnotacji i metrykach. Sprawdź fałszywe wykrycia, pominięte wykrycia i przykłady błędów dla kluczowych klas i warunków pracy. Określ, jakie warunki obejmuje zestaw testowy. Wymień wszelkie warunki, w których nie ma wystarczającej liczby rzeczywistych próbek testowych.
Co można dostarczyć, gdy rzeczywiste dane są ograniczone?
Początkowa dostawa może obejmować obrazy syntetyczne, zapisy dotyczące generacji i przeglądu, obowiązujący zakres oraz listę rzeczywistych próbek do pobrania. Jeśli wymagane są adnotacje dotyczące zadań, sprawdź pola etykiet i ich zgodność z próbkami pod kątem specyfikacji dostawy. Oceń wszelkie korzyści szkoleniowe i wyniki w terenie na niezależnych rzeczywistych próbkach. Do tego czasu oznacz oba wyniki jako niezweryfikowane. Rejestruj źródła i wersje wszelkich dodanych próbek, aby zachować identyfikowalność.
Powiązane usługi: Dane, szkolenia i ocena, konsultacja projektu.