27 tháng 12, 2022
Khám phá hành trình đầy cảm hứng của Lians Wanjiku vào lĩnh vực AI và khoa học dữ liệu, đồng thời tìm hiểu cách YOLOv5 đang định hình tương lai của việc phát hiện đối tượng.
.webp)
Các doanh nghiệp đang áp dụng trí tuệ nhân tạo nhanh hơn bao giờ hết để đơn giản hóa quy trình. Ví dụ: AI có thể được sử dụng để tự động hóa các tác vụ dịch vụ khách hàng, giúp bác sĩ chẩn đoán bệnh, cải thiện kết quả của công cụ tìm kiếm, điều khiển xe tự lái, v.v. Danh sách này còn tiếp tục...
Khi AI trở nên phổ biến trong cuộc sống hàng ngày, câu hỏi về sự đa dạng và hòa nhập trong công nghệ vẫn là một mối quan tâm đáng kể. Đặc biệt, tình trạng thiếu đại diện dai dẳng của phụ nữ trong khoa học dữ liệu và AI, bao gồm cả khoảng cách dữ liệu về giới, dẫn đến việc mã hóa và khuếch đại sự thiên vị trong các sản phẩm kỹ thuật và hệ thống thuật toán, tạo ra các vòng phản hồi có hại.
"Để thực sự đa dạng, bạn cần đưa những người có tư duy khác biệt vào AI."
Kay Firth-Butterfield
Trưởng bộ phận AI & Machine Learning và Thành viên Ủy ban điều hành
AI là một trong những lĩnh vực mà phụ nữ có thể đạt được thành công to lớn, đặc biệt là với sự thúc đẩy phù hợp để tăng cường sự tham gia của phụ nữ vào ngành.
Giới thiệu Lians Wanjiku, người đam mê Khoa học Dữ liệu và Học Máy. Tại đây, chúng ta sẽ cùng nhau khám phá hành trình của cô ấy vào khoa học dữ liệu và truyền cảm hứng cho những phụ nữ trẻ tham gia vào phong trào công nghệ.
Lians là sinh viên năm cuối và là thực tập sinh trợ lý nghiên cứu tại trung tâm khoa học dữ liệu của Đại học Công nghệ Dedan Kimathi ở Kenya.
Nhận thấy việc trích xuất thông tin chi tiết từ dữ liệu rất đơn giản, Lians đã nảy sinh sự quan tâm đến Machine Learning. Cô ấy đã tham gia một cộng đồng khoa học dữ liệu khoảng một năm trước và rất quan tâm đến việc theo đuổi nó như một nghề nghiệp. Đối với Lians, thật tuyệt vời khi khoa học dữ liệu và AI thúc đẩy tương lai!
Lians chỉ mới bắt đầu với YOLOv5 vài tháng trước! Làm việc với hình ảnh của nhiều loài động vật khác nhau, mục tiêu chính của việc làm việc với YOLOv5 như một mô hình phát hiện đối tượng là phân loại các loài động vật trong khu bảo tồn của trường cô ấy. Sau đó trong dự án, cô ấy nhận ra rằng sau khi phân loại, mô hình có thể tự động chú thích tất cả các hình ảnh. Điều này giúp giảm bớt nỗ lực của con người và tiết kiệm thời gian chú thích hình ảnh.
Lians cũng đã thử nghiệm với các mô hình phát hiện đối tượng được huấn luyện trước khác, chẳng hạn như TFOD và YOLOv3, vì ban đầu, cô ấy cần có được kiến thức và kỹ năng về PyTorch. Tuy nhiên, sau khi tìm thấy YOLOv5 thông qua nghiên cứu, cô ấy đã nhanh chóng triển khai nó. Đối với Lian, mô hình này hoạt động tốt nhất vì nó nhẹ, dễ sử dụng và cung cấp độ chính xác tốt nhất.
"Điều tuyệt vời nhất là bạn có thể bắt đầu chỉ với một vài dòng code!"
Lians khuyên dùng YOLOv5 cho bất kỳ ai mới làm quen với lĩnh vực này. Theo lời cô ấy, "YOLOv5 được xây dựng để phát hiện đối tượng, vì vậy nó rất giỏi trong việc này! Vì có ít thao tác và ít mã cần viết hơn, YOLO là một trong những thuật toán phát hiện đối tượng nổi tiếng nhất nhờ tốc độ và độ chính xác của nó."
Lians sẵn sàng hợp tác trên GitHub và sẵn sàng trò chuyện trên Twitter, cô ấy cũng xuất bản các bài viết về các dự án mà cô ấy đang thực hiện. Hãy xem bài viết của cô ấy: Giới thiệu về Phát hiện Đối tượng với YOLOv5!
Tôi đã triển khai mô hình phát hiện đối tượng trên một số video có cả ngựa vằn và linh dương impala và.... Từ góc độ này, tôi nghĩ tôi sẽ phải quay lại bếp và làm việc với nhiều dữ liệu hơn và hoàn thiện mô hình. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri
— lian.s__ (@lians___) Ngày 29 tháng 11 năm 2022
Cảm ơn bạn đã đọc về trải nghiệm của Lians. Với tư cách là Ultralytics, chúng tôi mong muốn có thêm nhiều phụ nữ tham gia vào lĩnh vực này. Chúng tôi sẽ tiếp tục làm cho AI trở nên dễ dàng hơn cho mọi người, hãy theo dõi!
