Un aperçu des pipelines d’apprentissage actif de DagsHub
Découvre les pipelines d’apprentissage actif de DagsHub à YOLO VISION 2023 avec Yono Mittlefehldt. De l’apprentissage actif à la segmentation d’images, explore le pouvoir transformateur de l’AI.
Plonge dans l’univers des méthodologies d’intelligence artificielle (AI) de pointe avec un autre de nos intervenants de YOLO VISION 2023 (YV23) ! Lors de cet événement organisé par Ultralytics, qui s’est tenu sur le campus Google for Startups à Madrid, Yono Mittlefehldt, ancien spécialiste de la promotion de l’apprentissage automatique chez DagsHub, est monté sur scène pour dévoiler les possibilités fascinantes des pipelines d’apprentissage actif.
Introduction et présentation générale#
Pour commencer, posons le contexte avec une introduction aux pipelines d’apprentissage actif. Dans cette présentation, nous avons examiné les différences entre l’apprentissage actif et les méthodes traditionnelles d’apprentissage supervisé.
Préparation des données#
Notre premier arrêt consiste à poser les bases de notre pipeline d’apprentissage actif. Nous importons les dépendances, configurons la source de données et nous lançons dans l’enrichissement des métadonnées avec des annotations initiales. Il s’agit de préparer les fondations de notre exploration propulsée par l’AI.
Entraînement du modèle#
Une fois les données préparées et prêtes, nous plongeons dans le domaine passionnant de l’entraînement des modèles. À l’aide du jeu de données et du fichier YAML Ultralytics YOLOv8, Yono a ajouté des callbacks pour enregistrer les paramètres et les métriques pendant l’entraînement. Il s’agit d’une étape essentielle pour garantir que les modèles d’AI soient prêts à réussir.
Cycle d’apprentissage actif#
L’étape suivante est le cycle d’apprentissage actif : un processus dynamique qui consiste à charger des modèles préentraînés, à évaluer des données non annotées et à sélectionner des échantillons à annoter. Grâce à l’enrichissement itératif de la source de données avec des prédictions, nous découvrons des informations cachées et faisons progresser les modèles vers de nouveaux sommets.
Apprentissage actif pour la segmentation d’images#
La segmentation d’images est au cœur de notre exploration du pouvoir transformateur de l’apprentissage actif. En envoyant les prédictions à Label Studio pour annotation, nous comprenons le potentiel d’amélioration des modèles au fil de plusieurs cycles. C’est un parcours de découverte où chaque itération nous rapproche de la perfection en matière d’AI.
Utilisation de Label Studio#
Dans notre quête d’excellence en matière d’AI, Label Studio s’impose comme un outil important de notre arsenal. Nous créons des projets pour stocker les données annotées et exploitons les serveurs Label Studio afin de nous connecter facilement à l’API des tâches. En associant les tâches aux noms des projets, nous simplifions notre flux de travail et ouvrons la voie à une collaboration plus fluide.
Pour conclure#
À la fin de la présentation, Yono a répondu aux questions brûlantes de notre public. De l’optimisation des pipelines pour des tâches spécifiques à l’importance accordée à la reproductibilité et à la documentation, il a veillé à ce que chaque aspect de ce parcours repose sur les bonnes pratiques et les normes du secteur.
Dans l’ensemble, ce parcours à travers l’apprentissage actif lors de YV23 a été particulièrement passionnant. Forts de nouvelles connaissances et de précieux enseignements, nous sommes prêts à nous lancer dans de nouvelles aventures liées à l’AI, portés par la puissance de l’apprentissage actif ainsi que par le soutien et la participation de notre communauté.
Rejoins-nous alors que nous continuons à repousser les limites de l’innovation en AI et à redéfinir ce qui est possible dans le monde de l’apprentissage automatique. Regarde la présentation complète Regarde la présentation complète !
