Entdecken Sie Einblicke von YOLO VISION 2022 mit Vorträgen über KI in verschiedenen Branchen und die neuesten Entwicklungen im Bereich Machine Learning von Ultralytics-Experten.
Unser allererstes YOLO VISION fand am 27. September 2022 statt. Vom Einzug der KI in die Automobilindustrie bis zur Echtzeitanalyse der Obstproduktion hörten wir inspirierende Vorträge von YOLOv5-Nutzern aus allen Bereichen.
Was diese Veranstaltung besonders machte, war die große Vielfalt an Hintergründen der Redner. Neben Vertretern von 18 teilnehmenden Unternehmen lieferten die Redner Einblicke aus allen Aspekten des ML-Prozesses. Unter ihnen sind unsere Partnerunternehmen wie Comet, Deci, ClearML, Paperspace und Roboflow sowie andere im Open-Source-Bereich wie die chinesischen Giganten Baidu, Meituan und OpenMMLabs.
Sie fragen sich, wie YOLOv5 entstanden ist und welche Methodik für Forschung und Entwicklung verwendet wurde?
Tauchen Sie ein in die Details des ganzheitlichen Ansatzes zur Auswahl der besten Architekturen mit Glenn Jocher, unserem Gründer und CEO hier bei Ultralytics, und Ayush Chaurasia, unserem ML-Ingenieur.
Großartige Modellarchitekturen wie YOLOv5 sind entscheidend, um in Machine Learning nützliche Ergebnisse zu erzielen. Aber Modelle sind nur so gut wie ihre Datensätze. Joseph Nelson, CEO & Co-founder bei unserem Partner Roboflow, zeigte die Auswirkungen der Datensatzqualität auf die Produktionsergebnisse. Die Erkenntnisse basieren auf über 10.000 Vision-Trainingsjobs und der Open-Source-Community von Roboflow Universe mit über 90.000 Datensätzen.
In seiner Session zeigte Joseph auch wichtige Unterschiede zwischen Forschung und Produktion auf, die es Entwicklern ermöglichen, ihre Datensätze zu "hacken", um schneller aussagekräftige Ergebnisse zu erhalten.
Erfahren Sie mehr über die Qualität von Datensätzen und deren Einfluss darauf, Ihr CV-Modell produktionsreif zu machen!
Jede traditionelle Software durchläuft heutzutage vor der Bereitstellung umfassende Tests verschiedener Art, wodurch das Risiko von Produktionsfehlern erheblich reduziert wird.
Wie können wir diese Ideen an die statistisch orientierte Welt des ML anpassen?
Aishwarya Srinivasan, Data Scientist bei Google & Open Source Developer Advocate bei Deepchecks, spricht über die schiere Begeisterung, Lösungen zu entwickeln, die in der Lage sind, reale Herausforderungen zu lösen. Bei Google entwickelt sie Machine-Learning-Lösungen für Anwendungsfälle von Kunden und nutzt dabei Google-Kernprodukte wie TensorFlow, DataFlow und AI Platform.
Aishwarya war bei YOLO VISION dabei, um Best Practices und praktische Tipps für das umfassende Testen und Analysieren Ihres Modells zu diskutieren. Sehen Sie sich ihren Vortrag an, um den Unterschied zwischen Software-Testing und ML-Testing zu erfahren.
Wir veranstalteten eine bahnbrechende Podiumsdiskussion, bei der wir andere Mitglieder der YOLO-Architekturfamilie sowie andere führende Open-Source-Vision-KI-Architekturen in diesem Bereich zusammenbrachten.
Hier haben Meituan’s YOLOv6, OpenMMLab CN's MMDetection und Baidu, Inc.'s PaddlePaddle zusammen mit Ultralytics' YOLOv5 die Zukunft von Vision AI mit Open-Source-Projekten diskutiert.
Dies war das erste Mal überhaupt, dass diese Top-Vision-KI-Repositories die Bühne teilten. Wenn Sie dieses Panel verpasst haben, sehen Sie sich dieses Video an, in dem Bo Zhang, Glenn Jocher, Guanzhong Wang, Wenwei Zhang und Yixin Shi ihre Wahl der Frameworks, Designs, die Entwicklung der Repository-Struktur und mehr diskutieren!
Wie unser CEO Glenn Jocher sagt: „Wir alle müssen voneinander lernen, von unseren Werkzeugen und Erfahrungen.“
Visuelle Datenverwaltungssysteme weisen in allen Aspekten Mängel auf: Speicherung, Qualität, Suche, Analyse und Visualisierung. Infolgedessen verlieren Unternehmen und Forscher Produktzuverlässigkeit, Arbeitsstunden, verschwendeten Speicherplatz, Rechenleistung und vor allem die Fähigkeit, das volle Potenzial ihrer Daten auszuschöpfen.
In diesem Vortrag hat uns Dr. Danny Bickson gezeigt, wie man dieses Problem mit seinem beliebten, kostenlosen GitHub-Tool Fastdup lösen kann.
FastDup ist ein Tool, um Einblicke aus einer großen Bildersammlung zu gewinnen. Es kann Anomalien, doppelte und nahezu doppelte Bilder, Ähnlichkeitscluster finden und das normale Verhalten und die zeitlichen Interaktionen zwischen Bildern erlernen. Es kann für intelligentes Subsampling eines qualitativ hochwertigeren Datensatzes, die Entfernung von Ausreißern und die Erkennung von Neuheiten neuer Informationen verwendet werden, die zur Kennzeichnung gesendet werden sollen.
Danny Bickson ist ein Experte für Big-Data-Analytik und Machine Learning im großen Maßstab und verfügt über mehr als 15 Jahre Erfahrung in der Hightech-Industrie. Sie kennen ihn vielleicht von Turi, einer Machine-Learning-Plattform, die Big-Data-Analytikprodukte für ihre Benutzer erstellt. Im Jahr 2016 wurde Turi von Apple übernommen, wo Dr. Danny Bickson mehrere Jahre als Senior Data Science Manager tätig war.
Und schließlich war es uns eine Freude, den Start unseres Ultralytics HUB offiziell bekannt zu geben!
Ultralytics HUB ist unsere No-Code-Lösung zum Trainieren und Bereitstellen von KI-Modellen in drei einfachen Schritten! Erwecken Sie Ihre Modelle zum Leben, indem Sie auswählen, aus welchen Daten sie lernen sollen.
Unsere Experten und Entwickler der Tools, Kalen Michael und Sergio Sánchez, führten uns durch Ultralytics HUB und erklärten alle Funktionen. Erfahren Sie mehr über Ultralytics HUB und beginnen Sie kostenlos mit der Erstellung Ihrer Modelle!
Finden Sie alle aufgezeichneten Sitzungen auf unserem YouTube-Kanal!
Wir sind begeistert von der Teilnahme an der YOLO VISION und freuen uns, eine Veranstaltung zu schaffen, bei der Experten aus der ganzen Welt zusammenkommen können, um mehr über Vision AI zu erfahren. Bleiben Sie auf dem Laufenden, indem Sie uns in den sozialen Medien folgen. Wir sehen uns nächstes Jahr auf der YOLO VISION 2023!
.webp)
