Uno sguardo alle pipeline di apprendimento attivo di DagsHub

Questo riepilogo tratta un altro intervento di YOLO VISION 2023 (YV23). Durante questo evento promosso da Ultralytics e ospitato nel campus Google for Startups di Madrid, Yono Mittlefehldt, ex Machine Learning Advocate presso DagsHub, ha tenuto un intervento sulla creazione di pipeline di apprendimento attivo.

Introduzione e panoramica#

L'intervento si è aperto con un'introduzione alle pipeline di apprendimento attivo e alle differenze tra apprendimento attivo e metodi tradizionali di apprendimento supervisionato.

Preparazione dei dati#

Il primo passaggio getta le basi della pipeline di apprendimento attivo: importare le dipendenze, configurare la fonte dei dati e arricchire i metadati con annotazioni iniziali.

Addestramento del modello#

Una volta pronti i dati, il passaggio successivo è l'addestramento del modello. Usando un set di dati Ultralytics YOLOv8 e il relativo file YAML, Yono ha aggiunto callback per registrare parametri e metriche durante l'addestramento, rendendo ogni esecuzione facile da monitorare e confrontare.

Ciclo di active learning#

Il passaggio successivo è il ciclo di apprendimento attivo, un processo iterativo che prevede il caricamento di modelli preaddestrati, l'assegnazione di punteggi ai dati non etichettati e la selezione dei campioni più informativi da annotare. Ogni ciclo arricchisce la fonte dei dati con nuove previsioni, così il modello migliora a ogni iterazione.

Active learning per la segmentazione delle immagini#

Yono ha poi applicato l'apprendimento attivo alla segmentazione delle immagini. Le previsioni sono state inviate a Label Studio per l'annotazione, mostrando come un modello di segmentazione possa migliorare nel corso di più cicli.

Utilizzo di Label Studio#

Label Studio è uno strumento centrale di questa pipeline. I progetti archiviano i dati annotati e i server di Label Studio si collegano all'API delle attività. Associare le attività ai nomi dei progetti mantiene organizzato il flusso di lavoro e facilita la collaborazione.

In conclusione#

Al termine dell'intervento, Yono ha risposto alle domande del pubblico, affrontando argomenti che spaziavano dall'ottimizzazione delle pipeline per attività specifiche alla riproducibilità e alla documentazione.

Nel complesso, l'intervento ha mostrato come l'apprendimento attivo possa rendere più efficienti l'etichettatura dei dati e l'addestramento dei modelli. Non vediamo l'ora di sviluppare queste idee con il sostegno e la partecipazione della nostra community.

Guarda il talk completo su YouTube.