Uno sguardo ai DagsHub active learning pipelines
Scopri i DagsHub Active Learning Pipelines a YOLO VISION 2023 con Yono Mittlefehldt. Dall'apprendimento attivo alla segmentazione delle immagini, esplora il potere trasformativo dell'AI.
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 sponsorizzato da Ultralytics, ospitato presso il campus Google for Startup a 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 apprendimento supervisionato.
Preparazione dei dati#
La nostra prima tappa consiste nel gettare le basi per la nostra pipeline di active learning. Importiamo le dipendenze, configuriamo la sorgente dati e intraprendiamo una missione per arricchire i metadati con le annotazioni iniziali. Si tratta di preparare le fondamenta per la nostra esplorazione basata sull'AI.
Addestramento del modello#
Con i dati preparati e pronti, ci immergiamo nell'affascinante mondo dell'addestramento dei modelli. Utilizzando il dataset e il file YAML di Ultralytics YOLOv8, Yono ha aggiunto callback per registrare parametri e metriche durante l'addestramento. Questo è un passaggio 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, la valutazione dei dati non etichettati e la selezione di campioni per l'annotazione. Attraverso l'arricchimento iterativo della sorgente dati con le predizioni, scopriamo intuizioni nascoste e spingiamo i modelli verso nuovi traguardi.
Active learning per la segmentazione delle immagini#
La Image segmentation è al centro della scena 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'AI, Label Studio emerge come uno strumento importante nel nostro arsenale. Creiamo progetti per archiviare i dati annotati, sfruttando i server di Label Studio per connetterci senza problemi alla API dei task. Con i task mappati ai nomi dei progetti, snelliamo il nostro flusso di lavoro e apriamo la strada a una collaborazione più fluida.
In conclusione#
Verso la conclusione dell'intervento, Yono ha risposto alle domande scottanti del nostro pubblico. Dall'ottimizzazione delle pipeline per task specifici alla sottolineatura dell'importanza della riproducibilità e della documentazione, ha 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 a YV23 è stato a dir poco esaltante. Armati di nuove conoscenze e intuizioni, siamo pronti a intraprendere nuove avventure nell'IA, alimentate dalla potenza dell'active learning e dal supporto e coinvolgimento della nostra community.
Unisciti a noi mentre continuiamo a spingere i confini dell'innovazione nell'IA e a ridefinire ciò che è possibile nel mondo del machine learning. Guarda il discorso completo Watch the full talk!
