视觉 AI 项目数据不平衡，少数类别学习效果差，求提升模型性能办法。

Question

我们正在进行工业零件缺陷图像识别项目，数据收集发现正常零件数据量极大，各类缺陷零件数据少且分布不均，一种罕见缺陷样本量可能仅为正常样本的千分之一。

模型训练时问题凸显，对正常零件识别良好，但少数类别缺陷识别准确率和召回率极低。我们试过对缺陷样本简单的数据增强，如旋转、缩放，效果不佳；也考虑过欠采样正常样本，又怕丢失重要信息。请问如何提升模型对少数类别数据的学习能力，提高整体性能？望大家分享建议和经验，谢谢！