Ten years ago, computer vision researchers thought that getting a computer to tell the difference between a cat and a dog would be almost impossible, even with the significant advance in the state of artificial intelligence. Now we can do it at a level greater than 99 percent accuracy. This is called image classification -- give it an image, put a label to that image -- and computers know thousands of other categories as well.
Tíz évvel ezelőtt még a számítógépes látás kutatói nem hitték, hogy lehetséges rábírni egy számítógépet, hogy megkülönböztessen egy kutyát egy macskától, még a mesterséges intelligencia jelentős előrehaladásával sem. Ma csaknem 100%-os pontossággal képesek vagyunk erre. Ezt hívják képosztályozásnak. Vegyünk egy képet, címkézzük fel, és a számítógép több ezer más kategóriát is felismer.
I'm a graduate student at the University of Washington, and I work on a project called Darknet, which is a neural network framework for training and testing computer vision models. So let's just see what Darknet thinks of this image that we have. When we run our classifier on this image, we see we don't just get a prediction of dog or cat, we actually get specific breed predictions. That's the level of granularity we have now. And it's correct. My dog is in fact a malamute.
A washingtoni egyetem végzős hallgatója vagyok, és az ún. Darknet programon dolgozom, neurális hálózatok keretrendszerén. Számítógépes látómodellek fejlesztése és tesztelése a célom. Nézzük hát, mit gondol a Darknet a kutyás képről. Amikor lefuttatjuk osztályozónkat erre a képre, látjuk, nemcsak kutya vagy macska előképét kapjuk, hanem a fajtát is előre meghatározza. Ez a granularitás [szemcsézettség] foka. És helyes! A kutyám alaszkai malamut.
So we've made amazing strides in image classification, but what happens when we run our classifier on an image that looks like this? Well ... We see that the classifier comes back with a pretty similar prediction. And it's correct, there is a malamute in the image, but just given this label, we don't actually know that much about what's going on in the image. We need something more powerful. I work on a problem called object detection, where we look at an image and try to find all of the objects, put bounding boxes around them and say what those objects are. So here's what happens when we run a detector on this image.
Tehát izgalmas lépéseket tettünk meg a képosztályozás terén, de mi van, ha egy ilyen képre futtatjuk le osztályozónkat? Nos... Eléggé hasonló meghatározást ad meg az osztályozónk. Ez is helyes: malamut van a képen, de csak a címkét véve alapul nem sokat tudunk meg arról, hogy mi zajlik a képen. Valami hatékonyabb kell nekünk. Én az úgynevezett tárgyfelismerés problémáján dolgozom, ránézünk egy képre, igyekszünk minden tárgyat beazonosítani, határolókeretet vonva köréjük, és pontosan megnevezni őket. Nézzük, mi történik, ha lefuttatunk egy felismerő programot.
Now, with this kind of result, we can do a lot more with our computer vision algorithms. We see that it knows that there's a cat and a dog. It knows their relative locations, their size. It may even know some extra information. There's a book sitting in the background. And if you want to build a system on top of computer vision, say a self-driving vehicle or a robotic system, this is the kind of information that you want. You want something so that you can interact with the physical world. Now, when I started working on object detection, it took 20 seconds to process a single image. And to get a feel for why speed is so important in this domain, here's an example of an object detector that takes two seconds to process an image. So this is 10 times faster than the 20-seconds-per-image detector, and you can see that by the time it makes predictions, the entire state of the world has changed, and this wouldn't be very useful for an application.
Ha ilyesmi eredmény születik, sokkal többre megyünk számítógépes látó algoritmusainkkal. Látjuk, hogy felismeri, hogy ott egy macska és egy kutya. Felismeri egymáshoz viszonyított helyzetüket, méretüket. Esetleg még egyéb információt is nyújt. A háttérben hever egy könyv. És ha számítógépes látáson alapuló rendszert akarunk építeni, mondjuk, legyen egy önjáró jármű, vagy robotrendszer, ilyen információra van szükségünk. Valami olyan kéne, ami kölcsönhatásban áll fizikai valóságunkkal. Amikor elkezdtem ezzel foglalkozni, húsz másodpercbe telt egyetlen kép feldolgozása. Hogy érezzék, miért olyan fontos a sebesség ezen a területen, itt egy példa egy tárgyfelismerőre, ami két másodperc alatt dolgoz fel egy képet. Tízszer gyorsabb tehát, mint a 20 mp/kép sebességű érzékelő, és láthatják, ennyi idő alatt előrejelzéseket végez. A világ teljesen megváltozott, és ez nem lenne túl hasznos egy alkalmazáshoz.
If we speed this up by another factor of 10, this is a detector running at five frames per second. This is a lot better, but for example, if there's any significant movement, I wouldn't want a system like this driving my car.
Ha ezt még tízszeresére gyorsítjuk - ez a képfelismerő öt képkockát tud másodpercenként. Ez sokkal jobb, de ha például bármilyen jelentős esemény történik, nem szeretném, ha efféle rendszer vezetné az autómat.
This is our detection system running in real time on my laptop. So it smoothly tracks me as I move around the frame, and it's robust to a wide variety of changes in size, pose, forward, backward. This is great. This is what we really need if we're going to build systems on top of computer vision.
Ez a felismerő rendszerünk valós időben fut a laptopomon. Simán követ engem a kerettel, ahogy itt sétálgatok, és pontosan meghatározza a méretváltozásomat, testtartásomat, előre- és hátramozgásomat. Ez óriási. Pontosan erre van szükségünk, ha rendszereket akarunk építeni a számítógépes látásra.
(Applause)
(Taps)
So in just a few years, we've gone from 20 seconds per image to 20 milliseconds per image, a thousand times faster. How did we get there? Well, in the past, object detection systems would take an image like this and split it into a bunch of regions and then run a classifier on each of these regions, and high scores for that classifier would be considered detections in the image. But this involved running a classifier thousands of times over an image, thousands of neural network evaluations to produce detection. Instead, we trained a single network to do all of detection for us. It produces all of the bounding boxes and class probabilities simultaneously. With our system, instead of looking at an image thousands of times to produce detection, you only look once, and that's why we call it the YOLO method of object detection. So with this speed, we're not just limited to images; we can process video in real time. And now, instead of just seeing that cat and dog, we can see them move around and interact with each other.
Alig néhány éven belül tehát eljutottunk a 20 mp/kép sebességtől a 20 milliszekundum/képig, ezerszeres sebességig. Hogy jutottunk el idáig? Nos, régen a tárgyfelismerő rendszerek fogtak egy efféle képet, régiócsoportokra osztották, aztán minden egyes régióra lefuttattak egy osztályozót, és ezek magas értékei határozták meg a kép felismerését. De ehhez több ezerszer le kellett futtatni az osztályozót egy képen, neurális hálózati kiértékelések ezrei vezettek a felismeréshez. Ehelyett mi egyetlen hálózatra bíztuk az egész felismerő tevékenységet. Egyszerre kezeli a terület-meghatározást és az osztályozást. A mi rendszerünkben nem kell több ezerszer végignézni egy képet a felismerés lefuttatásához, "Elég Egyszer Megnézni" [You Only Look Once], ezért hívjuk a tárgyfelismerés YOLO-módszerének. Ezzel a sebességgel nemcsak képeket vizsgálhatunk, hanem valós időben videót is. Most pedig ne csak a kutyát és a macskát nézzük, hanem ahogy forognak egymás körül, és kapcsolatot teremtenek.
This is a detector that we trained on 80 different classes in Microsoft's COCO dataset. It has all sorts of things like spoon and fork, bowl, common objects like that. It has a variety of more exotic things: animals, cars, zebras, giraffes. And now we're going to do something fun. We're just going to go out into the audience and see what kind of things we can detect. Does anyone want a stuffed animal? There are some teddy bears out there. And we can turn down our threshold for detection a little bit, so we can find more of you guys out in the audience. Let's see if we can get these stop signs. We find some backpacks. Let's just zoom in a little bit. And this is great. And all of the processing is happening in real time on the laptop.
Ez olyan detektor, amit 80 különféle osztályra képeztünk ki a Microsoft COCO adatbázisában. Mindenféle dolgokat tartalmaz: kanalat, villát, tálat, efféle egyszerű tárgyakat. Különlegesebbeket is: állatokat, autót, zebrát, zsiráfot. Most pedig valami érdekeset teszünk. Kimegyünk a közönség soraiba, és szétnézünk, miket találunk. Kér valaki kitömött állatot? Van néhány plüssmackó itt-ott. Kicsit lejjebb vesszük a felismerési küszöb értékét, így könnyebben megtaláljuk a megfelelő fickókat. Nézzük csak a stoptáblákat. Rábukkanunk néhány hátizsákra. Nagyítsunk csak rá egy kicsit. Ez bizony óriási. És az egész folyamat valós időben zajlik a laptopomon.
And it's important to remember that this is a general purpose object detection system, so we can train this for any image domain. The same code that we use to find stop signs or pedestrians, bicycles in a self-driving vehicle, can be used to find cancer cells in a tissue biopsy. And there are researchers around the globe already using this technology for advances in things like medicine, robotics. This morning, I read a paper where they were taking a census of animals in Nairobi National Park with YOLO as part of this detection system. And that's because Darknet is open source and in the public domain, free for anyone to use.
Fontos újra hangsúlyozni, hogy ez egy általános célú tárgyfelismerő rendszer, így bármilyen képfajtára alkalmazható. Ugyanaz a kód, amivel stoptáblát, gyalogost, kerékpárost ismerünk fel az önjáró autóban, ráksejt feltárására is alkalmazható szövettani vizsgálatnál. És ezt a technológiát már világszerte alkalmazzák kutatók orvostudományi, robotikai fejlesztésekhez. Ma reggel olvastam, hogy a Nairobi Nemzeti Parkban YOLO-alapú felismerő rendszerrel veszik nyilvántartásba az állatokat. Ez azért lehetséges, mert a Darknet nyílt forráskódú, nyilvánosan hozzáférhető, bárki szabadon használhatja.
(Applause)
(Taps)
But we wanted to make detection even more accessible and usable, so through a combination of model optimization, network binarization and approximation, we actually have object detection running on a phone.
De még könnyebben elérhető és hasznosabb felismerő rendszert akarunk fejleszteni, így modell-optimalizálással, hálózati binarizációval és approximációval mobilon is futtatható felismerő programot fejlesztünk.
(Applause)
(Taps)
And I'm really excited because now we have a pretty powerful solution to this low-level computer vision problem, and anyone can take it and build something with it. So now the rest is up to all of you and people around the world with access to this software, and I can't wait to see what people will build with this technology.
És tényleg izgatott vagyok, mert máris van egy igazán ütős megoldásunk erre az alacsony szintű számítógépes látási problémára, és bárki hozzájuthat, és alkalmazhatja. A többi már önökön múlik, és mindenkin, aki hozzáfér ehhez a szoftverhez, és alig várom, hogy lássam, miket hoznak létre ezzel a technológiával.
Thank you.
Köszönöm.
(Applause)
(Taps)