Оптимальное обучение CV-моделей: наш рецепт сегментации в Luna Line

В Luna Line решили не повторять ошибки классификации и разработали отдельный пайплайн для сегментации. Вместо того чтобы загонять модели в единые рамки, команда начала с нуля, чтобы выжать максимум из каждого семейства архитектур.

В статье подробно разбираются ключевые отличия: выбор функций потерь, аугментации и стратегии обучения, специфичные именно для задач сегментации. Авторы делятся практическими находками, которые помогли улучшить качество разметки.