Cliccando su “Accetta tutti i cookie”, l'utente accetta di memorizzare i cookie sul proprio dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e assistere le nostre attività di marketing. Maggiori informazioni
Impostazioni dei cookie
Cliccando su “Accetta tutti i cookie”, l'utente accetta di memorizzare i cookie sul proprio dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e assistere le nostre attività di marketing. Maggiori informazioni
Scoprite le pipeline di apprendimento attivo DagsHub a YOLO VISION 2023 con Yono Mittlefehldt. Dall'apprendimento attivo alla segmentazione delle immagini, esplorate il potere di trasformazione dell'IA.
Entrate nel regno delle metodologie all'avanguardia dell'intelligenza artificiale (AI) con un altro dei nostri relatori di YOLO VISION 2023 (YV23)! A questo Ultralytics-ospitato presso il campus di Google for Startup a Madrid, Yono Mittlefehldt, ex consulente per l'apprendimento automatico di DagsHubè salita sul palco per svelare le meraviglie delle pipeline di apprendimento attivo.
Introduzione e panoramica
Per iniziare il nostro viaggio, prepariamo il terreno con un'introduzione alle pipeline di active learning. In questo intervento, abbiamo esaminato le differenze tra l'active learning e i metodi tradizionali di supervised learning.
Preparazione dei dati
La nostra prima tappa prevede la preparazione del terreno per la nostra pipeline di active learning. Importiamo le dipendenze, configuriamo l'origine dati e ci imbarchiamo in una missione per arricchire i metadati con annotazioni iniziali. Si tratta di preparare le basi per la nostra esplorazione basata sull'IA.
Training del modello
Con i dati preparati e pronti, ci immergiamo nell'emozionante regno della formazione dei modelli. Con il software Ultralytics YOLOv8 e il file YAML, Yono ha aggiunto callback per registrare parametri e metriche durante l'addestramento. Questo è un passo fondamentale per garantire che i modelli AI siano pronti per il successo.
Ciclo di active learning
Il passo successivo è il ciclo di active learning, un processo dinamico che prevede il caricamento di modelli pre-addestrati, l'assegnazione di punteggi a dati non etichettati e la selezione di campioni per l'annotazione. Attraverso l'arricchimento iterativo dell'origine dati con le previsioni, scopriamo intuizioni nascoste e spingiamo i modelli verso nuove vette.
Active learning per la segmentazione delle immagini
La segmentazione delle immagini è protagonista mentre esploriamo il potere trasformativo dell'active learning. Inviando le previsioni a Label Studio per l'annotazione, comprendiamo il potenziale di miglioramento del modello attraverso cicli multipli. È un viaggio di scoperta, in cui ogni iterazione ci avvicina alla perfezione dell'IA.
Utilizzo di Label Studio
Nella nostra ricerca dell'eccellenza nell'IA, Label Studio emerge come uno strumento importante nel nostro arsenale. Creiamo progetti per archiviare dati annotati, sfruttando i server di Label Studio per connetterci senza problemi con le API delle attività. Con le attività mappate ai nomi dei progetti, semplifichiamo il nostro flusso di lavoro e apriamo la strada a una collaborazione più fluida.
Conclusione
Al termine del discorso, Yono ha risposto alle domande più urgenti del nostro pubblico. Dall'ottimizzazione delle pipeline per attività specifiche all'enfasi sulla riproducibilità e sulla documentazione, si è assicurato che ogni aspetto di questo percorso sia basato sulle migliori pratiche e sugli standard del settore.
Nel complesso, questo viaggio attraverso l'active learning in YV23 è stato a dir poco entusiasmante. Armati di nuove conoscenze e intuizioni, siamo pronti a intraprendere nuove avventure nell'IA, alimentati dalla potenza dell'active learning e dal supporto e dal coinvolgimento della nostra community.
Unisciti a noi mentre continuiamo a spingere i confini dell'innovazione dell'IA e a ridefinire ciò che è possibile nel mondo del machine learning. Guarda il discorso completo qui!
