YOLO VISION 2022: новые рубежи компьютерного зрения

Наш первый YOLO VISION состоялся 27 сентября 2022 года. От внедрения ИИ в автомобильную промышленность до анализа производства фруктов в реальном времени — мы прослушали вдохновляющие доклады пользователей YOLOv5 из самых разных областей.

Особенностью этого мероприятия стало огромное разнообразие профессионального опыта наших спикеров. Вместе с представителями 18 компаний-участниц докладчики поделились инсайтами по всем аспектам процесса машинного обучения. Среди них — наши компании-партнеры, такие как Comet, Deci, ClearML, Paperspace и Roboflow, а также другие представители open-source сообщества, например, китайские гиганты Baidu, Meituan и OpenMMLabs.

Link to this sectionПереосмысление современных стандартов с помощью YOLOv5#

Интересуешься историей создания YOLOv5 и методологией, которая использовалась для R&D?

Погрузись в детали комплексного подхода к выбору лучших архитектур вместе с Гленном Джочером, нашим основателем и CEO в Ultralytics, и Аюшем Чаурасией, нашим инженером по машинному обучению.

Отличные архитектуры моделей, такие как YOLOv5, критически важны для получения полезных результатов в машинном обучении. Но модели хороши ровно настолько, насколько хороши их наборы данных. Джозеф Нельсон, CEO и сооснователь нашего партнера Roboflow, показал влияние качества данных на производственные результаты. Эти выводы основаны на более чем 10 000 задачах обучения компьютерного зрения и использовании открытого сообщества Roboflow Universe, насчитывающего более 90 000 наборов данных.

В своей сессии Джозеф также продемонстрировал ключевые различия между исследованиями и реальным производством, которые позволяют разработчикам оптимизировать свои наборы данных для более быстрого получения значимых результатов.

Узнай о качестве наборов данных и его влиянии на вывод твоей модели CV на промышленный уровень!

Link to this sectionЛучшие практики проверки модели машинного обучения и данных перед развертыванием#

Любой фрагмент традиционного программного обеспечения сегодня проходит комплексное тестирование различных типов перед развертыванием, что значительно снижает риск производственных сбоев.

Как адаптировать эти идеи к статистически ориентированному миру машинного обучения?

Айшвария Сринивасан, специалист по анализу данных в Google и Open Source Developer Advocate в Deepchecks, рассказывает об искреннем воодушевлении от создания решений, способных преодолеть реальные вызовы. В Google она создает ML-решения для клиентских задач, используя основные продукты Google, включая TensorFlow, DataFlow и AI Platform.

Айшвария присоединилась к нам на YOLO VISION, чтобы обсудить лучшие практики и дать практические советы по всестороннему тестированию и анализу твоей модели. Посмотри её доклад, чтобы узнать разницу между тестированием обычного ПО и тестированием машинного обучения.

Link to this sectionOpen-source проекты, открывающие будущее ИИ в области компьютерного зрения#

Мы провели панельную дискуссию, на которой собрали вместе представителей семейства архитектур YOLO, а также другие ведущие open-source архитектуры компьютерного зрения.

Здесь YOLOv6 от Meituan, MMDetection от OpenMMLab CN и PaddlePaddle от Baidu, Inc. присоединились к нашему YOLOv5 от Ultralytics, чтобы обсудить open-source проекты, формирующие будущее ИИ в компьютерном зрении.

Это был первый случай, когда ведущие репозитории ИИ в компьютерном зрении оказались на одной сцене. Если ты пропустил эту панельную дискуссию, посмотри видео, в котором Бо Чжан, Гленн Джочер, Гуаньчжун Ван, Вэньвэй Чжан и Исинь Ши обсудили выбор фреймворков, дизайн, эволюцию структуры репозиториев и многое другое!

Как говорит наш CEO Гленн Джочер: «Мы все смогли поучиться на инструментах и опыте друг друга».

Link to this sectionОбъемы визуальных данных стремительно растут#

Системы управления визуальными данными несовершенны во всех аспектах: хранение, качество, поиск, аналитика и визуализация. Как следствие, компании и исследователи теряют в надежности продуктов, тратя рабочее время, ресурсы на хранение и вычисления, и, что самое важное, теряют возможность полностью раскрыть потенциал своих данных.

В этом докладе д-р Дэнни Биксон рассказал, как решить эту проблему с помощью своего популярного бесплатного GitHub-инструмента Fastdup.

Fastdup — это инструмент для получения инсайтов из больших коллекций изображений. Он может находить аномалии, дубликаты и похожие изображения, кластеры схожести, а также изучать нормальное поведение и временные взаимодействия между изображениями. Его можно использовать для «умной» субдискретизации высококачественных наборов данных, удаления выбросов и обнаружения новой информации, требующей маркировки.

Будучи экспертом в области аналитики больших данных и крупномасштабного машинного обучения, Дэнни Биксон имеет более чем 15-летний опыт работы в сфере высоких технологий. Возможно, ты знаешь его по работе в Turi — ML-платформе, создающей продукты для аналитики больших данных. В 2016 году Turi была приобретена Apple, где д-р Дэнни Биксон несколько лет проработал старшим менеджером по Data Science.

Link to this sectionТвой путь в мир ИИ для компьютерного зрения#

И наконец, мы с радостью официально объявляем о запуске нашей платформы Ultralytics.

Ultralytics Platform — это наше no-code решение для обучения и развертывания моделей ИИ всего за три простых шага! Оживи свои модели, выбрав данные, на которых они будут учиться.

Наши эксперты и создатели инструментов, Кален Майкл и Серхио Санчес, провели обзор Ultralytics Platform и объяснили все её функции и возможности. Узнай больше об Ultralytics Platform и начни создавать свои модели бесплатно!

Все записи сессий можно найти на нашем YouTube-канале!

Мы в восторге от количества участников YOLO VISION и рады создать мероприятие, на котором эксперты со всего мира могут встретиться, чтобы узнать больше об ИИ в компьютерном зрении. Оставайся на связи, подписавшись на наши социальные сети. Увидимся в следующем году на YOLO VISION 2023!