Descubre las ideas de YOLO VISION 2022 con charlas sobre la IA en diversos sectores y lo último en aprendizaje automático de la mano de expertos de Ultralytics .
Nuestra primera YOLO VISION tuvo lugar el 27 de septiembre de 2022. Desde la entrada de la IA en la industria del automóvil hasta el análisis en tiempo real de la producción de fruta, escuchamos charlas inspiradoras de usuarios de YOLOv5 de todos los ámbitos.
Algo que hizo especial este evento fue la gran variedad de procedencias de los ponentes. Junto con representantes de 18 empresas participantes, los ponentes ofrecieron perspectivas de todos los aspectos del proceso de ML. Entre ellas, nuestras empresas asociadas como Comet, DeciClearML, Paperspace, y Roboflow, así como otras del espacio de código abierto como los gigantes chinos Baidu, Meituan y OpenMMLabs.
¿Te preguntas cuál es la historia de la creación de YOLOv5 y la metodología utilizada para la I+D?
Sumérgete en los detalles del enfoque holístico utilizado para elegir las mejores arquitecturas con Glenn Jocher, nuestro Fundador y Director General aquí en Ultralytics, y Ayush Chaurasia, nuestro Ingeniero de ML.
Las grandes arquitecturas de modelos, como YOLOv5 , son cruciales para obtener resultados útiles en el aprendizaje automático. Pero los modelos son tan buenos como sus conjuntos de datos. Joseph Nelson, Director General y Cofundador de nuestro socio Roboflow, mostró el impacto de la calidad del conjunto de datos en los resultados de producción. Las ideas se basan en más de 10.000 trabajos de formación de visión y en la comunidad de código abierto de Roboflow Universe, con más de 90.000 conjuntos de datos.
En su sesión, Joseph también mostró las diferencias clave entre investigación y producción que permiten a los desarrolladores piratear sus conjuntos de datos para obtener resultados significativos más rápidamente.
Infórmate sobre la calidad de los conjuntos de datos y su repercusión a la hora de conseguir que tu modelo de CV alcance el valor de producción.
Hoy en día, cada pieza de software tradicional pasa por pruebas exhaustivas de varios tipos antes de su despliegue, lo que reduce significativamente el riesgo de fallos de producción.
¿Cómo podemos adaptar estas ideas al mundo estadístico del ML?
Aishwarya Srinivasan, Científica de Datos en Google y Defensora de los Desarrolladores de Código Abierto en Deepchecks, habla de la mera emoción que hay detrás de construir soluciones capaces de resolver retos del mundo real. En Google, crea soluciones de aprendizaje automático para casos de uso de clientes, aprovechando los productos principales de Google , como TensorFlow, DataFlow y AI Platform.
Aishwarya se unió a nosotros en YOLO VISION para hablar de las mejores prácticas y consejos prácticos para probar y analizar exhaustivamente tu modelo. Echa un vistazo a su charla para conocer la diferencia entre probar software y probar ML.
Organizamos un panel innovador en el que reunimos a otros miembros de la familia de arquitecturas YOLO , así como a otras arquitecturas de IA de visión de código abierto de primera línea en el espacio.
Aquí, YOLOv6 de Meituan, MMDetection de OpenMMLab CN y PaddlePaddle de Baidu, Inc. se unieron a nosotros como Ultralytics' YOLOv5 para hablar de los proyectos de código abierto que hacen posible el futuro de la IA de visión.
Era la primera vez que estos repositorios de IA de visión superior compartían escenario. Si te perdiste este panel, mira este vídeo en el que Bo Zhang, Glenn Jocher, Guanzhong Wang, Wenwei Zhang y Yixin Shi hablaron de su elección de marcos, diseños, la evolución de la estructura de los repositorios y mucho más.
Como dice nuestro director general, Glenn Jocher: "Todos pudimos aprender de las herramientas y experiencias de los demás".
Los sistemas de gestión visual de datos tienen carencias en todos los aspectos: almacenamiento, calidad, búsqueda, análisis y visualización. Como consecuencia, las empresas y los investigadores están perdiendo fiabilidad de los productos, horas de trabajo, almacenamiento desperdiciado, informática y, lo que es más importante, la capacidad de liberar todo el potencial de sus datos.
En esta charla, el Dr. Danny Bickson nos enseñó a resolver este problema con su popular herramienta gratuita de GitHub, Fastdup.
FastDup es una herramienta para obtener información de una gran colección de imágenes. Puede encontrar anomalías, imágenes duplicadas y casi duplicadas, grupos de similitud, y aprender el comportamiento normal y las interacciones temporales entre imágenes. Puede utilizarse para el submuestreo inteligente de un conjunto de datos de mayor calidad, la eliminación de valores atípicos y la detección de novedades de nueva información que se enviará para su etiquetado.
Experto en analítica de big data y aprendizaje automático a gran escala, Danny Bickson tiene más de 15 años de experiencia en la industria de la alta tecnología. Puede que le conozcas por Turi, una plataforma de aprendizaje automático que crea productos de análisis de grandes datos para sus usuarios. En 2016, Turi fue adquirida por Apple, donde el Dr. Danny Bickson trabajó como Director Senior de Ciencia de Datos durante varios años.
Y, por último, tuvimos el placer de anunciar formalmente el lanzamiento de nuestro proyecto Ultralytics HUB¡!
Ultralytics HUB es nuestra solución sin código para entrenar y desplegar modelos de IA en tres sencillos pasos. Da vida a tus modelos eligiendo de qué datos deben aprender.
Nuestros expertos, y creadores de las herramientas, Kalen Michael y Sergio Sánchez, nos llevaron a dar un paseo por Ultralytics HUB y nos explicaron todas las características y funcionalidades ¡Aprende más sobre Ultralytics HUB y empieza a crear tus modelos gratis!
¡Encuentra todas las sesiones grabadas en nuestro canal de YouTube!
Estamos encantados con la participación en YOLO VISION y felices de crear un evento en el que expertos de todo el mundo puedan reunirse para aprender sobre la IA de visión, mantente al día con nosotros siguiéndonos en las redes sociales. ¡Nos vemos el año que viene en YOLO VISION 2023!
Comienza tu viaje con el futuro del aprendizaje automático
