YOLO VISION 2022: la nuova frontiera dell'IA visiva

La prima edizione in assoluto di YOLO VISION si è svolta il 27 settembre 2022. Dall'ingresso dell'IA nel settore automobilistico all'analisi in tempo reale della produzione di frutta, abbiamo seguito gli interventi stimolanti degli utenti di YOLOv5 provenienti da ogni ambito.

Un aspetto che ha reso speciale questo evento è stata la grande varietà di esperienze dei relatori. Insieme ai rappresentanti di 18 aziende partecipanti, i relatori hanno condiviso le proprie conoscenze su ogni aspetto del processo ML. Tra loro c'erano aziende partner come Comet, Deci, ClearML, Paperspace e Roboflow, oltre ad altre realtà open source come Baidu, Meituan e OpenMMLab.

Ridefinire lo stato dell'arte con Ultralytics YOLOv5#

Ti incuriosisce la storia della creazione di Ultralytics YOLOv5 e la metodologia adottata per la R&S?

Scopri nel dettaglio l'approccio olistico usato per scegliere le architetture migliori con Glenn Jocher, fondatore e CEO di Ultralytics, e Ayush Chaurasia, nostro ingegnere ML.

Architetture di modelli eccellenti come Ultralytics YOLOv5 sono fondamentali per ottenere risultati utili nel machine learning. Ma i modelli sono validi solo quanto i dataset su cui si basano. Joseph Nelson, CEO e cofondatore del nostro partner Roboflow, ha mostrato l'impatto della qualità dei dataset sui risultati in produzione. Le sue considerazioni si basano su oltre 10.000 job di addestramento di modelli di visione e sulla community open source di Roboflow Universe, con oltre 90.000 dataset.

Nel suo intervento, Joseph ha anche illustrato le differenze principali tra ricerca e produzione, che consentono agli sviluppatori di modificare i propri dataset per ottenere più rapidamente risultati significativi.

Scopri la qualità dei dataset e il suo impatto sul passaggio del tuo modello CV alla produzione!

Best practice per convalidare il modello ML e i dati prima della distribuzione#

Oggi, ogni software tradizionale viene sottoposto a test approfonditi di vario tipo prima della distribuzione, riducendo notevolmente il rischio di malfunzionamenti in produzione.

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

Aishwarya Srinivasan, data scientist presso Google e promotrice per gli sviluppatori open source presso Deepchecks, racconta l'entusiasmo di creare soluzioni che risolvono problemi 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 a YOLO VISION per parlare delle best practice e di consigli pratici per testare e analizzare a fondo i tuoi modelli. Guarda il suo intervento per scoprire la differenza tra testare il software e testare l'ML.

Progetti open source che rendono possibile il futuro dell'IA per la visione artificiale#

Abbiamo organizzato un panel riunendo altri membri della famiglia di architetture YOLO e alcune delle principali architetture open source di AI per la visione del settore.

In questa occasione, YOLOv6 di Meituan, MMDetection di OpenMMLab CN e PaddlePaddle di Baidu, Inc. si sono unite a Ultralytics YOLOv5 per discutere dei progetti open source che rendono possibile il futuro dell'AI per la visione.

Era la prima volta che questi importanti repository di AI per la visione condividevano il palco. Se ti sei perso questo panel, guarda il video in cui Bo Zhang, Glenn Jocher, Guanzhong Wang, Wenwei Zhang e Yixin Shi hanno discusso la scelta dei framework, i design, l'evoluzione della struttura dei repository e molto altro!

Come afferma il nostro CEO, Glenn Jocher: «Abbiamo imparato tutti dagli strumenti e dalle esperienze degli altri».

I dati visivi stanno esplodendo#

I sistemi di gestione dei dati visivi sono carenti sotto ogni aspetto: archiviazione, qualità, ricerca, analisi e visualizzazione. Di conseguenza, aziende e ricercatori perdono affidabilità dei prodotti, ore di lavoro, spazio di archiviazione e capacità di calcolo e, soprattutto, la possibilità di sfruttare appieno il potenziale dei propri dati.

In questo intervento, il dott. Danny Bickson ci ha insegnato a risolvere questo problema con il suo popolare strumento gratuito su GitHub, Fastdup.

FastDup è uno strumento che consente di ottenere informazioni utili da un'ampia raccolta di immagini. Può individuare anomalie, immagini duplicate e quasi duplicate, gruppi di immagini simili e imparare 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 degli outlier e il rilevamento di nuove informazioni da inviare per l'annotazione.

Esperto di analisi dei big data e machine learning su larga scala, Danny Bickson vanta oltre 15 anni di esperienza nel settore high-tech. Potresti conoscerlo per Turi, una piattaforma di machine learning che crea prodotti di analisi dei big data per i propri utenti. Nel 2016, Apple ha acquisito Turi e il dott. Danny Bickson vi ha lavorato per diversi anni come Senior Data Science Manager.

La tua porta d'accesso all'IA per la visione artificiale#

Infine, siamo lieti di annunciare ufficialmente il lancio della nostra Ultralytics Platform!

Ultralytics Platform è la nostra soluzione senza codice per addestrare e distribuire modelli di IA in tre semplici passaggi! Dai vita ai tuoi modelli scegliendo i dati da cui apprendere.

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

Trovi tutte le sessioni registrate sul nostro canale YouTube!

Siamo entusiasti della partecipazione a YOLO VISION e felici di aver creato un evento in cui esperti di tutto il mondo possono riunirsi per approfondire l'AI per la visione. Seguici sui social media per restare aggiornato. Ci vediamo l'anno prossimo a YOLO VISION 2023!