Узнайте о выводах YOLO VISION 2022 с докладами об искусственном интеллекте в различных отраслях и о последних достижениях в машинном обучении от экспертов Ultralytics.
Наша первая конференция YOLO VISION состоялась 27 сентября 2022 года. От внедрения ИИ в автомобильную промышленность до анализа производства фруктов в режиме реального времени — мы слушали вдохновляющие доклады пользователей YOLOv5 со всего мира.
Особенностью этого мероприятия стало разнообразие опыта спикеров. Представители 18 участвующих компаний поделились своими знаниями по всем аспектам процесса машинного обучения. Среди них наши компании-партнеры, такие как Comet, Deci, ClearML, Paperspace и Roboflow, а также другие участники пространства открытого исходного кода, такие как китайские гиганты Baidu, Meituan и OpenMMLabs.
Интересуетесь историей создания YOLOv5 и методологией, используемой для исследований и разработок?
Узнайте подробнее о целостном подходе, используемом для выбора лучших архитектур, от Гленна Джохера, нашего основателя и генерального директора Ultralytics, и Аюша Чаурасии, нашего инженера по машинному обучению.
Эффективные архитектуры моделей, такие как YOLOv5, имеют решающее значение для получения полезных результатов в машинном обучении. Но модели хороши настолько, насколько хороши их наборы данных. Джозеф Нельсон, генеральный директор и соучредитель нашего партнера Roboflow, показал влияние качества набора данных на результаты в production. Эти выводы основаны на более чем 10 000 задачах обучения компьютерному зрению и open-source сообществе Roboflow Universe, насчитывающем более 90 000 наборов данных.
В своем докладе Джозеф также продемонстрировал ключевые различия между исследованиями и производством, которые позволяют разработчикам взламывать свои наборы данных, чтобы быстрее получать значимые результаты.
Узнайте о качестве набора данных и его влиянии на вывод вашей модели CV в производственную среду!
Сегодня каждое традиционное программное обеспечение перед развертыванием проходит всестороннее тестирование различных типов, что значительно снижает риск производственных сбоев.
Как мы можем адаптировать эти идеи к миру машинного обучения, ориентированному на статистику?
Айшвария Сринивасан, специалист по данным в Google и адвокат по разработке открытого исходного кода в Deepchecks, рассказывает об огромном восторге от создания решений, способных решать реальные задачи. В Google она создает решения машинного обучения для вариантов использования клиентами, используя основные продукты Google, включая TensorFlow, DataFlow и AI Platform.
Аишвария присоединилась к нам на YOLO VISION, чтобы обсудить лучшие практики и практические советы по всестороннему тестированию и анализу вашей модели. Посмотрите ее выступление, чтобы узнать разницу между тестированием программного обеспечения и тестированием машинного обучения.
Мы провели новаторскую панельную дискуссию, на которой собрали вместе других представителей семейства архитектур YOLO, а также другие ведущие архитектуры Vision AI с открытым исходным кодом.
Здесь Meituan’s YOLOv6, OpenMMLab CN's MMDetection и Baidu, Inc.'s PaddlePaddle присоединились к нам, Ultralytics' YOLOv5, чтобы обсудить проекты с открытым исходным кодом, обеспечивающие будущее Vision AI.
Это был первый случай, когда эти ведущие репозитории vision AI разделили сцену. Если вы пропустили эту панель, посмотрите это видео, где Бо Чжан, Гленн Джохер, Гуаньчжун Ван, Вэньвэй Чжан и Исинь Ши обсудили свой выбор фреймворков, дизайны, эволюцию структуры репозитория и многое другое!
Как говорит наш генеральный директор Гленн Йохер: “Мы все должны учиться на инструментах и опыте друг друга”.
Системам управления визуальными данными не хватает всего: хранения, качества, поиска, аналитики и визуализации. Как следствие, компании и исследователи теряют надежность продукции, рабочее время, тратят впустую хранилища, вычислительные ресурсы и, самое главное, возможность раскрыть весь потенциал своих данных.
В этом докладе доктор Дэнни Биксон рассказал нам, как решить эту проблему с помощью своего популярного бесплатного инструмента GitHub, Fastdup.
FastDup — это инструмент для получения информации из большой коллекции изображений. Он может находить аномалии, дубликаты и почти дубликаты изображений, кластеры сходства, а также изучать нормальное поведение и временные взаимодействия между изображениями. Его можно использовать для интеллектуальной подвыборки более качественного набора данных, удаления выбросов и обнаружения новизны новой информации, отправляемой для тегирования.
Дэнни Биксон, эксперт в области анализа больших данных и крупномасштабного машинного обучения, имеет более чем 15-летний опыт работы в сфере высоких технологий. Вы можете знать его по Turi, платформе машинного обучения, которая создает продукты для анализа больших данных для своих пользователей. В 2016 году компания Turi была приобретена Apple, где доктор Дэнни Биксон несколько лет работал старшим менеджером по науке о данных.
И, наконец, мы с удовольствием официально объявляем о запуске нашего Ultralytics HUB!
Ultralytics HUB — это наше решение без кода для обучения и развертывания моделей ИИ в три простых шага! Воплотите свои модели в жизнь, выбрав данные, на которых они будут учиться.
Наши эксперты и создатели инструментов, Кален Майкл и Серхио Санчес, провели для нас ознакомительную экскурсию по Ultralytics HUB и объяснили все функции и возможности. Узнайте больше об Ultralytics HUB и начните создавать свои модели бесплатно!
Все записи сессий доступны на нашем YouTube-канале!
Мы очень довольны посещаемостью YOLO VISION и рады создать мероприятие, где эксперты со всего мира могут присоединиться, чтобы узнать о vision AI, оставайтесь в курсе, следя за нами в социальных сетях. Увидимся в следующем году на YOLO VISION 2023!
.webp)