ความสำคัญของ ขนาดชุดข้อมูล และจำนวนตัวอย่างต่อประเภทตำหนิที่เหมาะสมเพื่อบรรลุประสิทธิภาพระดับอุตสาหกรรม งานวิจัยล่าสุด ได้นำ YOLO รุ่นใหม่ (เช่น YOLOv7, YOLOv8) มาปรับปรุงสถาปัตยกรรมเพื่อให้ได้ความแม่นยำสูงถึง 95–98% mAP ในการตรวจจับตำหนิขนาดเล็ก ข้อมูลที่ถูกรวบรวม จากหลายแหล่งชี้ให้เห็นว่า ชุดข้อมูลฝึกที่มีประสิทธิภาพสูงมักมีจำนวนตำหนิแต่ละประเภทหลักร้อยถึงหลักพันตัวอย่างต่อคลาส แม้จะมีเทคนิค เช่น การสร้างข้อมูลสังเคราะห์ (Diffusion Models) หรือการใช้ Few-Shot Detection เพื่อแก้ไขปัญหาข้อมูลน้อย แต่ความแม่นยำที่ได้ยังคงต่ำกว่าการฝึกด้วยข้อมูลจริงที่มีปริมาณเพียงพอและหลากหลาย ผู้ปฏิบัติงาน จึงควรจัดเตรียมตัวอย่างตำหนิแต่ละประเภทให้ได้มากที่สุด (อย่างน้อยหลายร้อยภาพต่อคลาส) เพื่อให้โมเดลมีความสามารถในการจำแนกและตรวจจับได้อย่างน่าเชื่อถือในการใช้งานจริง
