Un regard sur les pipelines d'apprentissage actif de DagsHub

Entre 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 propulsé par Ultralytics et hébergé au campus Google for Startups à Madrid, Yono Mittlefehldt, ancien défenseur du machine learning chez DagsHub, est monté sur scène pour décrypter les merveilles des pipelines d'apprentissage actif.

Introduction et vue d'ensemble#

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

Préparation des données#

Notre première étape consiste à poser les fondations de notre pipeline d'apprentissage actif. Nous importons les dépendances, configurons la source de données et nous lançons dans une mission pour enrichir les métadonnées avec des annotations initiales. Il s'agit avant tout de préparer les bases pour notre exploration propulsée par l'IA.

Entraînement du modèle#

Une fois les données préparées et prêtes, nous plongeons dans le monde passionnant de l'entraînement de modèles. Avec le jeu de données et le fichier YAML d'Ultralytics YOLOv8, Yono a ajouté des rappels pour consigner 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 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 révélons des informations cachées et propulsons les modèles vers de nouveaux sommets.

Apprentissage actif pour la segmentation d'images#

La segmentation d'image occupe le devant de la scène alors que nous explorons le pouvoir transformateur de l'apprentissage actif. En envoyant des prédictions à Label Studio pour annotation, nous comprenons le potentiel d'amélioration du modèle à travers de multiples cycles. C'est un voyage de découverte, où chaque itération nous rapproche de la perfection en matière d'IA.

Utilisation de Label Studio#

Dans notre quête de l'excellence en IA, Label Studio émerge comme un outil important dans notre arsenal. Nous créons des projets pour stocker les données annotées, en tirant parti des serveurs Label Studio pour se connecter aux API de tâches de manière transparente. Avec des 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 l'importance de la reproductibilité et de 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.

Globalement, ce voyage à travers l'apprentissage actif à YV23 a été tout simplement exaltant. Armés de connaissances et d'aperçus nouveaux, nous sommes prêts à nous lancer dans de nouvelles aventures en IA, alimentés par la puissance de l'apprentissage actif ainsi que par le soutien et l'implication de notre communauté.

Rejoins-nous pour continuer à repousser les limites de l'innovation en IA et redéfinir ce qui est possible dans le monde du machine learning. Regarde la conférence complète Watch the full talk !