Adakah era pengesanan dan pelabelan objek telah berakhir?

Dalam bidang pembelajaran mesin yang berkembang pesat, satu aspek kekal berterusan: tugas pelabelan data yang membosankan dan memakan masa. Sama ada digunakan untuk pengelasan imej, pengesanan objek atau pembahagian semantik, set data berlabel manusia telah lama menjadi asas pembelajaran diselia.

Walau bagaimanapun, ini mungkin berubah tidak lama lagi terima kasih kepada alat inovatif yang dipanggil AutoDistill.

Pautan kod Github adalah seperti berikut: https://github.com/autodistill/autodistill?source=post_page.

AutoDistill ialah projek sumber terbuka terobosan yang bertujuan untuk merevolusikan proses pembelajaran diselia. Alat ini memanfaatkan model asas yang besar dan lebih perlahan untuk melatih model yang lebih kecil dan lebih pantas diselia, membolehkan pengguna pergi terus daripada imej tidak berlabel kepada model tersuai yang berjalan di tepi untuk membuat inferens tanpa campur tangan manusia.

Bagaimana AutoDistill berfungsi?

Proses penggunaan AutoDistill adalah semudah dan berkuasa seperti fungsinya. Data tidak berlabel dimasukkan dahulu ke dalam model asas. Model asas kemudian menggunakan ontologi untuk menganotasi set data untuk melatih model sasaran. Output ialah model suling yang melaksanakan tugas tertentu.

Mari terangkan komponen ini:

• Model Asas: Model asas ialah model asas yang besar seperti Grounding DINO. Model ini selalunya multimodal dan boleh melaksanakan banyak tugas, walaupun selalunya besar, perlahan dan mahal.
• Ontologi: Ontologi mentakrifkan cara untuk menggesa model asas, menerangkan kandungan set data dan perkara yang akan diramalkan oleh model sasaran.
• Dataset: Ini ialah satu set data berlabel secara automatik yang boleh digunakan untuk melatih model sasaran. Set data dijana oleh model asas menggunakan data input dan ontologi yang tidak berlabel.
• Model Sasaran: Model sasaran ialah model diselia yang menggunakan set data dan mengeluarkan model suling untuk penggunaan. Contoh model sasaran mungkin termasuk YOLO, DETR, dsb.
• Model Penyulingan: Ini ialah output akhir proses AutoPenyulingan. Ia adalah satu set pemberat yang diperhalusi untuk tugas anda dan boleh digunakan untuk mendapatkan ramalan.

Kemudahan penggunaan AutoDistill benar-benar mengagumkan: hantar data input tidak berlabel kepada model asas seperti Grounding DINO, kemudian gunakan ontologi untuk melabel set data untuk melatih model sasaran, dan berakhir dengan penyulingan dipercepatkan dan halus- penalaan model khusus tugasan

Sila klik pada pautan di bawah untuk menonton video untuk melihat proses bertindak: https://youtu.be/gKTYMfwPo4M

Impak AutoDistill

Penglihatan komputer sentiasa mempunyai satu halangan utama , iaitu Anotasi memerlukan banyak buruh manual. AutoDistill telah mengambil langkah penting ke arah menyelesaikan masalah ini. Model asas alat ini, mampu mencipta set data secara autonomi untuk banyak kes penggunaan biasa, dan mempunyai potensi besar untuk mengembangkan utiliti melalui gesaan kreatif dan pembelajaran beberapa pukulan

Walau bagaimanapun, walaupun kemajuan ini mengagumkan, ia tidak bermakna. data yang ditag tidak diperlukan lagi. Apabila model asas terus bertambah baik, model tersebut akan semakin dapat menggantikan atau menambah manusia dalam proses anotasi. Tetapi pada masa ini, anotasi manual masih diperlukan sedikit sebanyak.

Masa depan pengesanan objek

Memandangkan penyelidik terus meningkatkan ketepatan dan kecekapan algoritma pengesanan objek, kami menjangkakan untuk melihatnya digunakan dalam rangkaian aplikasi dunia sebenar yang lebih luas. Contohnya, pengesanan objek masa nyata ialah bidang penyelidikan utama dengan pelbagai aplikasi dalam bidang seperti pemanduan autonomi, sistem pengawasan dan analitik sukan.

Pengesanan objek dalam video ialah bidang penyelidikan yang mencabar yang melibatkan penjejakan objek merentas berbilang bingkai dan menangani kabur gerakan. Perkembangan dalam bidang ini akan membawa kemungkinan baharu untuk pengesanan objek, sambil turut menunjukkan potensi alatan seperti AutoDistill

Conclusion

AutoDistill mewakili perkembangan yang menarik dalam bidang pembelajaran mesin. Dengan menggunakan model asas untuk melatih model yang diselia, alat ini membuka jalan untuk masa depan di mana tugas membosankan anotasi data tidak lagi menjadi halangan dalam membangunkan dan menggunakan model pembelajaran mesin.

Atas ialah kandungan terperinci Adakah era pengesanan dan pelabelan objek telah berakhir?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!