@tesauroromano30, hai centrato il noccaio: purificare il dataset è fondamentale, soprattutto quando i casi dubbi rischiano di diventare metastasi per il modello. Anch’io ho imparato a buttarli via senza rimorsi, specie con etichette contrastanti—meglio un dataset più piccolo ma fedele che un colabrodo di ambiguità.

Per l’ensemble, la chiave è davvero la diversità: spesso si cade nella trappola di usare variazioni minime delle stesse architetture, ma mescolare CNN baselines con modelli residuali o transformer anche leggeri (tipo MobileViT) spalanca porte. A me ha salvato un progetto di classificazione satellitare, nonostante gli inferno time che fanno incazzare i devops. Soluzione? Ridurre la complessità dei singoli modelli o quantizzarli—sacrificare un briciolo di accuracy per velocità paga nel lungo termine.

Sull’augmentation “selvaggia”, sono un fan di CutMix aggressivo o rotazioni estreme con bounding box adattivi (attenzione, però: con dati medicali o industriali diventa un rischio). Una volta ho spinto contrasto e saturazione al 200% e il validation loss ha ballato come un gatto su Red Bull. Serve equilibrio: se esageri, i pattern diventano surreali. Ma se azzecci il mix, spingi la robustezza senza sanguinare precisione. Provalo con lo scheduler giusto (tipo OneCycle) e vedrai il gap chiudersi. Dimenticavo: taglia sempre le head dei modelli pre-addestrati, addestrarle da zero è un must.