Ein Blick auf die Active-Learning-Pipelines von DagsHub

Betreten Sie die Welt der hochmodernen Methoden der künstlichen Intelligenz (KI) mit einem weiteren unserer Referenten von der YOLO VISION 2023 (YV23)! Auf dieser von Ultralytics unterstützten Veranstaltung, die auf dem Google for Startup Campus in Madrid stattfand, enthüllte Yono Mittlefehldt, ehemaliger Machine Learning Advocate bei DagsHub, die Wunder der Active-Learning-Pipelines. 

Einführung und Überblick

Um unsere Reise zu beginnen, wollen wir mit einer Einführung in Active-Learning-Pipelines die Bühne bereiten. In diesem Vortrag haben wir uns die Unterschiede zwischen Active Learning und traditionellen überwachten Lernmethoden angesehen.

Datenaufbereitung

Unser erster Stopp beinhaltet das Legen des Fundaments für unsere Active-Learning-Pipeline. Wir importieren Abhängigkeiten, richten die Datenquelle ein und begeben uns auf eine Mission, Metadaten mit ersten Annotationen anzureichern. Es dreht sich alles um die Vorbereitung der Grundlage für unsere KI-gestützte Exploration.

Modelltraining

Nachdem die Daten vorbereitet sind, tauchen wir in die aufregende Welt des Modelltrainings ein. Mit dem Ultralytics YOLOv8-Datensatz und der YAML-Datei fügte Yono Callbacks hinzu, um Parameter und Metriken während des Trainings zu protokollieren. Dies ist ein entscheidender Schritt, um sicherzustellen, dass die KI-Modelle für den Erfolg vorbereitet sind.

Active-Learning-Zyklus

Der nächste Schritt ist der Active-Learning-Zyklus – ein dynamischer Prozess, der das Laden vortrainierter Modelle, das Bewerten unbeschrifteter Daten und das Auswählen von Stichproben für die Annotation umfasst. Durch die iterative Anreicherung der Datenquelle mit Vorhersagen decken wir verborgene Erkenntnisse auf und bringen die Modelle zu neuen Höchstleistungen.

Active Learning für Bildsegmentierung

Die Bildsegmentierung steht im Mittelpunkt, wenn wir die transformative Kraft des Active Learning erforschen. Indem wir Vorhersagen zur Annotation an Label Studio senden, verstehen wir das Potenzial für Modellverbesserungen durch mehrere Zyklen. Es ist eine Entdeckungsreise, bei der uns jede Iteration der KI-Perfektion näher bringt.

Verwendung von Label Studio

Auf unserem Weg zur KI-Exzellenz erweist sich Label Studio als ein wichtiges Werkzeug in unserem Arsenal. Wir erstellen Projekte, um annotierte Daten zu speichern, und nutzen Label-Studio-Server, um uns nahtlos mit Aufgaben-APIs zu verbinden. Indem wir Aufgaben Projektnamen zuordnen, rationalisieren wir unseren Workflow und ebnen den Weg für eine reibungslosere Zusammenarbeit.

Zusammenfassung

Zum Abschluss des Vortrags beantwortete Yono brennende Fragen aus unserem Publikum. Von der Optimierung von Pipelines für spezifische Aufgaben bis hin zur Betonung von Reproduzierbarkeit und Dokumentation stellte er sicher, dass jeder Aspekt dieser Reise auf Best Practices und Industriestandards basiert.

Insgesamt war diese Reise durch Active Learning bei YV23 schlichtweg begeisternd. Mit neu gewonnenem Wissen und Erkenntnissen sind wir bereit, uns auf neue KI-Abenteuer einzulassen, angetrieben von der Kraft des Active Learning sowie der Unterstützung und Beteiligung unserer Community.

Begleiten Sie uns, während wir weiterhin die Grenzen der KI-Innovation verschieben und neu definieren, was in der Welt des maschinellen Lernens möglich ist. Sehen Sie sich den vollständigen Vortrag hier an!