Ein Blick auf die DagsHub Active Learning Pipelines

Tauche ein in die Welt modernster Methoden der künstlichen Intelligenz (KI) mit einem weiteren unserer Speaker von der YOLO VISION 2023 (YV23)! Auf diesem von Ultralytics unterstützten Event im Google for Startup Campus in Madrid betrat Yono Mittlefehldt, ehemaliger Machine Learning Advocate bei DagsHub, die Bühne, um die Wunder von Active-Learning-Pipelines zu entschlüsseln.

Einführung und Überblick#

Um unsere Reise zu beginnen, bereiten wir mit einer Einführung in Active-Learning-Pipelines die Bühne. In diesem Vortrag betrachteten wir die Unterschiede zwischen Active Learning und herkömmlichen Methoden des überwachten Lernens.

Datenvorbereitung#

Unser erster Schritt besteht darin, die Grundlage für unsere Active-Learning-Pipeline zu schaffen. Wir importieren Abhängigkeiten, richten die Datenquelle ein und beginnen damit, Metadaten mit ersten Annotationen anzureichern. Es geht darum, das Fundament für unsere KI-gestützte Erkundung zu bereiten.

Modelltraining#

Mit den vorbereiteten und einsatzbereiten Daten tauchen wir in den spannenden Bereich des Modeltrainings 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 optimal auf den Erfolg vorbereitet sind.

Active-Learning-Zyklus#

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

Active Learning für die Bildsegmentierung#

Image segmentation steht im Mittelpunkt, während wir das transformative Potenzial von Active Learning erkunden. Durch das Senden von Vorhersagen an Label Studio zur Annotation verstehen wir das Potenzial zur Modellverbesserung über mehrere Zyklen hinweg. Es ist eine Entdeckungsreise, bei der uns jede Iteration der KI-Perfektion näher bringt.

Verwendung von Label Studio#

Auf unserer Suche nach KI-Exzellenz erweist sich Label Studio als wichtiges Werkzeug in unserem Arsenal. Wir erstellen Projekte zur Speicherung annotierter Daten und nutzen Label Studio-Server, um nahtlos eine Verbindung zur Tasks API herzustellen. Durch die Zuordnung von Aufgaben zu Projektnamen optimieren 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 auf der YV23 schlichtweg berauschend. Ausgestattet mit neu gewonnenem Wissen und Einblicken sind wir bereit, neue KI-Abenteuer zu beginnen, angetrieben durch die Kraft des Active Learning sowie die Unterstützung und Beteiligung unserer community.

Beggleite uns, während wir weiterhin die Grenzen der KI-Innovation verschieben und neu definieren, was in der Welt des Machine Learning möglich ist. Sieh dir den vollständigen Vortrag an: Watch the full talk!