Aperçu des pipelines d’apprentissage actif de DagsHub

Ce récapitulatif porte sur une autre intervention de YOLO VISION 2023 (YV23). Lors de cet événement organisé par Ultralytics sur le campus Google for Startups à Madrid, Yono Mittlefehldt, ancien défenseur de l’apprentissage automatique chez DagsHub, a présenté une intervention sur la création de pipelines d’apprentissage actif.

Introduction et aperçu#

La conférence a commencé par une présentation des pipelines d’apprentissage actif et des différences entre l’apprentissage actif et les méthodes traditionnelles d’apprentissage supervisé.

Préparation des données#

La première étape pose les bases du pipeline d’apprentissage actif : importer les dépendances, configurer la source de données et enrichir les métadonnées avec les annotations initiales.

Entraînement du modèle#

Une fois les données prêtes, l’étape suivante consiste à entraîner le modèle. À l’aide d’un jeu de données Ultralytics YOLOv8 et de son fichier YAML, Yono a ajouté des fonctions de rappel pour consigner les paramètres et les métriques pendant l’entraînement, ce qui facilite le suivi et la comparaison de chaque exécution.

Cycle d’apprentissage actif#

L’étape suivante est le cycle d’apprentissage actif, un processus itératif qui consiste à charger des modèles préentraînés, à attribuer un score aux données non annotées et à sélectionner les échantillons les plus informatifs à annoter. Chaque cycle enrichit la source de données avec de nouvelles prédictions, de sorte que le modèle s’améliore à chaque itération.

Apprentissage actif pour la segmentation d’images#

Yono a ensuite appliqué l’apprentissage actif à la segmentation d’image. Les prédictions ont été envoyées à Label Studio pour annotation, montrant comment un modèle de segmentation peut s’améliorer au fil de plusieurs cycles.

Utiliser Label Studio#

Label Studio est un outil central de ce pipeline. Les projets stockent les données annotées et les serveurs Label Studio se connectent à l’API des tâches. L’association des tâches aux noms de projets permet d’organiser le flux de travail et de faciliter la collaboration.

Pour conclure#

À la fin de la conférence, Yono a répondu aux questions du public, abordant des sujets allant de l’optimisation des pipelines pour des tâches spécifiques à la reproductibilité et à la documentation.

Dans l’ensemble, la conférence a montré comment l’apprentissage actif peut améliorer l’efficacité de l’annotation des données et de l’entraînement des modèles. Nous avons hâte de faire avancer ces idées avec le soutien et la participation de notre communauté.

Regarde la conférence dans son intégralité sur YouTube.