YOLO VISION 2022: la nuova frontiera della Vision AI

Il nostro primo YOLO VISION si è svolto il 27 settembre 2022. Dall'ingresso dell'IA nell'industria automobilistica all'analisi in tempo reale della produzione di frutta, abbiamo ascoltato interventi stimolanti dagli utenti di YOLOv5 di ogni settore.

Ciò che ha reso speciale questo evento è stata l'ampia varietà di background dei relatori. Insieme ai rappresentanti di 18 aziende partecipanti, i relatori hanno offerto approfondimenti su ogni aspetto del processo di ML. Tra questi, le nostre aziende partner come Comet, Deci, ClearML, Paperspace e Roboflow, oltre ad altre nel mondo open-source come i giganti cinesi Baidu, Meituan e OpenMMLabs.

Link to this sectionRidefinire lo stato dell'arte con YOLOv5#

Ti stai chiedendo quale sia la storia dietro la creazione di YOLOv5 e la metodologia utilizzata per 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 ML Engineer.

Ottime architetture di modelli come YOLOv5 sono cruciali per ottenere risultati utili nel machine learning. Ma i modelli sono validi tanto quanto i loro dataset. Joseph Nelson, CEO e co-fondatore del nostro partner Roboflow, ha mostrato l'impatto della qualità del dataset sui risultati in produzione. Le intuizioni derivano da oltre 10.000 lavori di formazione sulla visione e dalla 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!

Link to this sectionBest 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 del puro entusiasmo dietro la creazione di soluzioni in grado di risolvere sfide del mondo reale. In Google, sviluppa soluzioni di machine learning per i 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.

Link to this sectionProgetti 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 visione AI hanno condiviso lo stesso palco. Se ti sei perso questo panel, guarda questo video in cui Bo Zhang, Glenn Jocher, Guanzhong Wang, Wenwei Zhang e Yixin Shi hanno discusso la loro scelta di framework, design, evoluzione della struttura del repository e altro ancora!

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

Link to this sectionI 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 intervento, il Dr. Danny Bickson ci ha insegnato come risolvere questo problema con il suo popolare strumento GitHub gratuito, 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 machine learning su larga scala, Danny Bickson ha più di 15 anni di esperienza nel settore high-tech. Potresti conoscerlo da Turi, una piattaforma di machine learning 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.

Link to this sectionLa tua porta d'accesso alla Vision AI#

E infine, è stato un 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 Ultralytics Platform e hanno spiegato tutte le caratteristiche e 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 dell'affluenza a YOLO VISION e felici di creare un evento in cui esperti da tutto il mondo possano unirsi per conoscere la Vision AI; rimani aggiornato con noi seguendoci sui social media. Ci vediamo l'anno prossimo a YOLO VISION 2023!