DagsHubのアクティブラーニングパイプラインを紹介します

このまとめでは、YOLO VISION 2023 (YV23)の別の講演を紹介します。マドリードのGoogle for Startupsキャンパスで開催されたUltralytics主催のこのイベントで、DagsHubの元機械学習アドボケイトであるYono Mittlefehldtが、アクティブラーニングパイプラインの構築について講演しました。

導入と概要#

講演は、アクティブラーニングパイプラインの概要と、アクティブラーニングと従来の教師あり学習手法との違いの紹介から始まりました。

データの準備#

最初のステップでは、アクティブラーニングパイプラインの基盤を整えます。依存関係のインポート、データソースの設定、初期アノテーションによるメタデータの拡充を行います。

モデルのトレーニング#

データの準備ができたら、次のステップはモデルのトレーニングです。Ultralytics YOLOv8のデータセットとYAMLファイルを使い、Yono氏はトレーニング中にパラメーターとメトリクスを記録するコールバックを追加しました。これにより、各実行を簡単に追跡して比較できます。

アクティブラーニングのサイクル#

次のステップはアクティブラーニングのサイクルです。事前トレーニング済みモデルの読み込み、ラベルなしデータのスコアリング、アノテーションに最も有益なサンプルの選択を繰り返すプロセスです。各サイクルで新しい予測がデータソースに加わるため、反復のたびにモデルが改善します。

画像セグメンテーションのためのアクティブラーニング#

その後、Yono氏はアクティブラーニングを画像セグメンテーションに適用しました。予測結果をアノテーションのためにLabel Studioへ送信し、セグメンテーションモデルが複数回のサイクルを経て改善する様子を紹介しました。

Label Studioの使用#

Label Studioは、このパイプラインの中心的なツールです。プロジェクトにアノテーション済みデータを保存し、Label StudioサーバーがタスクAPIに接続します。タスクとプロジェクト名を対応付けることでワークフローを整理し、共同作業を容易にします。

まとめ#

講演の最後に、Yono氏は聴衆からの質問に答えました。特定のタスクに合わせたパイプラインの最適化から、再現性、ドキュメントに至るまで、幅広い話題を取り上げました。

全体として、この講演ではアクティブラーニングによってデータラベリングとモデルのトレーニングを効率化できることが示されました。コミュニティの支援と参加を得ながら、こうしたアイデアを発展させていくことを楽しみにしています。

YouTubeで講演の全編を見る。