Việc huấn luyện các mô hình học tập sâu sắc cho thị lực máy tính có thể là một thách đố vì có nhiều cạm bẫy thông thường.

Quá phù hợp

Phù hợp quá mức xảy ra khi một mô hình học được dữ liệu đào tạo quá tốt, bao gồm nhiễu và hơn nữa, mà giảm khả năng tổng quát của nó để tổng quát hoá dữ liệu mới. Điều này thường dẫn đến độ chính xác cao đào tạo nhưng hiệu suất kém trên dữ liệu không nhìn thấy.

Để giảm thiểu sự phù hợp, các kỹ thuật như tăng cường dữ liệu, bỏ học, dừng lại sớm và đều đặn hóa thường được sử dụng.

Dữ liệu không đủ

Mô hình học sâu cần nhiều dữ liệu được dán nhãn để thực hiện tốt. Khi dữ liệu có hạn, mô hình có thể bị lỗi hoặc không học tính năng có ý nghĩa.

Tăng dữ liệu, chuyển đổi học tập, và thế hệ dữ liệu tổng hợp có thể giúp giải quyết sự khan hiếm dữ liệu. những phương pháp này mở rộng kích thước dữ liệu hiệu quả và cải thiện mô hình mạnh mẽ.

Chất lượng dữ liệu nghèo

Dữ liệu chất lượng thấp, như hình ảnh bị nhãn sai hay độ phân giải ảnh kém, có thể gây ảnh hưởng tiêu cực trong việc đào tạo ảnh. Mô hình được đào tạo dựa trên dữ liệu như thế có thể học các mẫu không đúng.

Để tạo nhãn hiệu chính xác, làm sạch dữ liệu, và sử dụng hình ảnh phân giải cao là những bước thiết yếu để cải thiện chất lượng dữ liệu và hiệu suất mô hình.

Bộ dữ liệu cân bằng

Các bộ dữ liệu cân bằng, một số lớp không được đại diện, có thể dẫn đến các mô hình thiên vị mà thực hiện kém trong các lớp học thiểu số.

Những kỹ thuật như cách tái tạo, cân nặng lớp và dùng các chức năng mất mát chuyên biệt có thể giúp giải quyết sự mất cân bằng giai cấp và cải thiện tính chính xác tổng thể.