Un aperçu des pipelines d'apprentissage actif DagsHub

Entrez dans le domaine des méthodologies d'intelligence artificielle (IA) de pointe avec un autre de nos conférenciers de YOLO VISION 2023 (YV23) ! Lors de cet événement organisé par Ultralytics sur le campus Google for Startup à Madrid, Yono Mittlefehldt, ancien défenseur de l'apprentissage automatique chez DagsHub, est monté sur scène pour dévoiler les merveilles des pipelines d'apprentissage actif. 

Introduction et aperçu

Pour commencer notre exploration, préparons le terrain avec une introduction aux pipelines d'apprentissage actif. Dans cette présentation, nous avons examiné les différences entre l'apprentissage actif et les méthodes d'apprentissage supervisé traditionnelles.

Préparation des données

Notre première étape consiste à jeter les bases de notre pipeline d'apprentissage actif. Nous importons les dépendances, configurons la source de données et nous lançons dans une mission d'enrichissement des métadonnées avec des annotations initiales. Il s'agit de préparer le terrain pour notre exploration basée sur l'IA.

Entraînement du modèle

Une fois les données préparées, nous plongeons dans le domaine passionnant de l'entraînement des modèles. Avec l'ensemble de données Ultralytics YOLOv8 et le fichier YAML, Yono a ajouté des rappels pour enregistrer les paramètres et les mesures pendant l'entraînement. Il s'agit d'une étape cruciale pour garantir que les modèles d'IA sont prêts à réussir.

Cycle d'apprentissage actif

L'étape suivante est le cycle d'apprentissage actif, un processus dynamique qui implique le chargement de modèles pré-entraînés, la notation des données non étiquetées et la sélection d'échantillons pour l'annotation. Grâce à l'enrichissement itératif de la source de données avec des prédictions, nous découvrons des informations cachées et propulsons les modèles vers de nouveaux sommets.

Apprentissage actif pour la segmentation d'images

La segmentation d'images est au centre de l'attention lorsque nous explorons le pouvoir transformateur de l'apprentissage actif. En envoyant des prédictions à Label Studio pour l'annotation, nous comprenons le potentiel d'amélioration du modèle grâce à de multiples cycles. C'est un voyage de découverte, où chaque itération nous rapproche de la perfection de l'IA.

Utilisation de Label Studio

Dans notre quête de l'excellence en matière d'IA, Label Studio s'impose comme un outil important dans notre arsenal. Nous créons des projets pour stocker les données annotées, en tirant parti des serveurs Label Studio pour nous connecter de manière transparente aux API de tâches. Grâce aux tâches mappées aux noms de projet, nous rationalisons notre flux de travail et ouvrons la voie à une collaboration plus fluide.

Conclusion

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 la mise en avant de la reproductibilité et de la documentation, il s'est assuré que chaque aspect de ce parcours est ancré dans les meilleures pratiques et les normes de l'industrie.

Dans l'ensemble, ce voyage à travers l'apprentissage actif chez YV23 a été tout simplement exaltant. Forts de nouvelles connaissances et perspectives, nous sommes prêts à nous lancer dans de nouvelles aventures en matière d'IA, alimentés par la puissance de l'apprentissage actif ainsi que par le soutien et la participation de notre communauté.

Rejoignez-nous alors que nous continuons à repousser les limites de l'innovation en matière d'IA et à redéfinir ce qui est possible dans le monde de l'apprentissage automatique. Regardez la présentation complète ici !