Esplorate la nuova frontiera dell'IA visiva

Glenn Jocher di Ultralytics (YOLOv5 e YOLOv8), Yonatan Geifman di Deci (YOLO-NAS) e Bo Zhang di Meituan (YOLOv6) si riuniscono in questo panel per esplorare lo stato della vision AI open-source. Il panel approfondirà le sfide e le priorità incontrate durante l'implementazione del modello, fornendo indicazioni preziose per l'adozione dell'IA senza soluzione di continuità. Inoltre, i relatori affronteranno il tema dell'implementazione sui dispositivi edge, esamineranno il potenziale dei moduli di re-identificazione degli oggetti, forniranno informazioni sulla distribuzione dei modelli e altro ancora. 

In tutto il mondo sono state installate circa 1 miliardo di telecamere di rete. Le telecamere intelligenti dotate di intelligenza artificiale avanzata possono concentrarsi su ciò che conta di più e garantire la sicurezza degli spazi per tutti, dagli automobilisti ai pedoni, dai rivenditori agli acquirenti. Vi illustreremo le prestazioni complessive per le applicazioni di analisi video con inferenza su NVIDIA Jetson e potrete aggiornare qualsiasi telecamera legacy con il modello YOLOv8 senza alcuna riga di codice.

Unitevi a noi per vedere come la piattaforma Metis di Axelera AI offre prestazioni e usabilità leader del settore, a una frazione del costo e del consumo energetico delle soluzioni disponibili oggi. Scoprite i risultati impressionanti della nostra soluzione hardware e software, che ottimizza i modelli YOLO per l'inferenza sui dispositivi edge.

L'intelligenza artificiale sta trasformando diversi settori, merci e funzionalità fondamentali. Tuttavia, le reti neurali profonde consumano risorse eccessive in termini di memoria, potenza di calcolo ed energia. Per garantire un'adozione diffusa dell'IA, è necessario che essa operi in modo efficiente sui dispositivi degli utenti finali, rispettando rigorosi vincoli di potenza e termici. Tecniche come la quantizzazione e la compressione svolgono un ruolo fondamentale nel mitigare queste sfide.

In questo webinar, Amir Servi, product manager di Sony, vi illustrerà il Model Compression Toolkit di Sony per la quantizzazione e l'accelerazione dei modelli di deep learning per una distribuzione efficiente sugli edge. Imparerai a fare lo stesso per il tuo modello! Cosa imparerete:

- Le nostre ultime ricerche sulle tecniche di quantizzazione e la loro implementazione in un prodotto pratico

- L'importanza della compressione hardware-aware per l'inferencing sull'edge

- Come ingegneri e ricercatori possono implementare queste tecniche attraverso Sony MCT

Ultralytics HUB abbassa le barriere per entrare nel mondo del ML, rendendolo accessibile a privati e aziende, indipendentemente dalle competenze di codifica. Scoprite come questa piattaforma è destinata a rivoluzionare il modo in cui ci avviciniamo all'apprendimento automatico, consentendo a una nuova generazione di appassionati di dati di trasformare le loro idee in realtà con una facilità senza precedenti.

E non perdetevi il nostro grande annuncio...

L'implementazione di modelli all'avanguardia su dispositivi embedded, dalle GPU Edge di NVIDIA Jetson alle minuscole MCU, presenta sfide e limitazioni. Verrà illustrato come implementare questi modelli, tra cui YOLOv8, con un approccio semplificato e prestazioni complessive per le applicazioni di analisi video con inferenza su NVIDIA Jetson.

Glenn è impegnato in un'incessante ricerca per sviluppare la migliore Vision AI del mondo. Per lui non si tratta solo di un risultato tecnologico, ma di un passo fondamentale verso la realizzazione del potenziale dell'intelligenza artificiale. Le punte di diamante di questa incessante ricerca non sono altro che YOLOv5, YOLOv8 e Ultralytics HUB.

Quindi, cosa rende Ultralytics YOLO il migliore al mondo?

I recenti progressi nella computer vision sono stati notevolmente favoriti dall'introduzione dell'architettura a trasformatori e dalle astrazioni di facile utilizzo per il pre-training, la messa a punto e l'inferenza della libreria 🤗 transformers. Questo intervento fornisce una panoramica dei più recenti modelli di visione basati sui trasformatori, esplora le utilità disponibili all'interno della libreria 🤗 transformers e offre spunti pratici sulla filosofia che ne sta alla base.

Stanchi delle lunghe file alle casse dei negozi? Il nostro sistema di gestione intelligente delle code è la risposta! Unitevi a noi per un tutorial passo dopo passo su come creare un sistema di questo tipo utilizzando OpenVINO e YOLOv8. Vi guideremo attraverso il processo di integrazione di questi potenti strumenti open-source per sviluppare una soluzione end-to-end che può essere implementata in ambienti di cassa al dettaglio. Imparerete come ottimizzare l'applicazione per ottenere prestazioni eccezionali. Che siate sviluppatori esperti o alle prime armi con l'intelligenza artificiale, questa sessione fornirà suggerimenti pratici e best practice per la creazione di sistemi intelligenti con OpenVINO. Alla fine della presentazione, avrete le conoscenze e le risorse per costruire la vostra soluzione.

In un'epoca definita dai rapidi progressi dell'intelligenza artificiale (IA), la navigazione nel panorama etico di questa tecnologia è fondamentale. In questa sessione, Mónica svelerà l'intricata rete di dilemmi etici che accompagnano il potere di trasformazione dell'IA. Dall'affrontare i pregiudizi e l'equità all'esplorare la trasparenza, la responsabilità e il profondo impatto dell'IA sulla società, Monica fornirà spunti che fanno luce sulle considerazioni etiche che circondano l'IA.

Questo intervento è l'occasione per acquisire una comprensione fondamentale delle sfide etiche e delle responsabilità associate all'IA. Monica vi fornirà le conoscenze essenziali per chiunque sia impegnato nello sviluppo dell'IA, nel processo decisionale o nella formazione delle politiche.

I modelli di base possono essere impegnativi in termini di calcolo su GPU e potrebbero non essere adatti ad applicazioni in tempo reale, soprattutto se si desidera scalare milioni di punti di acquisto autonomi. Ma noi sfruttiamo il metodo chiamato distillazione della conoscenza, in cui mettiamo i nostri modelli di base per attività complesse come le annotazioni e trasferiamo questa conoscenza in modelli più piccoli e convenienti. Questo ci permette di accelerare il processo di annotazione fino a 90 volte rispetto all'etichettatura umana tradizionale.

Pssst. Volete sapere un segreto? E se vi dicessi che l'apprendimento attivo non deve essere difficile. E se ci fosse... un modo semplice? Siete fortunati. Questo intervento vi mostrerà esattamente come implementare una pipeline di apprendimento attivo utilizzando il Data Engine di DagsHub. E il 90% della pipeline può essere eseguito direttamente in un Jupyter Notebook o su Google Colab! Alla fine dell'intervento, avrete le informazioni necessarie per convertire il vostro progetto esistente in uno che utilizza l'apprendimento attivo per migliorare in modo efficiente e rapido le metriche dei vostri modelli!

L'utilizzo di strumenti open source con YOLOv8 può aiutarvi a far partire rapidamente il vostro prossimo progetto di IA visiva. Esistono repository di immagini open source, librerie che aiutano ad automatizzare l'etichettatura dei dati, strumenti per il tracciamento o il conteggio e server per la distribuzione dei modelli. Scoprite come utilizzarli con YOLOv8 per creare la vostra prossima applicazione.

La corsa globale in corso verso sistemi di intelligenza artificiale (IA) più grandi e migliori dovrebbe avere un profondo impatto sulla società e sull'ambiente, alterando i mercati del lavoro, sconvolgendo i modelli di business e consentendo nuove strutture di governance e di benessere sociale che possono influenzare il consenso globale sui percorsi di azione per il clima. Tuttavia, gli attuali sistemi di IA sono addestrati su serie di dati distorti che potrebbero destabilizzare le agenzie politiche che influenzano le decisioni di mitigazione e adattamento ai cambiamenti climatici e compromettere la stabilità sociale, portando potenzialmente a eventi di ribaltamento della società. Pertanto, la progettazione di un sistema di IA meno distorto che rifletta gli effetti diretti e indiretti sulle società e sulle sfide planetarie è una questione di primaria importanza.

La quantizzazione dei modelli di apprendimento automatico (ML) può portare a una riduzione significativa delle dimensioni del modello e a una riduzione della latenza di inferenza, grazie ai minori requisiti di larghezza di banda. Quando viene impiegata su opzioni hardware che supportano in modo efficiente i calcoli interi, i guadagni in termini di prestazioni possono essere ancora più significativi. Tuttavia, la quantizzazione può talvolta portare a una degradazione inaccettabile dell'accuratezza. In questo intervento presentiamo una panoramica dei metodi per quantizzare in modo efficiente i modelli YOLOv8, rendendoli una scelta eccellente per varie applicazioni di intelligenza artificiale in tempo reale. Introduciamo anche una classe di modelli YOLOv8 con funzione di attivazione ReLU6 che mostrano eccellenti risultati di quantizzazione post-addestramento su una varietà di architetture di modelli e set di dati. Infine, illustriamo come i modelli quantizzati possano essere distribuiti su diverse opzioni hardware, come CPU, Edge TPU e Orca (l'acceleratore HW di DeGirum), utilizzando semplici API.

Ultralytics è la sede di modelli di computer vision all'avanguardia e di ultima generazione per compiti come la classificazione delle immagini, il rilevamento degli oggetti, la segmentazione delle immagini e la stima delle pose. Weights & Biases è una piattaforma MLOps, sviluppata per gli sviluppatori, che, integrata con un flusso di lavoro Ultralytics, ci permette di gestire facilmente i nostri esperimenti, i checkpoint dei modelli e di visualizzare i risultati dei nostri esperimenti in modo perspicace e intuitivo. In questa sessione esploreremo come potenziare efficacemente i nostri flussi di lavoro di computer vision utilizzando Ultralytics e Weights & Biases.

Scoprite come abbiamo creato PatentPT, una soluzione avanzata di modelli linguistici che migliora notevolmente le capacità di ricerca e interazione con i brevetti. La presentazione offre spunti pratici sulla messa a punto e l'implementazione di modelli linguistici di grandi dimensioni e sull'utilizzo di agenti di memoria di livello aziendale per il completamento automatico dei brevetti, la generazione di abstract e rivendicazioni e l'esecuzione di funzioni avanzate di ricerca di brevetti utilizzando il ricco corpus di brevetti. Vi spiegheremo come sviluppare una soluzione simile utilizzando Deep Lake di Activeloop, il Database for AI, modelli LLM open-source, l'hardware HPU Habana Gaudi e le API di inferenza LLM di Amazon Sagemaker.

Vi illustreremo i progetti architettonici e tutti i passaggi che abbiamo seguito per costruire la soluzione, dall'addestramento del nostro modello LLM e la sua messa a punto, alla creazione di funzionalità personalizzate e alla distribuzione delle API di ricerca.

Che siate professionisti dell'IA alla ricerca di guide pratiche per la messa a punto degli LLM, professionisti del settore legale interessati a sfruttare l'IA per la ricerca di brevetti o semplicemente curiosi del futuro delle soluzioni basate sull'IA, il nostro intervento offre uno sguardo al processo e al potenziale dell'uso degli LLM in un campo specializzato. Unisciti a noi mentre condividiamo il nostro viaggio nella costruzione di applicazioni personalizzate alimentate da Deep Lake, il database per l'IA per aziende grandi e piccole.

Le aziende open source sono costruite in modo diverso. In questo intervento, parleremo di ciò che gli investitori cercheranno quando prenderanno in considerazione l'idea di investire nella Serie A. Spoiler: forse non avete bisogno di entrate, ma sicuramente avete bisogno di slancio! Condivideremo le migliori metriche di altre aziende OSS per aiutarvi a capire quando investire.