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.
Há dez anos, os pesquisadores da visão computacional achavam que fazer um computador distinguir um cão de um gato seria quase impossível, mesmo com o avanço significativo da inteligência artificial. Agora podemos fazer isso com precisão superior a 99%. Chamamos de classificação de imagem: fornecer ao computador uma imagem, atribuir a ela um rótulo, e os computadores também reconhecem milhares de outras categorias.
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.
Sou aluno da Universidade de Washington, e trabalho no projeto "Darknet", uma estrutura de rede neural para preparar e testar modelos de visão computacional. Vamos ver o que o Darknet acha desta imagem que temos. Quando executamos nosso classificador nela, não sabemos apenas se é um cão ou um gato, obtemos realmente a raça específica. É o nível de detalhe que temos agora. E está correto: meu cachorro é mesmo um malamute.
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.
Temos feito avanços incríveis na classificação de imagens, mas o que acontece quando executamos o classificador em uma imagem como esta? Bem... Vemos que o classificador retorna um prognóstico bastante semelhante. Está certo: há um malamute na imagem. Mas só com este rótulo, não sabemos realmente muito a respeito do que está acontecendo na imagem. Precisamos de algo mais convincente. Trabalho com um assunto chamado detecção de objetos, em que analisamos a imagem e tentamos achar todos os objetos, colocamos molduras ao redor deles e dizemos o que eles são. Isso é o que acontece quando executamos um detector nesta imagem.
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.
Com este tipo de resultado, podemos fazer muito mais com a visão computacional. Vemos que o detector identifica que há um gato e um cachorro. Sabe a posição relativa e o tamanho deles. Pode até identificar algumas informações extras, como um livro ao fundo. Se quiserem construir um sistema atualizado de visão computacional, como um veículo autodirigível ou um sistema robótico, este é o tipo de informação que vocês precisam. Precisam de algo para poder interagir com o mundo físico. Quando comecei a detectar objetos, demorava 20 segundos para processar uma única imagem. Para ter uma ideia da importância da velocidade nesta área, aqui está um exemplo de um detector de objetos que leva dois segundos para processar uma imagem. É dez vezes mais rápido que o detector de 20 segundos por imagem. Você podem ver que, quando são feitos os prognósticos, tudo mudou, o que não seria muito útil para uma aplicação.
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.
Se aumentarmos a velocidade em dez vezes, teremos um detector executando a cinco quadros por segundo. Isso é muito melhor, mas, por exemplo, se houver algum movimento significativo, eu não gostaria de um sistema como esse dirigindo meu carro.
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.
Este é nosso sistema de detecção rodando em tempo real em meu laptop. Ele acompanha suavemente meu movimento ao redor do quadro, e é potente para uma grande variedade de mudanças de tamanho, pose, para frente, para trás. Isso é ótimo. É o que realmente precisamos se formos construir sistemas atualizados de visão computacional.
(Applause)
(Aplausos)
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.
Em apenas alguns anos, passamos de 20 segundos por imagem a 20 milissegundos, mil vezes mais rápido. Como chegamos lá? No passado, os sistemas de detecção de objetos pegavam uma imagem como esta, dividiam-na em várias partes e depois executavam um classificador em cada uma delas. As pontuações altas para esse classificador eram consideradas detecções na imagem. Mas isso envolvia rodar um classificador milhares de vezes em uma imagem, milhares de avaliações de rede neural para fazer a detecção. Em vez disso, preparamos uma única rede para fazer toda a detecção para nós. Ela cria todas as molduras e probabilidades de classe ao mesmo tempo. Com nosso sistema, em vez de analisar uma imagem milhares de vezes para fazer a detecção, olhamos apenas uma vez. Por isso, chamamos de método "YOLO" de detecção de objetos. Com essa velocidade, não estamos limitados somente a imagens; podemos processar vídeos em tempo real. Em vez de ver apenas aquele gato e cachorro, podemos ver o movimento e a interação entre eles.
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.
Este é um detector que desenvolvemos em 80 classes diferentes no conjunto de dados "COCO" da Microsoft. Ele contém todo tipo de coisas, como colher, garfo, tigela, objetos comuns assim. Contém uma variedade de coisas mais exóticas: animais, carros, zebras, girafas. Agora vamos fazer algo divertido. Iremos para a plateia e veremos que tipo de coisas podemos detectar. Alguém quer um bicho de pelúcia? Há alguns ursinhos de pelúcia por aí. Podemos diminuir um pouco nossa tolerância de detecção, para poder encontrar mais de vocês na plateia. Vamos ver se conseguirmos pegar os sinais de PARE. Encontramos algumas mochilas. Vamos ampliar um pouco. Isso é ótimo. Todo o processamento acontece em tempo real no laptop.
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.
É importante lembrar que este é um sistema de detecção de objetos de uso geral. Podemos desenvolver isso para qualquer domínio de imagem. O mesmo código que usamos para encontrar sinais de PARE ou pedestres, bicicletas em um veículo autodirigível, pode ser usado para encontrar células cancerígenas em uma biópsia de tecido. Existem pesquisadores em todo o mundo que já utilizam esta tecnologia para avanços em coisas como medicina, robótica. Esta manhã, li um artigo sobre um recenseamento de animais no Nairobi National Park utilizando o YOLO como parte deste sistema de detecção. Isso porque o Darknet tem o código aberto de domínio público, gratuito para qualquer um usar.
(Applause)
(Aplausos)
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.
Mas queríamos tornar a detecção ainda mais acessível e utilizável. Então, por meio de uma combinação de otimização de modelo, aproximação e binarização de redes, temos realmente a detecção de objetos sendo executada em um celular.
(Applause)
(Aplausos)
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.
Estou realmente animado, pois temos uma solução muito potente para esta questão de visão computacional. Qualquer um pode pegar e construir algo com ele. O restante depende agora de vocês e das pessoas em todo o mundo com acesso a este software. Mal posso esperar para ver o que elas farão com essa tecnologia.
Thank you.
Obrigado.
(Applause)
(Aplausos)