1
00:00:00,825 --> 00:00:01,830
Hai dez anos,

2
00:00:01,830 --> 00:00:04,966
os expertos en visión artificial
crían que lograr que un ordenador

3
00:00:04,966 --> 00:00:07,496
distinguise entre un gato e un can

4
00:00:07,520 --> 00:00:09,496
sería practicamente imposible

5
00:00:09,520 --> 00:00:13,216
malia os considerables progresos
en intelixencia artificial.

6
00:00:13,240 --> 00:00:16,800
Hoxe podemos facelo cunha precisión
superior ao 99 por cento.

7
00:00:17,680 --> 00:00:19,536
Isto chámase clasificación de imaxes:

8
00:00:19,560 --> 00:00:22,656
dada unha imaxe, asígnalle unha etiqueta.

9
00:00:22,680 --> 00:00:25,720
E os ordenadores coñecen ademais
miles doutras categorías.

10
00:00:26,680 --> 00:00:29,450
Son estudante de posgrao
na Universidade de Washington,

11
00:00:29,450 --> 00:00:31,486
e traballo nun proxecto chamado Darknet,

12
00:00:31,486 --> 00:00:33,556
un contorno de traballo de rede neural

13
00:00:33,556 --> 00:00:36,056
para adestrar e probar
modelos de visión artificial.

14
00:00:36,700 --> 00:00:39,056
Imos ver o que pensa Darknet

15
00:00:39,080 --> 00:00:40,840
desta imaxe que temos aquí.

16
00:00:42,520 --> 00:00:44,856
Ao aplicarlle o noso clasificador

17
00:00:44,880 --> 00:00:46,096
a esta imaxe,

18
00:00:46,120 --> 00:00:48,576
vemos que non se limita a predicir
can ou gato;

19
00:00:48,600 --> 00:00:50,936
de feito, dános tamén razas concretas.

20
00:00:50,960 --> 00:00:53,176
Ese é o nivel de granularidade
que temos agora.

21
00:00:53,176 --> 00:00:54,776
E é correcto.

22
00:00:54,800 --> 00:00:56,640
O meu can é efectivamente un malamute.

23
00:00:57,040 --> 00:01:01,376
Así que demos xa pasos enormes
na clasificación de imaxes,

24
00:01:01,400 --> 00:01:03,900
pero que acontece se executamos
o noso clasificador

25
00:01:03,900 --> 00:01:05,384
sobre unha imaxe coma esta?

26
00:01:07,080 --> 00:01:08,280
Ben...

27
00:01:12,640 --> 00:01:16,536
Vemos que o clasificador nos devolve
unha predición bastante similar.

28
00:01:16,560 --> 00:01:19,656
E é correcta: hai un malamute na imaxe,

29
00:01:19,680 --> 00:01:23,376
pero con só esa etiqueta,
en realidade, non sabemos moito

30
00:01:23,400 --> 00:01:25,067
sobre o que ocorre nela.

31
00:01:25,091 --> 00:01:26,651
Necesitamos algo máis potente.

32
00:01:27,170 --> 00:01:29,966
Eu traballo nun problema denominado
detección de obxectos,

33
00:01:29,966 --> 00:01:33,016
no que vemos unha imaxe e tratamos
de atopar todos os obxectos,

34
00:01:33,016 --> 00:01:34,446
encerrámolos en caixas

35
00:01:34,446 --> 00:01:36,130
e dicimos que son eses obxectos.

36
00:01:36,400 --> 00:01:39,680
Isto é o que acontece cando lle aplicamos
un detector a esta imaxe.

37
00:01:41,240 --> 00:01:43,330
Ben, con este tipo de resultado

38
00:01:43,330 --> 00:01:46,516
podemos facer moito máis cos nosos
algoritmos de visión artificial.

39
00:01:46,516 --> 00:01:49,216
Vemos que sabe que hai
un gato e un can.

40
00:01:49,240 --> 00:01:51,496
Sabe a súa posición relativa,

41
00:01:51,520 --> 00:01:52,736
o seu tamaño.

42
00:01:52,760 --> 00:01:54,826
Mesmo pode coñecer
algúns datos adicionais.

43
00:01:54,826 --> 00:01:56,680
Hai un libro ao fondo.

44
00:01:57,280 --> 00:02:00,536
E se queremos construír un sistema
baseado na visión artificial,

45
00:02:00,560 --> 00:02:04,016
por exemplo, un vehículo autónomo
ou un sistema robótico,

46
00:02:04,040 --> 00:02:06,496
esta é a clase de información
que necesitamos.

47
00:02:06,520 --> 00:02:09,759
Necesitamos algo que faga posible
interactuar co mundo físico.

48
00:02:10,339 --> 00:02:12,946
Cando eu comecei a traballar
coa detección de obxectos,

49
00:02:13,040 --> 00:02:15,956
tardábase 20 segundos
en procesar unha soa imaxe.

50
00:02:16,360 --> 00:02:20,240
Para darvos unha idea da importancia
da velocidade neste ámbito,

51
00:02:21,120 --> 00:02:23,656
este é un exemplo dun detector de obxectos

52
00:02:23,680 --> 00:02:26,096
que tarda dous segundos
en procesar unha imaxe.

53
00:02:26,120 --> 00:02:28,736
É dicir, é 10 veces máis rápido

54
00:02:28,760 --> 00:02:32,296
có dos 20 segundos por imaxe,

55
00:02:32,320 --> 00:02:34,976
e, como vedes, cando fai a súa predición,

56
00:02:35,000 --> 00:02:37,040
a situación xa mudou por completo,

57
00:02:37,880 --> 00:02:40,296
o cal non sería moi útil

58
00:02:40,320 --> 00:02:41,736
para ningunha aplicación.

59
00:02:41,760 --> 00:02:44,256
Se multiplicamos a velocidade por 10,

60
00:02:44,280 --> 00:02:47,096
temos un detector que vai
a cinco imaxes por segundo.

61
00:02:47,120 --> 00:02:48,656
É moito mellor,

62
00:02:48,680 --> 00:02:50,656
pero, por exemplo,

63
00:02:50,680 --> 00:02:52,976
se hai un movemento grande,

64
00:02:53,000 --> 00:02:56,320
a min non me gustaría que un sistema
coma este conducise o meu coche.

65
00:02:57,120 --> 00:03:00,740
Este é o noso sistema de detección
funcionando en tempo real no meu portátil.

66
00:03:01,000 --> 00:03:04,136
Segue sen saltos
os meus desprazamentos pola imaxe,

67
00:03:04,160 --> 00:03:07,880
e responde de forma fiable
a moi diversos cambios de tamaño,

68
00:03:09,440 --> 00:03:10,640
postura,

69
00:03:11,280 --> 00:03:13,136
avance, retroceso.

70
00:03:13,160 --> 00:03:14,376
É fantástico.

71
00:03:14,400 --> 00:03:16,136
Isto é o que necesitamos

72
00:03:16,160 --> 00:03:19,456
se pretendemos construír sistemas
baseados na visión artificial.

73
00:03:19,456 --> 00:03:23,080
(Aplausos)

74
00:03:24,280 --> 00:03:26,456
Así que en apenas uns anos,

75
00:03:26,480 --> 00:03:29,136
pasamos de 20 segundos por imaxe

76
00:03:29,160 --> 00:03:32,356
a 20 milisegundos por imaxe,
mil veces máis rápido.

77
00:03:32,720 --> 00:03:34,136
Como chegamos ata aquí?

78
00:03:34,160 --> 00:03:37,176
Ben, os anteriores sistemas
de detección de obxectos

79
00:03:37,200 --> 00:03:39,136
collían unha imaxe coma esta,

80
00:03:39,160 --> 00:03:41,616
dividíana nunha serie de rexións

81
00:03:41,640 --> 00:03:44,896
e executaban un clasificador
en cada unha desas rexións,

82
00:03:44,920 --> 00:03:47,456
e os valores altos nun clasificador dado

83
00:03:47,480 --> 00:03:50,616
interpretábanse como deteccións na imaxe.

84
00:03:50,640 --> 00:03:54,696
Pero isto supoñía executar un clasificador
miles de veces sobre unha imaxe.

85
00:03:54,720 --> 00:03:58,000
miles de avaliacións por redes neurais
para producir unha detección.

86
00:03:59,240 --> 00:04:03,776
Nós, en cambio, adestramos unha soa rede
para que fixese todo o proceso.

87
00:04:03,800 --> 00:04:08,080
Produce simultaneamente todas as caixas
e as probabilidades de clase.

88
00:04:08,680 --> 00:04:12,176
Co noso sistema, no canto de analizar
unha imaxe miles de veces

89
00:04:12,200 --> 00:04:13,656
para producir unha detección,

90
00:04:13,680 --> 00:04:15,176
só é necesario mirala unha vez.

91
00:04:15,176 --> 00:04:17,880
Chamámoslle método YOLO
de detección de obxectos.

92
00:04:20,360 --> 00:04:23,336
Con esta velocidade, non estamos
limitados ás imaxes estáticas;

93
00:04:23,360 --> 00:04:25,776
podemos procesar vídeo en tempo real.

94
00:04:25,800 --> 00:04:28,896
Agora, no canto de simplemente
ver o gato e o can,

95
00:04:28,920 --> 00:04:31,880
podemos velos moverse e interactuar.

96
00:04:34,560 --> 00:04:36,616
Este é un detector que adestramos

97
00:04:36,640 --> 00:04:41,016
con 80 categorías distintas

98
00:04:41,040 --> 00:04:44,296
do banco de datos COCO de Microsoft.

99
00:04:44,320 --> 00:04:47,656
Contén todo tipo de cousas,
como culler e garfo, cunca,

100
00:04:47,680 --> 00:04:49,480
obxectos comúns.

101
00:04:50,360 --> 00:04:53,456
Ten outras cousas máis exóticas:

102
00:04:53,480 --> 00:04:56,736
animais, coches, cebras, xirafas.

103
00:04:56,760 --> 00:04:58,696
Agora imos facer algo divertido.

104
00:04:58,720 --> 00:05:00,816
Ímonos achegar ao público

105
00:05:00,840 --> 00:05:02,856
para ver que podemos detectar.

106
00:05:02,880 --> 00:05:04,500
Alguén quere unha peluche?

107
00:05:06,000 --> 00:05:08,082
Hai por aí uns cantos osos de peluche.

108
00:05:10,040 --> 00:05:14,576
Podemos baixar un pouquiño
o limiar de detección,

109
00:05:14,600 --> 00:05:18,000
para atopar máis cousas entre o público.

110
00:05:19,560 --> 00:05:21,896
A ver se podemos localizar
eses sinais de stop.

111
00:05:21,920 --> 00:05:23,800
Atopamos algunhas mochilas.

112
00:05:25,880 --> 00:05:27,720
Démoslle un pouco ao zoom.

113
00:05:30,320 --> 00:05:31,576
Isto é fantástico.

114
00:05:31,600 --> 00:05:34,776
E todo ese procesamento
estase realizando en tempo real

115
00:05:34,800 --> 00:05:36,000
no portátil.

116
00:05:37,080 --> 00:05:38,536
Cómpre lembrar

117
00:05:38,560 --> 00:05:41,776
que este é un sistema de detección
de uso xeral,

118
00:05:41,800 --> 00:05:46,800
polo que podemos adestralo
para calquera ámbito.

119
00:05:48,320 --> 00:05:50,856
O mesmo código que empregamos

120
00:05:50,880 --> 00:05:53,336
para detectar sinais de stop, peóns

121
00:05:53,360 --> 00:05:55,336
ou bicicletas nun vehículo autónomo

122
00:05:55,360 --> 00:05:58,216
pódese empregar para detectar
células cancerosas

123
00:05:58,240 --> 00:06:01,256
nunha biopsia de tecido.

124
00:06:01,280 --> 00:06:05,320
Hai investigadores por todo o mundo
que xa están a usar esta tecnoloxía

125
00:06:06,240 --> 00:06:09,656
para lograr novos avances en campos
como a medicina ou a robótica.

126
00:06:09,680 --> 00:06:11,056
Esta mañá lin un artigo

127
00:06:11,080 --> 00:06:15,656
no que falan dun censo dos animais
do Parque Nacional de Nairobi

128
00:06:15,680 --> 00:06:18,816
no que están empregando YOLO como parte
do sistema de detección.

129
00:06:18,840 --> 00:06:21,936
Porque Darknet é código aberto,

130
00:06:21,960 --> 00:06:24,480
é público para que calquera
poida usalo libremente.

131
00:06:25,600 --> 00:06:31,296
(Aplausos)

132
00:06:31,320 --> 00:06:36,256
Pero queriamos facer a detección
máis accesible e práctica,

133
00:06:36,280 --> 00:06:40,336
así que combinando
a optimización de modelos,

134
00:06:40,360 --> 00:06:42,656
a binarización e aproximación de redes,

135
00:06:42,680 --> 00:06:46,600
logramos que a detección de obxectos
funcionase nun teléfono.

136
00:06:52,800 --> 00:06:58,120
(Aplausos)

137
00:06:58,960 --> 00:07:03,846
Estou entusiasmado porque agora temos
unha solución bastante potente

138
00:07:03,870 --> 00:07:06,516
para este problema 
de visión artificial de baixo nivel,

139
00:07:06,520 --> 00:07:10,216
e calquera pode usala
para facer algo con ela.

140
00:07:10,240 --> 00:07:13,416
A partir de aquí depende de todos vós

141
00:07:13,440 --> 00:07:16,376
e doutros por todo o mundo
con acceso a este software,

142
00:07:16,400 --> 00:07:20,056
e estou desexando ver o que
construirán con esta tecnoloxía.

143
00:07:20,080 --> 00:07:21,296
Grazas.

144
00:07:21,320 --> 00:07:24,760
(Aplausos)