Ein Einblick in die Active Learning Pipelines von DagsHub
Entdecke DagsHub Active Learning Pipelines beim YOLO VISION 2023 mit Yono Mittlefehldt. Von Active Learning bis zur Bildsegmentierung: Erfahre mehr über die transformative Kraft der KI.
Tauche mit einem weiteren unserer Referenten in die Welt modernster Methoden der Künstlichen Intelligenz (AI) ein: YOLO VISION 2023 (YV23)! Bei dieser von Ultralytics unterstützten Veranstaltung auf dem Campus von Google for Startups in Madrid betrat Yono Mittlefehldt, ehemaliger Ansprechpartner für maschinelles Lernen bei DagsHub, die Bühne, um die faszinierenden Möglichkeiten von Active-Learning-Pipelines zu erläutern.
Einführung und Überblick#
Beginnen wir mit einer Einführung in Active-Learning-Pipelines. In diesem Vortrag haben wir die Unterschiede zwischen Active Learning und traditionellen Methoden des überwachten Lernens betrachtet.
Datenvorbereitung#
Zunächst schaffen wir die Grundlagen für unsere Active-Learning-Pipeline. Wir importieren Abhängigkeiten, richten die Datenquelle ein und machen uns daran, die Metadaten mit ersten Annotationen anzureichern. Es geht darum, die Grundlage für unsere KI-gestützte Erkundung zu schaffen.
Modelltraining#
Nachdem die Daten vorbereitet und einsatzbereit sind, widmen wir uns dem Modelltraining. Mit dem Ultralytics YOLOv8-Datensatz und der YAML-Datei fügte Yono Rückruffunktionen hinzu, um während des Trainings Parameter und Metriken zu protokollieren. Dies ist ein entscheidender Schritt, um sicherzustellen, dass die KI-Modelle optimal für ihren Einsatz vorbereitet sind.
Active-Learning-Zyklus#
Der nächste Schritt ist der Active-Learning-Zyklus – ein dynamischer Prozess, bei dem vortrainierte Modelle geladen, nicht beschriftete Daten bewertet und Stichproben für die Annotation ausgewählt werden. Durch die iterative Anreicherung der Datenquelle mit Vorhersagen gewinnen wir verborgene Erkenntnisse und bringen die Modelle auf ein neues Leistungsniveau.
Active Learning für die Bildsegmentierung#
Die Bildsegmentierung rückt in den Mittelpunkt, während wir die transformative Kraft von Active Learning erkunden. Indem wir Vorhersagen zur Annotation an Label Studio senden, erkennen wir das Potenzial für Modellverbesserungen über mehrere Zyklen hinweg. Es ist eine Entdeckungsreise, auf der uns jede Iteration der optimalen Leistung der KI näherbringt.
Label Studio verwenden#
Auf unserem Weg zu herausragenden Ergebnissen mit KI erweist sich Label Studio als wichtiges Werkzeug in unserem Arsenal. Wir erstellen Projekte zum Speichern annotierter Daten und nutzen Label-Studio-Server, um nahtlos eine Verbindung zur Tasks API herzustellen. Indem wir Tasks den Projektnamen zuordnen, optimieren wir unseren Arbeitsablauf und schaffen die Voraussetzungen für eine reibungslosere Zusammenarbeit.
Zum Abschluss#
Zum Abschluss des Vortrags beantwortete Yono die drängenden Fragen unseres Publikums. Von der Optimierung von Pipelines für bestimmte Aufgaben bis hin zur Betonung von Reproduzierbarkeit und Dokumentation stellte er sicher, dass jeder Aspekt dieses Weges auf bewährten Verfahren und Branchenstandards beruht.
Insgesamt war diese Reise durch das Active Learning auf der YV23 äußerst spannend. Mit neu gewonnenem Wissen und wertvollen Erkenntnissen sind wir bereit, uns in neue KI-Abenteuer zu stürzen – angetrieben von der Kraft des Active Learning sowie der Unterstützung und Beteiligung unserer Community.
Begleite uns, während wir die Grenzen der KI-Innovation weiter verschieben und neu definieren, was in der Welt des maschinellen Lernens möglich ist. Sieh dir den vollständigen Vortrag an: Vollständigen Vortrag ansehen!
