Descubra insights da YOLO VISION 2022 com palestras sobre IA em vários setores e as últimas novidades em machine learning de especialistas da Ultralytics.

Descubra insights da YOLO VISION 2022 com palestras sobre IA em vários setores e as últimas novidades em machine learning de especialistas da Ultralytics.

Nosso primeiro YOLO VISION aconteceu em 27 de setembro de 2022. Desde a entrada da IA na indústria automotiva até a análise em tempo real da produção de frutas, ouvimos palestras inspiradoras de usuários do YOLOv5 em todos os setores.
Algo que tornou este evento especial foi a grande variedade de históricos dos palestrantes. Juntando-se a representantes de 18 empresas participantes, os palestrantes apresentaram insights de todos os aspetos do processo de ML. Entre eles, estão as nossas empresas parceiras, como a Comet, Deci, ClearML, Paperspace e Roboflow, bem como outras no espaço de código aberto, como os gigantes chineses Baidu, Meituan e OpenMMLabs.
Quer saber a história por trás da criação do YOLOv5 e a metodologia usada para P&D?
Mergulhe nos detalhes da 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.
Arquiteturas de modelos excelentes como o YOLOv5 são cruciais para obter resultados úteis em machine learning. Mas os modelos são tão bons quanto os seus conjuntos de dados. Joseph Nelson, CEO e cofundador do nosso parceiro Roboflow, mostrou o impacto da qualidade do conjunto de dados nos resultados de produção. Os insights são informados por mais de 10.000 trabalhos de treino de visão e pela comunidade de código aberto Roboflow Universe de mais de 90.000 conjuntos de dados.
Em sua sessão, Joseph também mostrou as principais diferenças entre pesquisa e produção que permitem aos desenvolvedores manipular seus conjuntos de dados para obter resultados significativos mais rapidamente.
Saiba mais sobre a qualidade do conjunto de dados e seu impacto em levar seu modelo de CV ao valor de produção!
Todo software tradicional hoje passa por testes abrangentes de vários tipos antes da implementação, reduzindo significativamente o risco de falhas na produção.
Como podemos adaptar estas ideias ao mundo da ML orientado estatisticamente?
Aishwarya Srinivasan, Cientista de Dados no Google e Defensora de Código Aberto na Deepchecks, fala sobre a pura empolgação por trás da construção de soluções capazes de resolver desafios do mundo real. No Google, ela cria soluções de aprendizado de máquina para casos de uso de clientes, aproveitando os principais produtos do Google, incluindo TensorFlow, DataFlow e AI Platform.
A Aishwarya se juntou a nós no YOLO VISION para discutir as melhores práticas e dicas práticas para testar e analisar extensivamente seu modelo. Confira a palestra dela para aprender a diferença entre Testing Software e Testing ML.
Apresentamos um painel inovador onde reunimos outros membros da família de arquitetura YOLO, bem como outras arquiteturas de visão de IA de código aberto de ponta no espaço.
Aqui, o YOLOv6 da Meituan, o MMDetection da OpenMMLab CN e o PaddlePaddle da Baidu, Inc. juntaram-se a nós como YOLOv5 da Ultralytics para discutir projetos de código aberto que possibilitam o futuro da visão de IA.
Esta foi a primeira vez que estes principais repositórios de visão de IA compartilharam o palco. Se você perdeu este painel, assista a este vídeo onde Bo Zhang, Glenn Jocher, Guanzhong Wang, Wenwei Zhang e Yixin Shi discutiram sua escolha de frameworks, designs, a evolução da estrutura do repositório e muito mais!
Como diz nosso CEO Glenn Jocher, “Todos nós temos que aprender com as ferramentas e experiências uns dos outros.”
Os sistemas de gestão de dados visuais são deficientes em todos os aspetos: armazenamento, qualidade, pesquisa, análise e visualização. Como consequência, as empresas e os investigadores estão a perder fiabilidade do produto, horas de trabalho, desperdício de armazenamento, computação e, mais importante, a capacidade de desbloquear todo o potencial dos seus dados.
Nesta palestra, o Dr. Danny Bickson nos ensinou como resolver esse problema com sua popular ferramenta gratuita do GitHub, Fastdup.
O FastDup é uma ferramenta para obter insights de uma grande coleção de imagens. Ele pode encontrar anomalias, imagens duplicadas e quase duplicadas, clusters de similaridade e aprender o comportamento normal e as interações temporais entre as imagens. Ele pode ser usado para subamostragem inteligente de um conjunto de dados de alta qualidade, remoção de outliers e detecção de novidades de novas informações a serem enviadas para marcação.
Especialista em análise de big data e aprendizado de máquina em larga escala, Danny Bickson tem mais de 15 anos de experiência na indústria de alta tecnologia. Você pode conhecê-lo da Turi, uma plataforma de aprendizado de máquina que cria produtos de análise de big data para seus usuários. Em 2016, a Turi foi adquirida pela Apple, onde o Dr. Danny Bickson trabalhou como Gerente Sênior de Ciência de Dados por vários anos.
E, finalmente, tivemos o prazer de anunciar formalmente o lançamento do nosso Ultralytics HUB!
Ultralytics HUB é a nossa solução no-code para treinar e implantar modelos de IA em três passos fáceis! Dê vida aos seus modelos escolhendo os dados dos quais ele deve aprender.
Nossos especialistas e criadores das ferramentas, Kalen Michael e Sergio Sánchez, nos guiaram pelo Ultralytics HUB e explicaram todos os recursos e funcionalidades. Saiba mais sobre o Ultralytics HUB e comece a criar seus modelos gratuitamente!
Encontre todas as sessões gravadas no nosso canal do YouTube!
Estamos entusiasmados com a participação no YOLO VISION e felizes em criar um evento onde especialistas de todo o mundo podem se juntar para aprender sobre visão de IA. Mantenha-se atualizado seguindo-nos nas redes sociais. Vejo você no próximo ano no YOLO VISION 2023!