27 dicembre 2022
Scoprite il viaggio stimolante di Lians Wanjiku nell'IA e nella scienza dei dati e come YOLOv5 sta plasmando il futuro del rilevamento degli oggetti.
.webp)
Le aziende stanno adottando l'intelligenza artificiale più rapidamente che mai per semplificare i processi. Ad esempio, l'intelligenza artificiale può essere utilizzata per automatizzare le attività del servizio clienti, aiutare i medici a diagnosticare le malattie, migliorare i risultati dei motori di ricerca, controllare le auto a guida autonoma, ecc. L'elenco continua...
Mentre l'IA diventa pervasiva nella vita di tutti i giorni, la questione della diversità e dell'inclusione nella tecnologia rimane una preoccupazione significativa. In particolare, la persistente sottorappresentazione delle donne nella scienza dei dati e nell'IA, comprese le lacune nei dati di genere, porta alla codifica e all'amplificazione dei pregiudizi nei prodotti tecnici e nei sistemi algoritmici, creando cicli di feedback dannosi.
"Per essere veramente diversificati, è necessario portare nell'IA persone che pensano in modo diverso".
Kay Firth-Butterfield
Responsabile AI e Machine Learning e Membro del Comitato Esecutivo
L'intelligenza artificiale è uno dei campi in cui le donne possono avere un enorme successo, soprattutto con la giusta spinta alla partecipazione femminile nel settore.
Vi presentiamo Lians Wanjiku, appassionata di Data Science e Machine Learning. Qui, faremo una passeggiata attraverso il suo viaggio nella scienza dei dati e ispireremo le giovani donne a unirsi al movimento tecnologico.
Lians è uno studente dell'ultimo anno e un assistente di ricerca stagista presso il centro di scienza dei dati della Dedan Kimathi University of Technology in Kenya.
Notando quanto sia semplice estrarre informazioni dai dati, Lians si è interessata al Machine Learning. Circa un anno fa è entrata a far parte di una comunità di scienziati dei dati e si è interessata a perseguire questa carriera. Per Lians, è incredibile come la scienza dei dati e l'IA guidino il futuro!
Lians ha iniziato a lavorare con YOLOv5 solo diversi mesi fa! Lavorando con immagini di varie specie animali, l'obiettivo principale di YOLOv5 come modello di rilevamento degli oggetti era quello di classificare le specie animali nella riserva della sua scuola. Più avanti nel progetto, si è resa conto che, dopo la classificazione, il modello poteva annotare automaticamente tutte le immagini. In questo modo è più facile ridurre lo sforzo umano e risparmiare tempo nell'annotazione delle immagini.
Lians ha sperimentato anche altri modelli di rilevamento degli oggetti pre-addestrati, come TFOD e YOLOv3, perché inizialmente doveva acquisire conoscenze e competenze in PyTorch. Tuttavia, dopo aver trovato YOLOv5 attraverso una ricerca, lo ha rapidamente implementato. Per Lian, questo modello è il migliore in quanto è leggero, semplice da usare e fornisce la migliore precisione.
"La parte migliore è che si può iniziare con poche righe di codice!".
Lians raccomanda YOLOv5 a chiunque sia alle prime armi in questo campo. Secondo le sue parole, "YOLOv5 è stato costruito per il rilevamento di oggetti, quindi è bravo in quello che fa! Poiché ci sono meno operazioni e meno codice da scrivere, YOLO è uno degli algoritmi di rilevamento degli oggetti più conosciuti per la sua velocità e precisione".
Lians è aperta a collaborazioni su GitHub e disponibile per una chiacchierata su Twitter; pubblica anche articoli sui progetti a cui sta lavorando. Date un'occhiata al suo articolo: Introduzione al rilevamento di oggetti con YOLOv5!
Ho implementato il modello di rilevamento degli oggetti su alcuni video con zebre e impala e.... Da questo punto di vista, penso che dovrò tornare in cucina e lavorare con più dati per perfezionare il modello. #100daysofcoding @ultralytics #objectdetection @WomenInDataAfri
- lian.s__ (@lians___) 29 novembre 2022
Grazie per aver letto l'esperienza di Lians. Come Ultralytics, non vediamo l'ora che altre donne entrino in questo campo. Continueremo a rendere l'IA più facile per tutti, restate sintonizzati!
IT
EN
ZH
KO
JA
RU
DE
FR
ES
PT
TR
VI
AR.webp)
