Знакомство с конвейерами активного обучения DagsHub

В этом обзоре рассказывается еще об одном выступлении на мероприятии YOLO VISION 2023 (YV23). На этом мероприятии при поддержке Ultralytics, которое прошло в кампусе Google for Startups в Мадриде, Йоно Миттлефелдт, бывший специалист по машинному обучению в DagsHub, выступил с докладом о создании конвейеров активного обучения.

Введение и обзор#

Доклад начался с введения в конвейеры активного обучения и различия между активным обучением и традиционными методами обучения с учителем.

Подготовка данных#

Первый шаг закладывает основу конвейера активного обучения: импорт зависимостей, настройка источника данных и дополнение метаданных исходными аннотациями.

Обучение модели#

Когда данные готовы, следующий шаг — обучение модели. Используя набор данных Ultralytics YOLOv8 и его YAML-файл, Йоно добавил обратные вызовы для записи параметров и метрик во время обучения, чтобы можно было легко отслеживать и сравнивать каждый запуск.

Цикл активного обучения#

Следующий шаг — цикл активного обучения, итеративный процесс, включающий загрузку предварительно обученных моделей, оценку неразмеченных данных и выбор самых информативных примеров для аннотирования. Каждый цикл пополняет источник данных новыми предсказаниями, благодаря чему модель улучшается с каждой итерацией.

Активное обучение для сегментации изображений#

Затем Йоно применил активное обучение для сегментации изображений. Предсказания отправлялись в Label Studio для аннотирования. На этом примере было показано, как модель сегментации может улучшаться на протяжении нескольких циклов.

Использование Label Studio#

Label Studio — ключевой инструмент в этом конвейере. В проектах хранятся аннотированные данные, а серверы Label Studio подключаются к API задач. Связь задач с названиями проектов помогает упорядочить рабочий процесс и облегчает совместную работу.

Подводя итоги#

В завершение доклада Йоно ответил на вопросы аудитории, затронув темы от оптимизации конвейеров для конкретных задач до воспроизводимости и документации.

В целом доклад показал, как активное обучение может повысить эффективность разметки данных и обучения моделей. Мы надеемся развивать эти идеи при поддержке и участии нашего сообщества.

Смотри полное выступление на YouTube.