Het gebruik van eender welk hedendaags state-of-the-art objectdetectiemodel vereist een grote hoeveelheid gelabelde data, wat erg duur en tijdrovend kan zijn om te verzamelen. Het is bovendien moeilijk om de prestaties van het model op te volgen eens het in productie staat. Daarnaast moet het model opnieuw getraind en bijgewerkt worden met de data die het tijdens productie te zien kreeg.
Om labelingkosten te drukken en toch sterke prestaties te behalen door enkel waardevolle data te selecteren, gebruiken we active learning: de leeralgoritmes leren als het ware zichzelf actief bij. Dit type iteratief gesuperviseerd leren laat het model toe om, op basis van zijn prestaties op de gegeven samples, zelf te kiezen uit de beschikbare data.
Bij IxorThink is een eenvoudig framework voorgesteld voor het gebruik van active learning bij objectdetectie, om aanzienlijk tijd en middelen te besparen op de labeling-inspanningen die nodig zijn om een objectdetectiemodel te trainen. Daarnaast bleek de voorgestelde aanpak ook effectief om de prestaties van het model te verbeteren nadat het in productie ging.
Voor een meer diepgaande uitleg, neem een kijkje op onze Medium-blog (https://medium.com/ixorthink/how-to-setup-an-active-learning-framework-for-your-object-detection-model-ae46ef502f5f).
