Un vistazo a las canalizaciones de aprendizaje activo de DagsHub
Resumen de la charla de Yono Mittlefehldt en YOLO VISION 2023 sobre los flujos de trabajo de aprendizaje activo de DagsHub, desde la preparación de datos y el entrenamiento de YOLOv8 hasta el etiquetado con Label Studio.
Nuvola Ladi2 min de lectura
Este resumen recoge otra charla de YOLO VISION 2023 (YV23). En este evento impulsado por Ultralytics, celebrado en el campus de Google for Startups de Madrid, Yono Mittlefehldt, antiguo defensor del aprendizaje automático en DagsHub, habló sobre la creación de pipelines de aprendizaje activo.
Introducción y descripción general#
La charla comenzó con una introducción a las canalizaciones de aprendizaje activo y a las diferencias entre el aprendizaje activo y los métodos tradicionales de aprendizaje supervisado.
Preparación de datos#
El primer paso sienta las bases de la canalización de aprendizaje activo: importar dependencias, configurar la fuente de datos y enriquecer los metadatos con anotaciones iniciales.
Entrenamiento de modelos#
Con los datos preparados, el siguiente paso es entrenar el modelo. A partir de un conjunto de datos de Ultralytics YOLOv8 y su archivo YAML, Yono añadió funciones de retorno de llamada para registrar parámetros y métricas durante el entrenamiento, lo que facilita el seguimiento y la comparación de cada ejecución.
Ciclo de aprendizaje activo#
El siguiente paso es el ciclo de aprendizaje activo, un proceso iterativo que consiste en cargar modelos preentrenados, puntuar datos sin etiquetar y seleccionar las muestras más informativas para anotarlas. Cada ciclo enriquece la fuente de datos con nuevas predicciones, por lo que el modelo mejora en cada iteración.
Aprendizaje activo para la segmentación de imágenes#
A continuación, Yono aplicó el aprendizaje activo a la segmentación de imágenes. Las predicciones se enviaron a Label Studio para su anotación, lo que mostró cómo puede mejorar un modelo de segmentación a lo largo de varios ciclos.
Uso de Label Studio#
Label Studio es una herramienta central en esta canalización. Los proyectos almacenan los datos anotados y los servidores de Label Studio se conectan a la API de tareas. Asociar las tareas a nombres de proyecto mantiene organizado el flujo de trabajo y facilita la colaboración.
Conclusiones#
Al terminar la charla, Yono respondió a las preguntas del público sobre temas que iban desde la optimización de canalizaciones para tareas específicas hasta la reproducibilidad y la documentación.
En general, la charla mostró cómo el aprendizaje activo puede hacer más eficientes el etiquetado de datos y el entrenamiento de modelos. Esperamos desarrollar estas ideas con el apoyo y la participación de nuestra comunidad.
Mira la charla completa en YouTube.
Escrito por
Comentarios
Haz una pregunta, comparte tus resultados o ayuda a otra persona.










