Khám phá hành trình đầy cảm hứng của Lians Wanjiku vào AI và khoa học dữ liệu, và cách thức YOLOv5 đang định hình tương lai của phát hiện đối tượng.
.avif)
Các doanh nghiệp đang áp dụng trí tuệ nhân tạo nhanh hơn bao giờ hết để đơn giản hóa các 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 cứ lặp đi lặp lại...
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, sự thiếu đại diện dai dẳng của phụ nữ trong khoa học dữ liệu và AI, bao gồm khoảng cách dữ liệu 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 mọi người vào AI có suy nghĩ khác biệt."
Kay Firth-Butterfield
Trưởng phòng AI & Machine Learning và Thành viên Ban chấp 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 đúng đắn đối với sự tham gia của phụ nữ trong ngành.
Giới thiệu Lians Wanjiku, người đam mê Khoa học dữ liệu và Học máy. Ở đây, chúng ta sẽ đi qua hành trình của cô ấy vào khoa học dữ liệu và truyền cảm hứng cho phụ nữ trẻ tham gia phong trào công nghệ.
Lians là sinh viên năm cuối và trợ lý nghiên cứu thực tập tại trung tâm khoa học dữ liệu tại Đại học Công nghệ Dedan Kimathi ở Kenya.
Nhận thấy việc trích xuất thông tin chi tiết từ dữ liệu đơn giản như thế nào, sự quan tâm của Lian đã trở nên dấy lên trong Machine Learning. Cô 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 các 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. Sau đó trong dự án, cô 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 dễ dàng hơn.
Lians cũng đã thử nghiệm với các mô hình phát hiện đối tượng được đào tạo trước khác, chẳng hạn như TFOD và YOLOv3, bởi vì ban đầu, cô cần có được kiến thức và kỹ năng PyTorch. Tuy nhiên, sau khi tìm thấy YOLOv5 Qua tìm hiểu, cô nhanh chóng thực hiện. Đối với Lian, mô hình hoạt động tốt nhất vì nó nhẹ, dễ sử dụng và cung cấp độ chính xác tốt nhất.
"Phần tốt nhất là bạn có thể bắt đầu chỉ với một vài dòng mã!"
Lians khuyến nghị YOLOv5 cho bất kỳ ai mới làm quen với lĩnh vực này. Theo lời cô, "YOLOv5 được xây dựng để phát hiện đối tượng, vì vậy nó rất tốt với những gì nó làm! Bởi vì có ít hoạt động hơn và ít mã hơn để viết, YOLO là một trong những thuật toán phát hiện đối tượng nổi tiếng nhất do 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. Kiểm tra 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 với cả ngựa vằn và linh dương impala và.... Từ quan điểm này, tôi nghĩ rằng tôi sẽ phải quay trở lại nhà bếp và làm việc với nhiều dữ liệu hơn và hoàn thiện mô hình. #100daysofcoding @ultralytics#objectdetection @WomenInDataAfri
- lian.s__ (@lians___) Tháng Mười Một 29, 2022
Cảm ơn bạn đã đọc về kinh nghiệm của Lians. Như Ultralytics, chúng tôi mong muốn có thêm nhiều phụ nữ tham gia vào lĩnh vực này. Chúng tôi sẽ tiếp tục làm cho AI dễ dàng hơn cho mọi người, hãy theo dõi!
Bắt đầu hành trình của bạn với tương lai của machine learning
