Respuesta correcta
Explicación
Object detection es la opción correcta porque puede identificar y localizar múltiples objetos (por ejemplo, cajas de productos) dentro de una imagen y determinar si faltan elementos esperados en sus posiciones designadas en el estante. A diferencia de Image classification, que asigna una sola etiqueta a toda la imagen, object detection proporciona cuadros delimitadores y etiquetas de clase para cada objeto detectado, lo que permite un análisis de espacios vacíos preciso.
Para profundizar
Object detection devuelve cuadros delimitadores con etiquetas de clase y puntuaciones de confianza para cada instancia detectada, normalmente a través de modelos como YOLO o Faster R-CNN expuestos a través de object detection de Azure AI Vision o Custom Vision. A diferencia de Image classification, que asigna una etiqueta a todo el fotograma, la detección localiza múltiples objetos y sus posiciones, de modo que un modelo de estante se puede entrenar en regiones de 'producto presente' frente a 'espacio vacío'. Un límite sutil: la precisión de la detección se degrada con la oclusión, los objetos pequeños y el desequilibrio de clases, y el servicio aplica cuotas de imágenes y etiquetas por proyecto. En la práctica, un minorista entrena un detector personalizado en imágenes de estantes etiquetadas y luego ejecuta la inferencia en cada fotograma de la cámara; los espacios vacíos se marcan cuando ningún cuadro de producto se superpone con una región de ranura esperada, lo que activa alertas de reabastecimiento.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.