YOLO VISION 2022: la nuova frontiera della Vision AI

La nostra primissima YOLO VISION si è tenuta il 27 settembre 2022. Dall'ingresso dell'IA nell'industria automobilistica all'analisi in tempo reale della produzione di frutta, abbiamo ascoltato interventi stimolanti da parte di utenti di YOLOv5 di ogni estrazione.

Ciò che ha reso questo evento speciale è stata la grande varietà di background dei relatori. Unendosi ai rappresentanti di 18 aziende partecipanti, i relatori hanno offerto approfondimenti su ogni aspetto del processo ML. Tra di essi vi sono le nostre aziende partner come Comet, Deci, ClearML, Paperspace e Roboflow, oltre ad altre nello spazio open-source come i giganti cinesi Baidu, Meituan e OpenMMLabs.

Ridefinire lo stato dell'arte con Ultralytics YOLOv5#

Curioso di conoscere la storia dietro la creazione di Ultralytics YOLOv5 e la metodologia utilizzata per la R&D?

Immergiti nei dettagli dell'approccio olistico utilizzato per scegliere le migliori architetture con Glenn Jocher, il nostro Fondatore e CEO qui in Ultralytics, e Ayush Chaurasia, il nostro Ingegnere ML.

Ottime architetture di modelli come Ultralytics YOLOv5 sono fondamentali per ottenere risultati utili nel machine learning. Ma i modelli valgono tanto quanto i loro dataset. Joseph Nelson, CEO & Co-founder presso il nostro partner Roboflow, ha mostrato l'impatto della qualità dei dataset sui risultati in produzione. Le intuizioni sono basate su oltre 10.000 training job di visione e sulla community open-source di Roboflow Universe di oltre 90.000 dataset.

Nella sua sessione, Joseph ha anche mostrato le differenze chiave tra ricerca e produzione che consentono agli sviluppatori di ottimizzare i propri dataset per ottenere risultati significativi più velocemente.

Scopri di più sulla qualità del dataset e sul suo impatto nel portare il tuo modello CV a un valore di produzione!

Best practice per convalidare il tuo modello ML e i dati prima del deployment#

Ogni software tradizionale oggi viene sottoposto a test completi di vario tipo prima del deployment, riducendo significativamente il rischio di errori di produzione.

Come possiamo adattare queste idee al mondo del ML, orientato alla statistica?

Aishwarya Srinivasan, Data Scientist presso Google e Open Source Developer Advocate presso Deepchecks, parla della semplice emozione dietro la costruzione di soluzioni in grado di risolvere sfide del mondo reale. In Google, sviluppa soluzioni di apprendimento automatico per casi d'uso dei clienti, sfruttando i prodotti principali di Google tra cui TensorFlow, DataFlow e AI Platform.

Aishwarya si è unita a noi allo YOLO VISION per discutere le best practice e i consigli pratici per testare e analizzare a fondo il tuo modello. Guarda il suo intervento per scoprire la differenza tra il Testing Software e il Testing ML.

Progetti open source che abilitano il futuro della Computer Vision AI#

Abbiamo ospitato un panel rivoluzionario dove abbiamo riunito altri membri della famiglia di architetture YOLO, così come altre importanti architetture di visione AI open-source nel settore.

Qui, YOLOv6 di Meituan, MMDetection di OpenMMLab CN e PaddlePaddle di Baidu, Inc. si sono uniti a noi insieme a YOLOv5 di Ultralytics per discutere di progetti open-source che abilitano il futuro della Vision AI.

Questa è stata la prima volta in assoluto che questi importanti repository di IA per la visione hanno condiviso lo stesso palco. Se ti sei perso questo pannello, guarda questo video in cui Bo Zhang, Glenn Jocher, Guanzhong Wang, Wenwei Zhang e Yixin Shi hanno discusso la loro scelta di framework, design, l'evoluzione della struttura dei repository e molto altro!

Come dice il nostro CEO Glenn Jocher: "Abbiamo tutti imparato dagli strumenti e dalle esperienze degli altri."

I dati visivi stanno esplodendo#

I sistemi di gestione dei dati visivi mancano in tutti gli aspetti: archiviazione, qualità, ricerca, analisi e visualizzazione. Di conseguenza, aziende e ricercatori perdono affidabilità del prodotto, ore di lavoro, sprecano spazio di archiviazione, calcolo e, soprattutto, la capacità di sbloccare il pieno potenziale dei propri dati.

In questo discorso, il Dr. Danny Bickson ci ha insegnato come risolvere questo problema con il suo popolare strumento gratuito su GitHub, Fastdup.

FastDup è uno strumento per ottenere approfondimenti da una vasta raccolta di immagini. Può trovare anomalie, immagini duplicate o quasi duplicate, cluster di similarità e apprendere il comportamento normale e le interazioni temporali tra le immagini. Può essere utilizzato per il sottocampionamento intelligente di un dataset di qualità superiore, la rimozione di outlier e il rilevamento di novità di nuove informazioni da inviare per l'etichettatura.

Esperto di analisi dei big data e apprendimento automatico su larga scala, Danny Bickson ha più di 15 anni di esperienza nell'industria high-tech. Potresti conoscerlo da Turi, una piattaforma di apprendimento automatico che crea prodotti di analisi dei big data per i suoi utenti. Nel 2016, Turi è stata acquisita da Apple, dove il Dr. Danny Bickson ha lavorato come Senior Data Science Manager per diversi anni.

La tua porta d'accesso alla Vision AI#

E infine, è stato un nostro piacere annunciare formalmente il lancio della nostra Ultralytics Platform!

Ultralytics Platform è la nostra soluzione no-code per addestrare e distribuire modelli di IA in tre semplici passaggi! Dai vita ai tuoi modelli scegliendo da quali dati imparare.

I nostri esperti e creatori degli strumenti, Kalen Michael e Sergio Sánchez, ci hanno guidato attraverso una panoramica di Ultralytics Platform e hanno spiegato tutte le caratteristiche e le funzionalità. Scopri di più su Ultralytics Platform e inizia a creare i tuoi modelli gratuitamente!

Trova tutte le sessioni registrate sul nostro canale YouTube!

Siamo entusiasti della partecipazione a YOLO VISION e felici di creare un evento in cui esperti da tutto il mondo possono unirsi per imparare sull'IA per la visione, rimanere aggiornati con noi seguendoci sui social media. Ci vediamo l'anno prossimo a YOLO VISION 2023!