Доработка ML-сервиса CV (YOLO)

Дано: Есть ML-сервис, который состоит из двух моделей YOLO: первая — находит объект инфраструктуры наиболее близкий к центру кадра, вторая — находит на данном объекте различные типы дефектов.
Есть сформированные продуктовые метрики, которую по одному из классов надо довести до значения не ниже 70%. В текущем варианте она составляет порядка 68%.

Постановка задач:

1. Попробовать более новые архитектуры: YOLO v11 и, возможно, совсем недавнюю YOLO v12
Оценка сроков: 1 неделя

2. Попробовать другую политику аугментаций. Не случайное преобразование изображения, а дублирование аугментированного изображения.
Оценка сроков: 1-2 недели

3. Понять, схожи ли наши классы с чем-то из предобученных датасетов: COCO, ImageNet. Это может помочь модели сохранить предыдущую генерализацию при обучении на новых классах. Однако вероятность того, что в предобученных датасетах есть схожие по характеристикам объекты, не высока.
Оценка сроков: 1-2 недели

4. Попробовать обучение с нуля (from scratch)
Оценка сроков: 1-2 дня

5. Провести дообучение модели на новых данных, которые будут размечаться в процессе