Comment séparer entraînement et évaluation d’un modèle robotique ?
Mise à jour28 août 2026
Lecture1 minute
Réponse rapide
Séparer entraînement et évaluation consiste à garder des données indépendantes pour vérifier qu’un modèle robotique généralise au-delà des exemples vus.
Éviter la fuite
Scènes, sessions ou robots proches sont répartis avant prétraitement ; les réglages sont choisis sans regarder le test final.
Reconnaître des palettes
Le modèle apprend sur certains entrepôts et est évalué sur un site différent, avec mesures de faux rejets et de latence.Un score d’entraînement ne prouve rien
Images dupliquées, réglage répété sur le test ou changement de distribution rendent la performance artificiellement optimiste.
Sources et références
- [1] Artificial intelligence and robotics — NIST