Uno sguardo alle pipeline di active learning di DagsHub

Entra nel regno delle metodologie di Intelligenza Artificiale (IA) all'avanguardia con un altro dei nostri relatori di YOLO VISION 2023 (YV23)! In questo evento targato Ultralytics, ospitato presso il campus Google for Startup di Madrid, Yono Mittlefehldt, ex Machine Learning Advocate presso DagsHub, è salito sul palco per svelare le meraviglie delle pipeline di active learning. 

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'entusiasmante regno del training del modello. Con il dataset Ultralytics YOLOv8 e il file YAML, Yono ha aggiunto dei callback per registrare i parametri e le metriche durante il training. Questo è un passo cruciale per garantire che i modelli di IA 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!