Un regard sur les pipelines d'apprentissage actif de DagsHub

Introduction et vue d'ensemble

Pour commencer notre voyage, plantons le décor avec une introduction aux pipelines d'apprentissage actif. Dans cet exposé, nous avons examiné les différences entre l'apprentissage actif et les méthodes traditionnelles d'apprentissage supervisé.

Préparation des données

Notre première étape consiste à poser les bases de notre pipeline d'apprentissage actif. Nous importons des 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 les bases de notre exploration alimentée par l'IA.

Modèle de formation

Avec les données préparées et prêtes, 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 callbacks pour enregistrer les paramètres et les métriques pendant l'entraînement. Il s'agit d'une étape cruciale pour s'assurer que les modèles d'IA sont prêts pour le succès.

Cycle d'apprentissage actif

L'étape suivante est le cycle d'apprentissage actif - un processus dynamique qui implique le chargement de modèles pré-entraînés, l'évaluation de 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 occupe le devant de la scène alors que nous explorons le pouvoir de transformation de l'apprentissage actif. En envoyant des prédictions à Label Studio pour annotation, nous comprenons le potentiel d'amélioration du modèle à travers plusieurs cycles. Il s'agit d'un voyage de découverte, où chaque itération nous rapproche de la perfection de l'IA.

Utilisation du studio d'étiquetage

Dans notre quête de l'excellence en matière d'IA, Label Studio apparaît comme un outil important de notre arsenal. Nous créons des projets pour stocker des données annotées, en nous appuyant sur les serveurs de Label Studio pour nous connecter de manière transparente à l'API des tâches. En associant les tâches aux noms des projets, nous rationalisons notre flux de travail et ouvrons la voie à une collaboration plus fluide.

Conclusion

À la fin de son exposé, Yono a répondu aux questions brûlantes de notre public. De l'optimisation des pipelines pour des tâches spécifiques à l'accent mis sur la reproductibilité et la documentation, il a veillé à ce que chaque aspect de ce voyage soit fondé sur les meilleures pratiques et les normes de l'industrie.

Dans l'ensemble, ce voyage à travers l'apprentissage actif au sein d'YV23 a été tout simplement exaltant. Armés de nouvelles connaissances, nous sommes prêts à nous lancer dans de nouvelles aventures en matière d'IA, alimentées par le pouvoir de l'apprentissage actif ainsi que par le soutien et l'implication de notre communauté.

Rejoignez-nous pour continuer à repousser les limites de l'innovation en matière d'IA et redéfinir ce qui est possible dans le monde de l'apprentissage automatique. Regardez l'intégralité de la conférence ici!