Una mirada a los pipelines de aprendizaje activo de DagsHub

¡Adéntrese 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 Startups 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 descripción general

Para dar inicio a nuestra andadura, 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 de nuestro pipeline de aprendizaje activo. Importamos las dependencias, configuramos la fuente de datos y nos embarcamos en una misión para enriquecer los metadatos con anotaciones iniciales. Se trata de preparar la base para nuestra exploración impulsada por la IA.

Entrenamiento de modelos

Con los datos preparados y listos, nos sumergimos en el emocionante 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 estén preparados para el éxito.

Ciclo de aprendizaje activo

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

Aprendizaje activo para la segmentación de imágenes

La segmentación de imágenes toma el centro del escenario a medida que 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, donde cada iteración nos acerca a la perfección de la IA.

Usando Label Studio

En nuestra búsqueda de la excelencia en la IA, 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 asignadas a los nombres de los proyectos, agilizamos nuestro flujo de trabajo y allanamos el camino para una colaboración más fluida.

Resumiendo

Cuando la charla llegó a su fin, Yono abordó 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 se base en las mejores prácticas y los estándares de la industria.

En general, este recorrido por el aprendizaje activo en YV23 ha sido sencillamente estimulante. Armados con nuevos conocimientos y perspectivas, 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.

Únete a nosotros mientras seguimos superando los límites de la innovación en IA y redefiniendo lo que es posible en el mundo del aprendizaje automático. ¡Mira la charla completa aquí!