"Un changement incroyable se produit dans votre vie lorsque vous décidez de prendre le contrôle de ce sur quoi vous avez du pouvoir au lieu de vouloir contrôler ce que vous n'avez pas.»- Steve Maraboli

Rutuja Kawade, ingénieur ML chez Omdena | AI for Social Good reflète medium.com sur son expérience de travail sur le Défi iRAP Omdena ces derniers mois: de la collecte de données à l'EDA, à l'étiquetage, à la construction de modèles de ML sophistiqués pour évaluer la sécurité routière (avec certains des meilleurs data scientists, ingénieurs de données et experts en ML):

L'innovant Défi iRAP Omdena s'est déroulée pendant 8 semaines à partir de novembre 2020 et a fait appel à plus de 50 ingénieurs en IA et en apprentissage automatique pour trouver une solution pour la collecte et le codage accélérés et intelligents des données d'attributs routiers (AiRAP) pour sauver des vies.

Étant un étudiant de premier cycle, gérer des universitaires avec des activités parascolaires a toujours été un défi pour moi. J'avais toujours essayé de tirer le meilleur parti de mon temps libre. Ce verrouillage ne faisait pas exception. De l'apprentissage et de l'exploration de l'apprentissage automatique à la sélection en tant qu'ingénieur ML junior sur un projet de vision par ordinateur chez Omdena à la montée au poste d'ingénieur en apprentissage automatique d'ici la fin de deux mois était très remarquable.

Sauver des vies ensemble
Les deux derniers mois n'auraient pas pu être plus productifs que de collaborer sur un projet de sécurité routière avec un objectif de #savinglivestensemble et de travailler avec certains des meilleurs ingénieurs ML à travers le monde. Je suis ravi d'avoir réalisé le projet AI pour la sécurité routière en Omdena en collaboration avec iRAP. Le projet a débuté à la mi-novembre 2020 avec 50 acteurs du changement dans le monde entier. 50 acteurs du changement #AI de 24 pays (femmes 33%) s'unissent pour lancer le RoadSafety Challenge avec iRAP.

L'énoncé du problème était la prévention des accidents de la route et la sauvegarde de vies. Le défi en lui-même me passionnait beaucoup, j'étais donc impatient de commencer les choses.

Notre problème était de cartographier le risque d'accident sur chaque route du monde pour chaque type d'usager de la route; identifier les fonctionnalités de conception, de vitesse et de volume de l'infrastructure qui influencent ce risque, et produire régulièrement les données pour améliorer la visibilité, la responsabilité, l'action et le suivi des performances.

Image LiDAR de Road (Source: TomTom Dataset)

Le projet s'est concentré sur l'analyse des données et leurs possibilités, l'extraction des caractéristiques routières à partir de données existantes, la production Cartes des risques des accidents historiques, des accidents parcourus pour chaque usager de la route, cartographier les performances de sécurité et gérer Évaluation étoilée selon les normes iRAP. Mon travail consistait à créer des modèles de détection d'objets avec YOLO v3, Open CV, Resnet et COCO.

De la collecte des données à l'étiquetage
J'ai dû gérer l'exactitude de chacun d'eux et comment nous pouvons l'optimiser pour l'adapter correctement à nos données. J'ai également travaillé avec des images panoramiques du TomTom base de données. TomTom Historical Traffic Stats est un produit en libre-service qui analyse les données de localisation historiques et fournit des informations sur le trafic sur la vitesse, le temps de trajet et la taille de l'échantillon sur le réseau routier. Il contenait essentiellement toutes les images réelles de la route et du trafic.

Une des images est ajoutée ici. Nous avons choisi cet ensemble de données car il contenait LiDAR (Light Detection and Ranging) ainsi que des images panoramiques qui nous ont aidés à analyser les caractéristiques de la route et à nous familiariser avec divers aspects de la route que iRAP prend en compte. L'ensemble de données TomTom n'était pas étiqueté et notre équipe l'a étiqueté conformément aux normes iRAP avec environ 3964 images (10,9 Go). Il comprenait des images panoramiques pour ESP (Spain Road Images) et MEX (Mexico Road Images).

 

Image panoramique (source: ensemble de données TomTom)

Le premier et le plus grand défi avec les données TomTom pour moi consistait à gérer et à gérer le Big Data à l'aide d'Amazon S3, ce que je n'avais jamais fait auparavant. J'ai reçu un bon soutien de la communauté au fur et à mesure des problèmes de ce genre. La meilleure chose était que certains des autres collaborateurs étaient actifs à tout moment de la journée avec lesquels je pouvais tendre la main.

Avec l'équipe, j'ai annoté les images manuellement et nous avons utilisé un outil d'étiquetage (labelImg). Nous avons terminé d'annoter près de 2K images capturées par TomTom. J'ai également eu l'occasion de travailler sur le pipeline du projet en utilisant Spell ML.

Spell ML est une plateforme de création et de gestion de projets d'apprentissage automatique. Il est généralement utilisé pour les projets d'apprentissage automatique de pipelining. Notre équipe a utilisé ce logiciel pour canaliser le travail de chaque individu ou petit groupe pour en faire l'ensemble de la pièce finale.

Étiquetage des images panoramiques à l'aide du logiciel LabelImg

La communauté, l'aide et les appels de sprint
Nous avons également eu quelques sprints de code et sprints de données où tous les collaborateurs travaillant sur la même partie avaient une session interactive avec la résolution des doutes, l'entraide et même la construction d'une communauté.

Je voudrais surtout mentionner le sprint d'annotation, où tous les collaborateurs impliqués dans cette tâche se sont joints et ont discuté de l'étiquetage, le logiciel utilisé pour annoter les images. Nous avons divisé les images entre nous et avons continué à les annoter. Ce sprint a duré près de 8 à 10 heures, où chacun était libre de rejoindre et de partir selon son fuseau horaire. Nous avons également eu plusieurs autres réunions au cours desquelles chacun a partagé son statut de travail, ses doutes et les difficultés rencontrées à tout moment, et s'est entraidé avec toute sa connaissance.

Il est dit à juste titre par Helen Keller: «Seuls, nous pouvons faire si peu; ensemble, nous pouvons faire beaucoup. »

J'ai eu une excellente expérience d'apprentissage et de travail avec tous les formidables acteurs du changement qui ont déployé tous leurs efforts pour y parvenir. Outre mes compétences techniques, j'ai grandement amélioré mes compétences en communication. J'ai pu rencontrer de nombreux scientifiques de données nouveaux et extraordinaires à travers le monde, et je pense sincèrement que se faire des amis en travaillant ensemble est une réussite pour moi.

La communauté Omdena était la meilleure chose que j'aurais jamais pu demander. J'ai pu communiquer avec de nombreux acteurs du changement, où j'ai appris et exploré différentes choses qui n'auraient pas été possibles sans le soutien de la communauté. Apprendre de l'expérience et des connaissances de l'autre est le facteur le plus crucial en matière de consolidation d'équipe. La meilleure chose était que tous les collaborateurs partageaient leur expérience et leurs connaissances, de manière très ferme et positive sur une tâche particulière. Le projet comptait des personnes si diverses de différentes régions du monde, mais toutes étaient unies en équipe.

En conclusion, je dirais que j'ai vraiment apprécié faire partie de cette équipe et j'ai compris que le renforcement de la communauté est aussi important que l'apprentissage de choses techniques, pour réussir le travail d'équipe!

#community #aiforgood 1TP3Sécurité routière #computervision #savinglivestogether #3starsorbetter

 

Nos sincères remerciements à Rutuja et à l'équipe du iRAP Omdena Challenge! Rejoignez les futurs projets Omdena ici.

Version imprimable, PDF et e-mail
fr_FRFrançais
Partagez ceci

Partagez ceci

Partagez cet article avec vos amis!