20 de octubre de 2022
Descubra las perspectivas de YOLO VISION 2022 con charlas sobre IA en diversas industrias y lo último en aprendizaje automático de los expertos de Ultralytics.
Nuestro primer evento YOLO VISION tuvo lugar el 27 de septiembre de 2022. Desde la entrada de la IA en la industria automotriz hasta el análisis en tiempo real de la producción de fruta, escuchamos charlas inspiradoras de usuarios de YOLOv5 de todo tipo.
Algo que hizo especial a este evento fue la gran variedad de perfiles de los oradores. Con la participación de representantes de 18 empresas, los oradores ofrecieron perspectivas de cada aspecto del proceso de ML. Entre ellos, se encuentran nuestras empresas asociadas como Comet, Deci, ClearML, Paperspace y Roboflow, así como otras en el espacio de código abierto como los gigantes chinos Baidu, Meituan y OpenMMLabs.
¿Se pregunta sobre la historia detrás de la creación de YOLOv5 y la metodología utilizada para I+D?
Sumérjase en los detalles del enfoque holístico utilizado para elegir las mejores arquitecturas con Glenn Jocher, nuestro Fundador y CEO aquí en Ultralytics, y Ayush Chaurasia, nuestro Ingeniero de ML.
Las grandes arquitecturas de modelos como YOLOv5 son cruciales para obtener resultados útiles en el aprendizaje automático. Pero los modelos son tan buenos como sus conjuntos de datos. Joseph Nelson, CEO y cofundador de nuestro socio Roboflow, mostró el impacto de la calidad del conjunto de datos en los resultados de producción. Los conocimientos se basan en más de 10.000 trabajos de entrenamiento de visión y en la comunidad de código abierto de Roboflow Universe, con más de 90.000 conjuntos de datos.
En su sesión, Joseph también mostró las diferencias clave en la investigación frente a la producción que permiten a los desarrolladores manipular sus conjuntos de datos para obtener resultados significativos más rápido.
¡Aprenda sobre la calidad del conjunto de datos y su impacto en la obtención del valor de producción de su modelo de CV!
Cada pieza de software tradicional actual pasa por pruebas exhaustivas de varios tipos antes de la implementación, lo que reduce significativamente el riesgo de fallos de producción.
¿Cómo podemos adaptar estas ideas al mundo de la ML orientado a la estadística?
Aishwarya Srinivasan, científica de datos en Google y defensora del código abierto en Deepchecks, habla sobre la pura emoción que implica crear soluciones capaces de resolver desafíos del mundo real. En Google, crea soluciones de aprendizaje automático para casos de uso de clientes, aprovechando los productos principales de Google, incluidos TensorFlow, DataFlow y AI Platform.
Aishwarya se unió a nosotros en YOLO VISION para hablar sobre las mejores prácticas y consejos prácticos para probar y analizar exhaustivamente su modelo. Consulte su charla para conocer la diferencia entre las pruebas de software y las pruebas de ML.
Organizamos un panel innovador donde reunimos a otros miembros de la familia de arquitecturas YOLO, así como a otras arquitecturas de IA de visión de código abierto líderes en el espacio.
Aquí, YOLOv6 de Meituan, MMDetection de OpenMMLab CN y PaddlePaddle de Baidu, Inc. se unieron a nosotros como YOLOv5 de Ultralytics para discutir proyectos de código abierto que habilitan el futuro de la IA de visión.
Esta fue la primera vez que estos principales repositorios de IA de visión compartieron el escenario. Si se perdió este panel, vea este video donde Bo Zhang, Glenn Jocher, Guanzhong Wang, Wenwei Zhang e Yixin Shi discutieron su elección de marcos, diseños, la evolución de la estructura del repositorio, ¡y más!
Como dice nuestro CEO, Glenn Jocher, “Todos pudimos aprender de las herramientas y experiencias de los demás”.
Los sistemas de gestión de datos visuales carecen de aspectos como el almacenamiento, la calidad, la búsqueda, el análisis y la visualización. Como consecuencia, las empresas y los investigadores están perdiendo fiabilidad del producto, horas de trabajo, almacenamiento desperdiciado, computación y, lo que es más importante, la capacidad de desbloquear todo el potencial de sus datos.
En esta charla, el Dr. Danny Bickson nos enseñó cómo resolver este problema con su popular herramienta gratuita de GitHub, Fastdup.
FastDup es una herramienta para obtener información de una gran colección de imágenes. Puede encontrar anomalías, imágenes duplicadas y casi duplicadas, clústeres de similitud y aprender el comportamiento normal y las interacciones temporales entre las imágenes. Se puede utilizar para el submuestreo inteligente de un conjunto de datos de mayor calidad, la eliminación de valores atípicos y la detección de novedades de nueva información que se enviará para el etiquetado.
Experto en análisis de big data y aprendizaje automático a gran escala, Danny Bickson tiene más de 15 años de experiencia en la industria de la alta tecnología. Es posible que lo conozca de Turi, una plataforma de aprendizaje automático que crea productos de análisis de big data para sus usuarios. En 2016, Turi fue adquirida por Apple, donde el Dr. Danny Bickson trabajó como Gerente Senior de Ciencia de Datos durante varios años.
Y, por último, ¡fue un placer anunciar formalmente el lanzamiento de nuestro Ultralytics HUB!
¡Ultralytics HUB es nuestra solución sin código para entrenar e implementar modelos de IA en tres sencillos pasos! Dé vida a sus modelos eligiendo de qué datos deben aprender.
Nuestros expertos y creadores de las herramientas, Kalen Michael y Sergio Sánchez, nos guiaron a través de Ultralytics HUB y explicaron todas las características y funcionalidades. Obtenga más información sobre Ultralytics HUB y comience a crear sus modelos de forma gratuita!
Encuentre todas las sesiones grabadas en nuestro canal de YouTube!
Estamos encantados con la participación en YOLO VISION y felices de crear un evento donde expertos de todo el mundo puedan unirse para aprender sobre la IA de visión. Manténgase al día siguiéndonos en las redes sociales. ¡Nos vemos el año que viene en YOLO VISION 2023!
.webp)