YOLO VISION 2022: La nuova frontiera della Vision AI

Il nostro primo YOLO VISION si è svolto il 27 settembre 2022. Dall'ingresso dell'AI nell'industria automobilistica all'analisi in tempo reale della produzione di frutta, abbiamo ascoltato discorsi stimolanti da parte degli utenti di YOLOv5 in tutti i settori.

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 fornito approfondimenti da ogni aspetto del processo di ML. Tra questi, le nostre società partner come Comet, Deci, ClearML, Paperspace e Roboflow, così come altri nello spazio open source come i giganti cinesi Baidu, Meituan e OpenMMLabs.

Ridefinire lo stato dell'arte con YOLOv5

Ti stai chiedendo qual è la storia dietro la creazione di YOLOv5 e la metodologia utilizzata per la R&S?

Esplora i dettagli dell'approccio olistico utilizzato per scegliere le migliori architetture con Glenn Jocher, il nostro fondatore e CEO di Ultralytics, e Ayush Chaurasia, il nostro ML Engineer.

Architetture di modelli eccellenti come YOLOv5 sono fondamentali per ottenere risultati utili nel machine learning. Tuttavia, i modelli valgono quanto i loro dataset. Joseph Nelson, CEO e co-fondatore del nostro partner Roboflow, ha illustrato l'impatto della qualità del dataset sui risultati di produzione. Le informazioni si basano su oltre 10.000 processi di training di vision e sulla community open-source di Roboflow Universe, composta da oltre 90.000 dataset.

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

Scopri la qualità dei dataset e il suo impatto nel portare il tuo modello CV al valore di produzione!

Best practice per la convalida del modello di machine learning e dei dati prima della distribuzione

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

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

Aishwarya Srinivasan, Data Scientist presso Google e Open Source Developer Advocate presso Deepchecks, parla dell'entusiasmo che si cela dietro la creazione di soluzioni in grado di risolvere sfide del mondo reale. In Google, crea soluzioni di machine learning 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 a YOLO VISION per discutere le migliori pratiche e i suggerimenti pratici per testare e analizzare a fondo il tuo modello. Guarda il suo intervento per scoprire la differenza tra Testing Software e Testing ML.

Progetti Open Source che Abilitano il Futuro della Computer Vision AI

Abbiamo ospitato un panel innovativo in cui abbiamo riunito altri membri della famiglia dell'architettura YOLO, nonché altre importanti architetture di IA visiva open source del settore.

In questa occasione, YOLOv6 di Meituan, MMDetection di OpenMMLab CN e PaddlePaddle di Baidu, Inc. si sono uniti a noi come YOLOv5 di Ultralytics per discutere di progetti open-source che abilitano il futuro della vision AI.

È stata la prima volta in assoluto che questi importanti repository di Vision AI hanno condiviso il 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 della loro scelta di framework, design, l'evoluzione della struttura del repository e altro ancora!

Come afferma il nostro CEO Glenn Jocher, "Dobbiamo tutti imparare dagli strumenti e dalle esperienze degli altri."

I dati visivi stanno esplodendo

I sistemi di gestione dei dati visivi sono carenti in tutti gli aspetti: archiviazione, qualità, ricerca, analisi e visualizzazione. Di conseguenza, aziende e ricercatori stanno perdendo affidabilità del prodotto, ore di lavoro, spazio di archiviazione sprecato, elaborazione e, soprattutto, la capacità di sbloccare il pieno potenziale dei propri dati.

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

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

Esperto in analisi di big data e machine learning su larga scala, Danny Bickson ha più di 15 anni di esperienza nel settore high-tech. Potresti conoscerlo per Turi, una piattaforma di machine learning che crea prodotti di analisi di 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, siamo stati lieti di annunciare formalmente il lancio del nostro Ultralytics HUB!

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

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

Tutte le sessioni registrate sono disponibili sul nostro canale YouTube!

Siamo entusiasti della partecipazione a YOLO VISION e felici di creare un evento in cui esperti di tutto il mondo possono unirsi per conoscere la vision AI, rimanere aggiornati seguendoci sui social media. Ci vediamo l'anno prossimo allo YOLO VISION 2023!

‍