Glossario

Visualizzazione dei dati

Trasformate i dati complessi dell'AI/ML in informazioni utili con potenti tecniche e strumenti di visualizzazione. Per saperne di più, visitate Ultralytics!

La visualizzazione dei dati è la pratica di rappresentare graficamente dati e informazioni. Nel contesto dell'intelligenza artificiale (AI) e dell'apprendimento automatico (ML), è uno strumento indispensabile per rendere comprensibili all'uomo dati complessi, architetture di modelli e metriche delle prestazioni. Convertendo numeri grezzi e concetti astratti in grafici, diagrammi e mappe, sviluppatori e ricercatori possono identificare schemi, individuare anomalie e comunicare intuizioni in modo molto più efficace. La visualizzazione svolge un ruolo cruciale nell'intero flusso di lavoro del ML, dall'esplorazione iniziale dei dati e dalla preelaborazione alla valutazione dei modelli e all'interpretazione dei risultati. Aiuta a trasformare i risultati complessi dei modelli in intuizioni chiare e attuabili, un concetto ulteriormente approfondito nel nostro blog sul miglioramento delle applicazioni di computer vision con le visualizzazioni.

Rilevanza nel ciclo di vita dell'IA/ML

La visualizzazione dei dati non riguarda solo la creazione di grafici esteticamente gradevoli, ma è una componente fondamentale del processo di deep learning. Durante le fasi iniziali di un progetto, la visualizzazione viene utilizzata per l'analisi esplorativa dei dati (Exploratory Data Analysis, EDA), per comprendere le distribuzioni dei set di dati e identificare potenziali problemi come le distorsioni dei set di dati o la necessità di aumentare i dati. Durante l'addestramento del modello, strumenti come TensorBoard aiutano a visualizzare metriche come le curve della funzione di perdita e l'accuratezza nel tempo. Dopo l'addestramento, visualizzazioni come la matrice di confusione o la curva ROC (Receiver Operating Characteristic) sono essenziali per valutare le prestazioni del modello. Piattaforme come Ultralytics HUB integrano queste visualizzazioni per fornire un'esperienza MLOps senza soluzione di continuità.

Applicazioni AI/ML nel mondo reale

  1. Analisi delle immagini mediche: Nell'IA sanitaria, la visualizzazione aiuta a interpretare scansioni mediche complesse. Un modello di rilevamento degli oggetti addestrato su un set di dati come quello dei tumori cerebrali può produrre caselle di delimitazione che identificano potenziali anomalie. La visualizzazione di questi riquadri sovrapposti direttamente alla risonanza magnetica o alla tomografia computerizzata consente ai radiologi di valutare rapidamente i risultati del modello, favorendo la diagnosi. Inoltre, la visualizzazione di cluster di esiti dei pazienti basati su caratteristiche di imaging può aiutare a identificare i sottotipi di malattia. L 'Intelligenza Artificiale in ambito sanitario si basa molto su questi ausili visivi. È possibile esplorare ulteriori applicazioni presso il National Institute of Biomedical Imaging and Bioengineering (NIBIB).
  2. Sviluppo di veicoli autonomi: I sistemi di auto a guida autonoma elaborano grandi quantità di dati provenienti dai sensori. La visualizzazione viene utilizzata ampiamente durante lo sviluppo e i test. Gli ingegneri visualizzano nuvole di punti LiDAR, firme radar e feed delle telecamere in una simulazione 3D dell'ambiente. Gli oggetti rilevati (auto, pedoni, ciclisti) identificati da modelli come YOLO vengono spesso visualizzati con riquadri di delimitazione, percorsi di tracciamento e punteggi di confidenza, consentendo agli sviluppatori di verificare l'accuratezza e la sicurezza del sistema di percezione in vari scenari. Guardate gli esempi di soluzioni di AI nel settore automobilistico e scoprite gli approcci del settore da parte di aziende come Mobileye.

Distinguere dai termini correlati

  • Data Analytics: Si tratta di un campo più ampio che comprende l'intero processo di ispezione, pulizia, trasformazione e modellazione dei dati per scoprire informazioni utili e supportare il processo decisionale. La visualizzazione dei dati è un componente o uno strumento utilizzato nell'ambito dell'analisi dei dati per presentare i risultati o esplorare i dati, ma l'analisi comprende anche la modellazione statistica, i test di ipotesi e altri metodi non visivi. Per saperne di più sui fondamenti dell'analisi dei dati.
  • Elaborazione delle immagini: Questo campo si concentra sulla manipolazione delle immagini digitali per migliorarle o estrarre informazioni direttamente dai dati dei pixel (ad esempio, filtraggio, rilevamento dei bordi, regolazione del contrasto). Mentre la visualizzazione può comportare la visualizzazione di immagini, la visualizzazione dei dati nell'AI/ML si occupa spesso di rappresentare dati astratti (come le metriche delle prestazioni del modello o le relazioni tra le caratteristiche) o di sovrapporre le interpretazioni del modello (come i rilevamenti) alle immagini, piuttosto che trasformare le immagini stesse. Per saperne di più sulle differenze, leggete questo post del blog Computer Vision vs Image Processing.
  • Analisi esplorativa dei dati (EDA): L'EDA è il processo di analisi degli insiemi di dati per comprenderne le caratteristiche principali, spesso utilizzando metodi visivi. Le tecniche di visualizzazione dei dati sono gli strumenti principali utilizzati durante l'EDA per scoprire modelli, individuare anomalie, testare ipotesi e verificare ipotesi. La guida sulla preelaborazione dei dati annotati tratta i concetti di EDA rilevanti per gli insiemi di dati di computer vision.

Unitevi alla comunità di Ultralytics

Entrate a far parte del futuro dell'IA. Connettetevi, collaborate e crescete con gli innovatori globali.

Iscriviti ora
Link copiato negli appunti