Bonne réponse
Explication
Object detection est le choix correct car elle peut identifier et localiser plusieurs objets (par exemple, des boîtes de produits) dans une image et déterminer si les articles attendus sont manquants à leurs positions désignées sur le rayon. Contrairement à Image classification, qui attribue une seule étiquette à l'image entière, object detection fournit des cadres de délimitation et des étiquettes de classe pour chaque objet détecté, permettant une analyse précise des ruptures.
Pour aller plus loin
Object detection renvoie des cadres de délimitation avec des étiquettes de classe et des scores de confiance pour chaque instance détectée, généralement via des modèles tels que YOLO ou Faster R-CNN exposés par object detection d'Azure AI Vision ou Custom Vision. Contrairement à Image classification, qui attribue une étiquette à l'ensemble du cadre, la détection localise plusieurs objets et leurs positions, de sorte qu'un modèle de rayon peut être entraîné sur des régions de 'produit présent' par rapport à 'rupture'. Une limite subtile : la précision de la détection diminue en cas d'occlusion, de petits objets et de déséquilibre des classes, et le service applique des quotas d'images et d'étiquettes par projet. En pratique, un détaillant entraîne un détecteur personnalisé sur des images de rayons étiquetées, puis exécute l'inférence sur chaque image de caméra ; les ruptures sont signalées lorsqu'aucun cadre de produit ne chevauche une région d'emplacement attendue, ce qui déclenche des alertes de réapprovisionnement.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.