Un vistazo a los pipelines de aprendizaje activo de DagsHub

Adéntrate en el reino de las metodologías de Inteligencia Artificial (IA) de vanguardia con otro de nuestros ponentes de YOLO VISION 2023 (YV23). En este evento impulsado por Ultralytics y celebrado en el campus de Google for Startups en Madrid, Yono Mittlefehldt, ex-evangelista de Machine Learning en DagsHub, subió al escenario para desentrañar las maravillas de los flujos de trabajo de aprendizaje activo.

Introducción y visión general#

Para comenzar nuestro viaje, preparemos el terreno con una introducción a los pipelines de aprendizaje activo. En esta charla, analizamos las diferencias entre el aprendizaje activo y los métodos tradicionales de aprendizaje supervisado.

Preparación de datos#

Nuestra primera parada consiste en sentar las bases para nuestro pipeline de aprendizaje activo. Importamos dependencias, configuramos la fuente de datos y nos embarcamos en la misión de enriquecer los metadatos con anotaciones iniciales. Se trata de preparar los cimientos para nuestra exploración impulsada por AI.

Entrenamiento de modelos#

Con los datos preparados y listos, nos adentramos en el emocionante terreno del entrenamiento de modelos. Utilizando el conjunto de datos y el archivo YAML de Ultralytics YOLOv8, Yono añadió devoluciones de llamada para registrar los parámetros y las métricas durante el entrenamiento. Este es un paso fundamental para garantizar que los modelos de IA estén listos para triunfar.

Ciclo de aprendizaje activo#

El siguiente paso es el ciclo de aprendizaje activo: un proceso dinámico que implica cargar modelos pre-entrenados, puntuar datos no etiquetados y seleccionar muestras para su anotación. A través del enriquecimiento iterativo de la fuente de datos con predicciones, descubrimos conocimientos ocultos e impulsamos los modelos hacia nuevas cotas.

Aprendizaje activo para segmentación de imágenes#

La Image segmentation toma el protagonismo mientras exploramos el poder transformador del aprendizaje activo. Al enviar las predicciones a Label Studio para su anotación, comprendemos el potencial de mejora del modelo a través de múltiples ciclos. Es un viaje de descubrimiento donde cada iteración nos acerca un poco más a la perfección de la IA.

Uso de Label Studio#

En nuestra búsqueda de la excelencia en AI, Label Studio emerge como una herramienta importante en nuestro arsenal. Creamos proyectos para almacenar datos anotados, aprovechando los servidores de Label Studio para conectarnos con la API de tareas sin problemas. Con las tareas mapeadas a los nombres de los proyectos, optimizamos nuestro flujo de trabajo y allanamos el camino para una colaboración más fluida.

Conclusión#

Al finalizar la charla, Yono respondió a las preguntas candentes de nuestra audiencia. Desde la optimización de pipelines para tareas específicas hasta el énfasis en la reproducibilidad y la documentación, se aseguró de que cada aspecto de este viaje esté basado en las mejores prácticas y los estándares de la industria.

En resumen, este recorrido por el aprendizaje activo en YV23 ha sido de lo más estimulante. Armados con nuevos conocimientos y perspectivas, estamos listos para embarcarnos en nuevas aventuras de IA, impulsados por la fuerza del aprendizaje activo, así como por el respaldo y la participación de nuestra community.

Acompañanos mientras seguimos ampliando los límites de la innovación en IA y redefiniendo lo que es posible en el mundo del machine learning. ¡Mira la charla completa en Watch the full talk!