Scopri gli approfondimenti di YOLO VISION 2022 con interventi sull'IA in vari settori e sulle ultime novità dell'apprendimento automatico da parte degli esperti di Ultralytics .
La nostra prima YOLO VISION si è svolta il 27 settembre 2022. Dall'ingresso dell'IA nell'industria automobilistica all'analisi in tempo reale della produzione di frutta, abbiamo ascoltato i discorsi stimolanti di tutti gli utenti di YOLOv5 .
A rendere speciale questo evento è stata l'ampia varietà di background dei relatori. Insieme ai rappresentanti di 18 aziende partecipanti, i relatori hanno fornito approfondimenti su ogni aspetto del processo di ML. Tra questi, le nostre aziende partner come Comet, Deci, ClearML, Paperspace, e Roboflow, oltre ad altre del settore open-source come i giganti cinesi Baidu, Meituan e OpenMMLabs.
Vuoi conoscere la storia della creazione di YOLOv5 e la metodologia utilizzata per la ricerca e lo sviluppo?
Approfondisci i dettagli dell'approccio olistico utilizzato per scegliere le migliori architetture con Glenn Jocher, il nostro fondatore e CEO di Ultralytics, e Ayush Chaurasia, il nostro ingegnere ML.
Le grandi architetture di modelli come YOLOv5 sono fondamentali per ottenere risultati utili nell'apprendimento automatico. Ma i modelli sono validi solo quanto i loro set di dati. Joseph Nelson, CEO e co-fondatore del nostro partner Roboflow, ha mostrato l'impatto della qualità dei dataset sui risultati di produzione. Gli approfondimenti sono basati su oltre 10.000 lavori di formazione sulla visione e sulla comunità open-source di Roboflow Universe con oltre 90.000 set di dati.
Nella sua sessione, Joseph ha anche illustrato le principali differenze tra ricerca e produzione, che consentono agli sviluppatori di intervenire sui loro set di dati per ottenere più rapidamente risultati significativi.
Scopri la qualità del set di dati e il suo impatto sulla produzione del tuo modello di CV!
Oggi ogni software tradizionale viene sottoposto a test completi di vario tipo prima della distribuzione, riducendo in modo significativo il rischio di errori di produzione.
Come possiamo adattare queste idee al mondo statistico del ML?
Aishwarya Srinivasan, Data Scientist di Google e Open Source Developer Advocate di Deepchecks, parla dell'entusiasmo che c'è dietro la costruzione di soluzioni in grado di risolvere le sfide del mondo reale. In Google, costruisce soluzioni di apprendimento automatico per i casi d'uso dei clienti, sfruttando i prodotti principali di Google , tra cui TensorFlow, DataFlow e AI Platform.
Aishwarya si è unita a noi a YOLO VISION per discutere delle migliori pratiche e dei consigli pratici per testare e analizzare in modo approfondito il tuo modello. Dai un'occhiata al suo intervento per scoprire la differenza tra test di software e test di ML.
Abbiamo ospitato un panel innovativo in cui abbiamo riunito gli altri membri della famiglia dell'architettura YOLO e le altre migliori architetture di intelligenza artificiale open-source del settore.
Qui, YOLOv6 di Meituan, MMDetection di OpenMMLab CN e PaddlePaddle di Baidu, Inc. si sono uniti a noi come Ultralytics'YOLOv5 per discutere dei progetti open-source che consentono il futuro dell'IA visiva.
Questa è stata la prima volta in assoluto che i migliori repository di vision AI hanno condiviso il palco. Se ti sei perso questo panel, guarda il video in cui Bo Zhang, Glenn Jocher, Guanzhong Wang, Wenwei Zhang e Yixin Shi discutono della scelta dei framework, dei progetti, dell'evoluzione della struttura dei repository e molto altro ancora!
Come dice il nostro CEO Glenn Jocher, "Abbiamo imparato tutti dagli strumenti e dalle esperienze degli altri".
I sistemi di gestione dei dati visivi sono carenti sotto tutti gli aspetti: archiviazione, qualità, ricerca, analisi e visualizzazione. Di conseguenza, le aziende e i ricercatori perdono affidabilità dei prodotti, ore di lavoro, spreco di spazio di archiviazione, calcolo e, soprattutto, la possibilità di sfruttare appieno il potenziale dei loro dati.
In questo intervento, il Dr. Danny Bickson ci ha insegnato come risolvere questo problema con il suo famoso strumento gratuito per GitHub, Fastdup.
FastDup è uno strumento che consente di ottenere informazioni da un'ampia raccolta di immagini. È in grado di trovare anomalie, immagini duplicate e quasi duplicate, cluster di somiglianza e di apprendere il comportamento normale e le interazioni temporali tra le immagini. Può essere utilizzato per il sottocampionamento intelligente di un set di dati di qualità superiore, per la rimozione degli outlier e per il rilevamento di nuove informazioni da inviare per l'etichettatura.
Esperto di big data analytics e machine learning su larga scala, Danny Bickson ha più di 15 anni di esperienza nel settore high-tech. Forse lo conoscerai grazie a Turi, una piattaforma di apprendimento automatico che crea prodotti di analisi dei big data per i suoi utenti. Nel 2016 Turi è stata acquisita da Apple, dove il Dr. Danny Bickson ha lavorato per diversi anni come Senior Data Science Manager.
Infine, abbiamo avuto il piacere di annunciare formalmente il lancio del nostro sito web Ultralytics HUB!
Ultralytics HUB è la nostra soluzione senza codice per addestrare e distribuire modelli di intelligenza artificiale in tre semplici passi! Dai vita ai tuoi modelli scegliendo i dati da cui farli apprendere.
I nostri esperti, nonché creatori degli strumenti, Kalen Michael e Sergio Sánchez, ci hanno accompagnato in un walkthrough di Ultralytics HUB e ci hanno spiegato tutte le caratteristiche e le funzionalità Scopri di più su Ultralytics HUB e inizia a creare i tuoi modelli gratuitamente!
Trova tutte le sessioni registrate sul nostro canale YouTube!
Siamo entusiasti dell'affluenza a YOLO VISION e siamo felici di aver creato un evento a cui possono partecipare esperti di tutto il mondo per imparare a conoscere l'IA della visione; resta aggiornato con noi seguendoci sui social media. Ci vediamo l'anno prossimo a YOLO VISION 2023!
Inizia il tuo viaggio nel futuro dell'apprendimento automatico
