Prije deset godina, istraživači računalnog vida mislili su da je naučiti računalo kako razlikovati između mačke i psa gotovo nemoguće, čak i uz značajan napredak u razvoju umjetne inteligencije. Sad to možemo učiniti s više od 99 posto točnosti. To se zove klasifikacija slike - dati sliku, staviti oznaku na sliku - a računala znaju i tisuće drugih kategorija. Ja sam postdiplomac na Sveučilištu u Washingtonu i radim na projektu pod nazivom Darknet, što je neuronska mrežna struktura za obuku i testiranje modela računalnog vida. Pa pogledajmo što Darknet misli o ovoj slici koju imamo. Kad smo pokrenuti naš klasifikator na ovoj slici, ne dobivamo samo predviđanja je li to pas ili mačka, nego čak i određena predviđanja pasmine. To je razina zrnatosti koju imamo sada. I to je točno. Moj pas je doista malamut. Napravili smo nevjerojatne pomake u klasifikaciji slike, ali što se događa kad pokrenemo klasifikator na sliku koja izgleda ovako? Dobro ... Vidimo da je klasifikator vraća uz prilično slična predviđanja. I to je točno, na slici je malamut, ali samo s tom oznakom ne znamo mnogo o tome što se događa na slici. Trebamo nešto snažnije. Radim na problemu koji se zove otkrivanje objekta, gdje gledamo sliku i pokušavamo pronaći sve objekte, staviti okvire oko njih i reći ono što ti predmeti su. Evo što se događa kad pokrenemo detektor na ovoj slici. Ovakvom vrstom rezultata možemo napraviti puno više s algoritmima računalnog vida. Vidimo da zna da su tu mačka i pas. Zna njihove relativne položaje, njihovu veličinu. Čak može znati neke dodatne informacije. U pozadini je knjiga. Ako želite izgraditi sustav na osnovi računalnog vida, recimo autonomno vozilo ili robotski sustav, ovo je vrsta informacija koje želite. Želite nešto da možete komunicirati s fizičkim svijetom. Kad sam počeo raditi na prepoznavanju objekata, trebalo je 20 sekundi za obradu jedne slike. A kako biste dobili osjećaj zašto je brzina ovdje tako važna, evo primjera detektora objekta koji treba dvije sekunde za obradu slike. Dakle ovo je 10 puta brže od detektora kojem treba 20 sekundi po slici, i možete vidjeti da se za vrijeme dok on učini predviđanja, promijenilo čitavo stanje u svijetu, i to ne bi bilo vrlo korisno za neku primjenu. Ako ovo gore ubrzamo još jednom za faktor 10, to je detektor koji radi na pet sličica u sekundi. To je puno bolje, ali, na primjer, ako postoji bilo kakav značajan pokret, ne bih želio da sustav poput ovog vozi moj auto. Ovo je naš sustav otkrivanja u realnom vremenu na mom laptopu. Glatko me prati kako se krećem kroz kadar, i otporan je na razne promjene veličine, položaja, naprijed, natrag. Ovo je super. To je ono što stvarno trebamo ako ćemo graditi sustave na osnovi računalnog vida, (Pljesak) U samo nekoliko godina došli smo od 20 sekundi po slici do 20 milisekundi po slici, tisuću puta brže. Kako smo došli dovde? Nekada su sustavi za otkrivanje predmeta uzimali sliku poput ove i podijelili je na hrpu područja i zatim pokrenuli klasifikator na svakom od tih područja. Visoki rezultati za taj klasifikator smatrali su se detekcijom u slici. No, to je značilo rad klasifikatora tisuće puta na slici, tisuće procjena neuronskih mreža kako bi dobili detekciju. Umjesto toga smo naučili jednu mrežu da učini sve detekcije za nas. Ona istodobno proizvodi sve okvire i klase vjerojatnosti. S našim sustavom, umjesto da gledate sliku tisuće puta kako bi postigao detekciju, gledate samo jednom, zato ga zovemo YOLO metoda za detekciju objekta. Dakle, ovom brzinom nismo ograničeni samo na slike; možemo obraditi video u realnom vremenu. Sad, umjesto da samo vidimo mačku i psa, vidimo kako se kreću i međusobno komuniciraju. To je detektor koji smo obučili na 80 različitih klasa u Microsoftovoj zbirci podataka COCO. Ona ima svašta, poput žlice i vilice, zdjele, obične predmete poput tih. Ima raznih egzotičnijih stvari: životinje, automobili, zebre, žirafe. A sada idemo učiniti nešto zabavno. Samo ćemo otići u publiku i vidjeti što možemo otkriti. Želi li tko plišanu životinju? Tamo ima nekih medvjedića. Možemo malo smanjiti prag detekcije, tako da možemo naći više vas u publici. Da vidimo možemo li dobiti ove znakove STOP. Nalazimo neke ruksake. Zumirajmo samo malo. I to je super. Sva obrada se događa u stvarnom vremenu na laptopu. I to je važno zapamtiti da je ovo sustav za detekciju objekta opće namjene, možemo ga trenirati za bilo koju domenu. Isti kod koji koristimo za pronaći znakove STOP ili pješake, bicikle u autonomnim vozilima, može se koristiti kako bi pronašli stanice raka u biopsiji tkiva. A znanstvenici diljem svijeta već koriste ovu tehnologiju za napredak u medicini, robotici. Jutros sam pročitao članak o popisu životinja u Nacionalnom parku Nairobi koristeći YOLO u sustavu detekcije. A to je zato što je Darknet open source, u javnoj domeni, besplatan svakomu za korištenje. (Pljesak) No, željeli smo napraviti detekciju još dostupnijom i korisnijom pa smo kombinacijom optimizacije modela, binarizacije mreže i aproksimacije dobili detekciju objekata koja radi na mobitelu. (Pljesak) A ja sam stvarno uzbuđen jer sada imamo moćno rješenje problema računalnog vida na osnovnoj razini, i svatko ga može uzeti i graditi nešto njime. Sad je sve ostalo do vas i ljudi diljem svijeta s pristupom tom softveru, jedva čekam vidjeti što će ljudi učiniti s ovom tehnologijom. Hvala vam. (Pljesak)