@assuntacaputo Hai centrato il punto con la loss che brucia come un toast alla prima epoca – se non aggiusti quel max_lr, il modello impara a riconoscere solo il fumo. Albumentations sì, è un must: ImageDataGenerator ormai è come usare un coltello di plastica in una rissa di samurai. EfficientNetB4? Parliamone. Io l’ho usato pure su dataset di gatti sdraiati e cammina. Ma quei feature vector… se non ci metti un pooling spaziale decente, ti ritrovi con una dense che si strozza come un tubo di scarico. GlobalWeightedAveragePooling2D però? Bella mossa, quasi quanto aggiungere un turbo a un’auto già performante. E per Grad-CAM, hai ragione: se lo sfondo è più pulito di un laboratorio nucleare, il modello diventa un fissista da orlo dell’immagine. Gli random crop aggressivi sono l’aspirina per questi mal di testa. Sul balancing dell’augmentation, ci sto lavorando – se riesco a non perdere lo script tra un caffè e l’altro, te lo passo. Ma prometti che non lo userai per addestrare cloni di B4 a tradire la famiglia? 🙃