Un vistazo a los canales 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, celebrado en el campus de Google for Startup en Madrid, Yono Mittlefehldt, antiguo Machine Learning Advocate en DagsHub, subió al escenario para desentrañar las maravillas de los pipelines de aprendizaje activo. 

Introducción y visión general

Para iniciar nuestro viaje, vamos a preparar el terreno con una introducción a los conductos 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 de nuestro proceso de aprendizaje activo. Importamos dependencias, configuramos la fuente de datos y nos embarcamos en una misión para enriquecer los metadatos con anotaciones iniciales. Se trata de preparar los cimientos para nuestra exploración basada en IA.

Formación de modelos

Con los datos preparados y listos, nos sumergimos en el apasionante mundo del entrenamiento de modelos. Con el conjunto de datos Ultralytics YOLOv8 y el archivo YAML, Yono añadió callbacks para registrar parámetros y métricas durante el entrenamiento. Este es un paso crucial para asegurar que los modelos de IA están preparados para el éxito.

Ciclo de aprendizaje activo

El siguiente paso es el ciclo de aprendizaje activo, un proceso dinámico que consiste en cargar modelos preentrenados, puntuar datos sin etiquetar y seleccionar muestras para su anotación. Mediante el enriquecimiento iterativo de la fuente de datos con predicciones, descubrimos conocimientos ocultos e impulsamos los modelos a nuevas cotas.

Aprendizaje activo para segmentación de imágenes

La segmentación de imágenes ocupa un lugar central mientras exploramos el poder transformador del aprendizaje activo. Al enviar predicciones a Label Studio para su anotación, comprendemos el potencial de mejora del modelo a través de múltiples ciclos. Es un viaje de descubrimiento, en el que cada iteración nos acerca a la perfección de la IA.

Uso del estudio de etiquetas

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

Conclusión

Al final de la charla, Yono respondió a las preguntas más candentes del público. Desde la optimización de canalizaciones para tareas específicas hasta el énfasis en la reproducibilidad y la documentación, aseguró que todos los aspectos de este viaje se basan en las mejores prácticas y los estándares del sector.

En general, este viaje a través del aprendizaje activo en YV23 ha sido muy estimulante. Armados con nuevos conocimientos y percepciones, estamos listos para embarcarnos en nuevas aventuras de IA, impulsados por el poder del aprendizaje activo, así como por el apoyo y la participación de nuestra comunidad.

Únase a nosotros para seguir superando los límites de la innovación en IA y redefinir lo que es posible en el mundo del aprendizaje automático. Vea la charla completa aquí.