YOLO VISION 2022: a nova fronteira da IA para visão computacional

Nossa primeira edição do YOLO VISION aconteceu em 27 de setembro de 2022. Desde a entrada da IA no setor automotivo até a análise em tempo real da produção de frutas, ouvimos palestras inspiradoras de usuários do YOLOv5 de diversas áreas.

Um dos aspectos que tornaram este evento especial foi a grande variedade de experiências dos palestrantes. Com representantes de 18 empresas participantes, os palestrantes compartilharam perspectivas de todas as etapas do processo de ML. Entre eles estavam empresas parceiras como Comet, Deci, ClearML, Paperspace e Roboflow, além de outras do universo de código aberto, como Baidu, Meituan e OpenMMLab.

Redefinindo o estado da arte com o Ultralytics YOLOv5#

Quer saber a história por trás da criação do Ultralytics YOLOv5 e a metodologia usada em P&D?

Conheça em detalhes a abordagem holística usada para escolher as melhores arquiteturas com Glenn Jocher, nosso fundador e CEO aqui na Ultralytics, e Ayush Chaurasia, nosso engenheiro de ML.

Grandes arquiteturas de modelos, como o Ultralytics YOLOv5, são essenciais para obter resultados úteis em aprendizado de máquina. Mas os modelos só são tão bons quanto seus conjuntos de dados. Joseph Nelson, CEO e cofundador da nossa parceira Roboflow, mostrou o impacto da qualidade dos conjuntos de dados nos resultados em produção. As conclusões se baseiam em mais de 10.000 tarefas de treinamento de visão e na comunidade de código aberto Roboflow Universe, com mais de 90.000 conjuntos de dados.

Na sessão, Joseph também destacou as principais diferenças entre pesquisa e produção que permitem aos desenvolvedores ajustar seus conjuntos de dados para obter resultados relevantes mais rapidamente.

Saiba mais sobre a qualidade dos conjuntos de dados e seu impacto para levar seu modelo de CV a resultados de produção!

Práticas recomendadas para validar seu modelo de ML e seus dados antes da implantação#

Hoje, todo software tradicional passa por testes abrangentes de vários tipos antes da implantação, reduzindo significativamente o risco de falhas em produção.

Como podemos adaptar essas ideias ao mundo do ML, orientado por estatísticas?

Aishwarya Srinivasan, cientista de dados no Google e defensora de desenvolvedores de código aberto na Deepchecks, fala sobre a empolgação de criar soluções para desafios do mundo real. No Google, ela desenvolve soluções de aprendizado de máquina para casos de uso de clientes, aproveitando produtos essenciais do Google, incluindo TensorFlow, DataFlow e AI Platform.

Aishwarya participou do YOLO VISION para conversar sobre práticas recomendadas e dicas práticas para testar e analisar seu modelo de forma abrangente. Confira a palestra para entender a diferença entre testar software e testar ML.

Projetos de código aberto que viabilizam o futuro da IA de visão computacional#

Organizamos um painel em que reunimos outros integrantes da família de arquiteturas YOLO, além de outras das principais arquiteturas de AI de visão de código aberto do setor.

Nessa ocasião, o YOLOv6 da Meituan, o MMDetection da OpenMMLab CN e o PaddlePaddle da Baidu, Inc. se juntaram ao Ultralytics YOLOv5 para discutir projetos de código aberto que impulsionam o futuro da AI de visão.

Foi a primeira vez que esses principais repositórios de AI de visão dividiram o palco. Se você perdeu este painel, assista ao vídeo em que Bo Zhang, Glenn Jocher, Guanzhong Wang, Wenwei Zhang e Yixin Shi discutiram suas escolhas de frameworks e designs, a evolução da estrutura dos repositórios e muito mais!

Como diz nosso CEO Glenn Jocher: “Todos pudemos aprender com as ferramentas e experiências uns dos outros.”

Os dados visuais estão explodindo#

Os sistemas de gerenciamento de dados visuais são deficientes em todos os aspectos: armazenamento, qualidade, pesquisa, análise e visualização. Como consequência, empresas e pesquisadores estão perdendo confiabilidade de produtos, horas de trabalho, espaço de armazenamento, capacidade computacional e, acima de tudo, a capacidade de liberar todo o potencial dos dados.

Nesta palestra, Dr. Danny Bickson nos ensinou a resolver esse problema com sua popular ferramenta gratuita do GitHub, Fastdup.

FastDup é uma ferramenta para obter insights de grandes coleções de imagens. Ela encontra anomalias, imagens duplicadas e quase duplicadas, agrupamentos de similaridade e aprende o comportamento normal e as interações temporais entre imagens. Pode ser usada para fazer subamostragem inteligente de um conjunto de dados de maior qualidade, remover valores atípicos e detectar novidades em informações que serão enviadas para anotação.

Especialista em análise de big data e aprendizado de máquina em larga escala, Danny Bickson tem mais de 15 anos de experiência no setor de alta tecnologia. Talvez você o conheça da Turi, uma plataforma de aprendizado de máquina que cria produtos de análise de big data para seus usuários. Em 2016, a Apple adquiriu a Turi, onde o Dr. Danny Bickson trabalhou como gerente sênior de ciência de dados por vários anos.

Sua porta de entrada para a IA de visão#

E, por fim, tivemos o prazer de anunciar oficialmente o lançamento da nossa Ultralytics Platform!

A Ultralytics Platform é nossa solução sem código para treinar e implantar modelos de IA em três etapas simples! Dê vida aos seus modelos escolhendo os dados com os quais eles vão aprender.

Nossos especialistas e criadores das ferramentas, Kalen Michael e Sergio Sánchez, nos apresentaram a Ultralytics Platform e explicaram todos os recursos e funcionalidades. Saiba mais sobre a Ultralytics Platform e comece a criar seus modelos gratuitamente!

Encontre todas as sessões gravadas no nosso canal do YouTube!

Estamos muito felizes com a participação no YOLO VISION e por criar um evento onde especialistas do mundo todo podem se reunir para aprender sobre AI de visão. Acompanhe nossas novidades nas redes sociais. Até o próximo ano no YOLO VISION 2023!