YOLO VISION 2022: la nueva frontera de la IA visual

Nuestra primera YOLO VISION tuvo lugar el 27 de septiembre de 2022. Desde la entrada de la IA en la industria automovilística hasta el análisis en tiempo real de la producción de fruta, escuchamos charlas inspiradoras de usuarios de YOLOv5 de todos los ámbitos.

Algo que hizo especial este acto fue la gran variedad de procedencias de los ponentes. Los ponentes, representantes de 18 empresas participantes, aportaron sus puntos de vista sobre todos los aspectos del proceso de ML. Entre ellas, empresas colaboradoras como CometDeci, ClearML, Paperspacey Roboflowy otros de código abierto, como los gigantes chinos Baidu, Meituan y OpenMMLabs.

YOLOv5 redefine el estado del arte

¿Se pregunta cuál es la historia de la creación de YOLOv5 y la metodología empleada en 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 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. Las conclusiones se basan en más de 10.000 trabajos de formación de visión y en la comunidad de código abierto de Roboflow Universe, que cuenta 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!

Mejores prácticas para validar su modelo de ML y sus datos antes de la implementación

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 de los desarrolladores de código abierto en Deepchecks, habla de la emoción que hay detrás de la creación de soluciones capaces de resolver retos del mundo real. En Google, crea soluciones de aprendizaje automático para casos de uso de los clientes, aprovechando los principales productos Google , como TensorFlow, DataFlow y AI Platform.

Aishwarya se unió a nosotros en YOLO VISION para hablar de las mejores prácticas y consejos prácticos para probar y analizar exhaustivamente su modelo. Echa un vistazo a su charla para aprender la diferencia entre Testing Software y Testing ML.

Proyectos de código abierto que habilitan el futuro de la IA de visión artificial

Organizamos un panel innovador en el que reunimos a otros miembros de la familia de arquitecturas YOLO , así como a otras arquitecturas de IA de visión de código abierto de primera línea en el sector.

Aquí, YOLOv5 de Meituan, MMDetection de OpenMMLab CN y PaddlePaddle de Baidu, Inc. se unieron a nosotros como YOLOv5 de Ultralytics para hablar de los proyectos de código abierto que permiten 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 datos visuales están explotando

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.

Su puerta de entrada a la IA de visión

Y, por último, tuvimos el placer de anunciar formalmente el lanzamiento de nuestro Ultralytics HUB.

Ultralytics HUB es nuestra solución sin código para entrenar y desplegar modelos de IA en tres sencillos pasos. Dé vida a sus modelos eligiendo los datos con los que aprenderán.

Nuestros expertos, y creadores de las herramientas, Kalen Michael y Sergio Sánchez, nos dieron un paseo por Ultralytics HUB y nos explicaron todas las características y funcionalidades ¡Aprenda más sobre Ultralytics HUB y empiece a crear sus modelos gratis!

Encuentre todas las sesiones grabadas en nuestro canal de YouTube!

Estamos encantados con la participación en YOLO VISION y de crear un evento al que puedan asistir expertos de todo el mundo para aprender sobre la IA visual. Nos vemos el año que viene en YOLO VISION 2023.

‍