[Script Info]
Title: 
[Events]
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
Dialogue: 0,0:00:00.56,0:00:01.88,Default,,0000,0000,0000,,Dziesięć lat temu
Dialogue: 0,0:00:01.88,0:00:04.80,Default,,0000,0000,0000,,badacze rozpoznawania obrazów\Nsądzili, że nauczenie komputera
Dialogue: 0,0:00:04.80,0:00:07.50,Default,,0000,0000,0000,,rozróżniania kota od psa
Dialogue: 0,0:00:07.52,0:00:09.50,Default,,0000,0000,0000,,jest prawie niemożliwe
Dialogue: 0,0:00:09.52,0:00:13.22,Default,,0000,0000,0000,,nawet przy sporym postępie\Nrozwoju sztucznej inteligencji.
Dialogue: 0,0:00:13.24,0:00:16.80,Default,,0000,0000,0000,,Teraz jest to możliwe\Nz dokładnością większą niż 99%.
Dialogue: 0,0:00:17.68,0:00:19.54,Default,,0000,0000,0000,,Nazywamy to klasyfikacją obrazu:
Dialogue: 0,0:00:19.56,0:00:22.66,Default,,0000,0000,0000,,dostarcz obraz,\Nprzypisz do niego etykietę...
Dialogue: 0,0:00:22.68,0:00:25.72,Default,,0000,0000,0000,,komputery znają teraz\Ntysiące innych kategorii.
Dialogue: 0,0:00:26.68,0:00:29.58,Default,,0000,0000,0000,,Jestem doktorantem\Nna Uniwersytecie Waszyngtońskim
Dialogue: 0,0:00:29.60,0:00:31.49,Default,,0000,0000,0000,,i pracuję nad projektem "Darknet",
Dialogue: 0,0:00:31.50,0:00:33.38,Default,,0000,0000,0000,,który jest frameworkiem\Nsieci neuronowej
Dialogue: 0,0:00:33.38,0:00:36.06,Default,,0000,0000,0000,,do ćwiczenia i testowana\Nmodeli rozpoznawania obrazów.
Dialogue: 0,0:00:36.08,0:00:39.06,Default,,0000,0000,0000,,Sprawdźmy więc, co "Darknet" sądzi
Dialogue: 0,0:00:39.08,0:00:40.84,Default,,0000,0000,0000,,o tym obrazie.
Dialogue: 0,0:00:42.52,0:00:45.76,Default,,0000,0000,0000,,Wprowadzenie tego obrazu do klasyfikatora
Dialogue: 0,0:00:46.12,0:00:48.58,Default,,0000,0000,0000,,nie tylko da nam prognozę,\Nczy to pies czy kot,
Dialogue: 0,0:00:48.60,0:00:50.93,Default,,0000,0000,0000,,ale nawet prognozę konkretnej rasy.
Dialogue: 0,0:00:50.93,0:00:53.22,Default,,0000,0000,0000,,Taki poziom szczegółowości\Njest teraz dostępny.
Dialogue: 0,0:00:53.22,0:00:54.78,Default,,0000,0000,0000,,I jest to poprawne rozpoznanie.
Dialogue: 0,0:00:54.80,0:00:56.64,Default,,0000,0000,0000,,Mój pies to naprawdę malamut.
Dialogue: 0,0:00:57.04,0:01:01.38,Default,,0000,0000,0000,,Dokonaliśmy niesamowitego postępu\Nw klasyfikacji obrazów,
Dialogue: 0,0:01:01.40,0:01:05.06,Default,,0000,0000,0000,,ale co się stanie,\Njeśli wprowadzimy taki obraz?
Dialogue: 0,0:01:12.64,0:01:16.54,Default,,0000,0000,0000,,Klasyfikator zwraca podobną prognozę
Dialogue: 0,0:01:16.56,0:01:19.66,Default,,0000,0000,0000,,i jest poprawna - na zdjęciu jest malamut,
Dialogue: 0,0:01:19.68,0:01:23.29,Default,,0000,0000,0000,,ale na podstawie samej etykiety\Nnie można dowiedzieć się wiele
Dialogue: 0,0:01:23.29,0:01:25.15,Default,,0000,0000,0000,,na temat tego,\Nco dzieje się na zdjęciu.
Dialogue: 0,0:01:25.15,0:01:27.42,Default,,0000,0000,0000,,Do tego potrzeba\Nczegoś bardziej zaawansowanego.
Dialogue: 0,0:01:27.42,0:01:29.86,Default,,0000,0000,0000,,Pracuję nad wykrywaniem obiektów.
Dialogue: 0,0:01:29.88,0:01:32.82,Default,,0000,0000,0000,,Patrzymy na obraz i próbujemy\Nznaleźć wszystkie obiekty,
Dialogue: 0,0:01:32.84,0:01:34.30,Default,,0000,0000,0000,,wpisujemy je w bryły brzegowe
Dialogue: 0,0:01:34.32,0:01:35.84,Default,,0000,0000,0000,,i je nazywamy.
Dialogue: 0,0:01:36.40,0:01:39.68,Default,,0000,0000,0000,,Oto co się dzieje, kiedy wprowadzimy\Nten obraz do detektora.
Dialogue: 0,0:01:41.24,0:01:43.50,Default,,0000,0000,0000,,Z tego rodzaju rezultatem
Dialogue: 0,0:01:43.50,0:01:46.24,Default,,0000,0000,0000,,możemy zrobić znacznie więcej,\Nstosując nasze algorytmy.
Dialogue: 0,0:01:46.24,0:01:49.22,Default,,0000,0000,0000,,Komputer wie,\Nże na zdjęciu jest kot i pies.
Dialogue: 0,0:01:49.24,0:01:51.50,Default,,0000,0000,0000,,Zna ich względne położenie,
Dialogue: 0,0:01:51.52,0:01:52.74,Default,,0000,0000,0000,,ich wielkość.
Dialogue: 0,0:01:52.76,0:01:54.70,Default,,0000,0000,0000,,Może też uzyskać dodatkowe informacje:
Dialogue: 0,0:01:54.72,0:01:56.68,Default,,0000,0000,0000,,w tle leży książka.
Dialogue: 0,0:01:57.28,0:02:00.54,Default,,0000,0000,0000,,Żeby zbudować system\Nna rozpoznawaniu obrazu,
Dialogue: 0,0:02:00.56,0:02:04.02,Default,,0000,0000,0000,,powiedzmy samoprowadzący się pojazd\Nlub manipulator robotyczny,
Dialogue: 0,0:02:04.04,0:02:06.50,Default,,0000,0000,0000,,potrzeba właśnie tego typu informacji.
Dialogue: 0,0:02:06.52,0:02:09.76,Default,,0000,0000,0000,,Potrzeba czegoś do interakcji\Nze światem fizycznym.
Dialogue: 0,0:02:10.57,0:02:13.02,Default,,0000,0000,0000,,Kiedy zacząłem pracować\Nnad wykrywaniem obiektów,
Dialogue: 0,0:02:13.04,0:02:16.34,Default,,0000,0000,0000,,przetworzenie jednego obrazu\Nzajmowało 20 sekund.
Dialogue: 0,0:02:16.36,0:02:20.24,Default,,0000,0000,0000,,Aby lepiej odczuć dlaczego prędkość\Njest tak ważna w tej dziedzinie,
Dialogue: 0,0:02:21.12,0:02:23.66,Default,,0000,0000,0000,,pokażę przykład detektora obiektów,
Dialogue: 0,0:02:23.68,0:02:26.10,Default,,0000,0000,0000,,który przetwarza obraz w 2 sekundy.
Dialogue: 0,0:02:26.12,0:02:28.74,Default,,0000,0000,0000,,To 10 razy szybciej
Dialogue: 0,0:02:28.76,0:02:32.30,Default,,0000,0000,0000,,niż ten przetwarzający obraz w 20 sekund,
Dialogue: 0,0:02:32.32,0:02:34.98,Default,,0000,0000,0000,,a i tak można zaobserwować,\Nże zanim dokonał prognozy,
Dialogue: 0,0:02:35.00,0:02:37.04,Default,,0000,0000,0000,,zmieniła się cała sytuacja,
Dialogue: 0,0:02:37.88,0:02:40.30,Default,,0000,0000,0000,,a to nie byłoby zbyt użyteczne\Nw zastosowaniu.
Dialogue: 0,0:02:41.76,0:02:44.26,Default,,0000,0000,0000,,Jeśli dziesięciokrotnie\Nprzyspieszymy ten proces,
Dialogue: 0,0:02:44.28,0:02:47.10,Default,,0000,0000,0000,,tak wygląda detektor\Nprzy pięciu klatkach an sekundę.
Dialogue: 0,0:02:47.12,0:02:48.66,Default,,0000,0000,0000,,Wygląda to dużo lepiej,
Dialogue: 0,0:02:48.68,0:02:50.66,Default,,0000,0000,0000,,ale na przykład
Dialogue: 0,0:02:50.68,0:02:52.98,Default,,0000,0000,0000,,w przypadku znacznego ruchu
Dialogue: 0,0:02:53.00,0:02:55.85,Default,,0000,0000,0000,,nie chciałbym, żeby taki system\Nprowadził mój samochód.
Dialogue: 0,0:02:57.12,0:02:59.78,Default,,0000,0000,0000,,Tak wygląda nasz system\Ndziałający w czasie rzeczywistym
Dialogue: 0,0:02:59.78,0:03:01.00,Default,,0000,0000,0000,,na moim laptopie.
Dialogue: 0,0:03:01.00,0:03:04.14,Default,,0000,0000,0000,,Płynnie śledzi mnie\Nw trakcie poruszania się w ramie
Dialogue: 0,0:03:04.16,0:03:07.88,Default,,0000,0000,0000,,i jest odporny na dużą\Nróżnorodność zmian wielkości,
Dialogue: 0,0:03:09.44,0:03:10.64,Default,,0000,0000,0000,,pozy,
Dialogue: 0,0:03:11.28,0:03:13.14,Default,,0000,0000,0000,,rotacji poziomej.
Dialogue: 0,0:03:13.16,0:03:14.38,Default,,0000,0000,0000,,O to chodziło.
Dialogue: 0,0:03:14.40,0:03:16.14,Default,,0000,0000,0000,,Tego właśnie potrzeba,
Dialogue: 0,0:03:16.16,0:03:19.06,Default,,0000,0000,0000,,żeby budować systemy \Nna rozpoznawaniu obrazu.
Dialogue: 0,0:03:19.08,0:03:23.08,Default,,0000,0000,0000,,(Brawa)
Dialogue: 0,0:03:24.28,0:03:26.46,Default,,0000,0000,0000,,Zaledwie w kilka lat
Dialogue: 0,0:03:26.48,0:03:29.14,Default,,0000,0000,0000,,przeszliśmy od 20 sekund na obraz
Dialogue: 0,0:03:29.16,0:03:32.70,Default,,0000,0000,0000,,do 20 milisekund na obraz\N- tysiąc razy szybciej.
Dialogue: 0,0:03:32.72,0:03:34.14,Default,,0000,0000,0000,,Jak to się stało?
Dialogue: 0,0:03:34.16,0:03:37.18,Default,,0000,0000,0000,,W przeszłości systemy wykrywania obiektów
Dialogue: 0,0:03:37.20,0:03:39.14,Default,,0000,0000,0000,,rozbiłyby ten obraz
Dialogue: 0,0:03:39.16,0:03:41.62,Default,,0000,0000,0000,,na mnóstwo obszarów
Dialogue: 0,0:03:41.64,0:03:44.90,Default,,0000,0000,0000,,i wprowadziłyby każdy z nich\Ndo klasyfikatora,
Dialogue: 0,0:03:44.92,0:03:47.46,Default,,0000,0000,0000,,a wysokie rezultaty klasyfikatora
Dialogue: 0,0:03:47.48,0:03:50.62,Default,,0000,0000,0000,,byłyby uważane za wykrycie obiektów.
Dialogue: 0,0:03:50.64,0:03:54.70,Default,,0000,0000,0000,,Ale to wymagało wprowadzenia obrazu\Ndo klasyfikatora tysiące razy,
Dialogue: 0,0:03:54.72,0:03:57.64,Default,,0000,0000,0000,,tysięcy ewaluacji sieci neuronowych,\Naby otrzymać wykrycie.
Dialogue: 0,0:03:59.24,0:04:01.37,Default,,0000,0000,0000,,Zamiast tego nauczyliśmy pojedynczą sieć
Dialogue: 0,0:04:01.37,0:04:03.80,Default,,0000,0000,0000,,całkowitego wykrywania.
Dialogue: 0,0:04:03.80,0:04:08.08,Default,,0000,0000,0000,,Tworzy ona wszystkie bryły brzegowe\Ni prawdopodobieństwa klasowe jednocześnie.
Dialogue: 0,0:04:08.68,0:04:12.18,Default,,0000,0000,0000,,Nasz system, zamiast tysiąc razy\Nanalizować obraz
Dialogue: 0,0:04:12.20,0:04:13.66,Default,,0000,0000,0000,,do jednego wykrycia,
Dialogue: 0,0:04:13.68,0:04:14.94,Default,,0000,0000,0000,,analizuje go tylko raz
Dialogue: 0,0:04:14.96,0:04:17.88,Default,,0000,0000,0000,,i dlatego nazywamy to\Nmetodą wykrywania obrazów YOLO.
Dialogue: 0,0:04:19.36,0:04:23.34,Default,,0000,0000,0000,,Z tą prędkością nie musimy\Nograniczać się jedynie do obrazów.
Dialogue: 0,0:04:23.36,0:04:25.78,Default,,0000,0000,0000,,Możemy przetwarzać wideo\Nw czasie rzeczywistym.
Dialogue: 0,0:04:25.80,0:04:28.90,Default,,0000,0000,0000,,Teraz zamiast kota i psa
Dialogue: 0,0:04:28.92,0:04:31.88,Default,,0000,0000,0000,,można też obserwować\Nich ruch i interakcję.
Dialogue: 0,0:04:34.56,0:04:36.62,Default,,0000,0000,0000,,Trenowaliśmy ten detektor
Dialogue: 0,0:04:36.64,0:04:41.02,Default,,0000,0000,0000,,na osiemdziesięciu różnych klasach
Dialogue: 0,0:04:41.04,0:04:44.30,Default,,0000,0000,0000,,w zbiorze danych Microsoft COCO.
Dialogue: 0,0:04:44.32,0:04:47.66,Default,,0000,0000,0000,,Zawiera on różnorodne rzeczy,\Nna przykład łyżkę i widelec, miskę
Dialogue: 0,0:04:47.68,0:04:49.67,Default,,0000,0000,0000,,i podobne przedmioty codziennego użytku.
Dialogue: 0,0:04:50.36,0:04:53.46,Default,,0000,0000,0000,,Zawiera również\Nbardziej egzotyczne obrazy:
Dialogue: 0,0:04:53.48,0:04:56.74,Default,,0000,0000,0000,,zwierzęta, samochody, zebry, żyrafy.
Dialogue: 0,0:04:56.76,0:04:58.70,Default,,0000,0000,0000,,Teraz zrobimy coś dla zabawy.
Dialogue: 0,0:04:58.72,0:05:00.82,Default,,0000,0000,0000,,Skierujemy detektor na publiczność
Dialogue: 0,0:05:00.84,0:05:02.86,Default,,0000,0000,0000,,i zobaczymy, co się da wykryć.
Dialogue: 0,0:05:02.88,0:05:04.50,Default,,0000,0000,0000,,Czy ktoś chce pluszaka?
Dialogue: 0,0:05:06.00,0:05:07.76,Default,,0000,0000,0000,,Mam tu kilka misiów.
Dialogue: 0,0:05:10.04,0:05:14.58,Default,,0000,0000,0000,,Możemy trochę obniżyć\Nnasz próg wykrywalności,
Dialogue: 0,0:05:14.60,0:05:18.00,Default,,0000,0000,0000,,aby znaleźć więcej osób na widowni.
Dialogue: 0,0:05:19.50,0:05:21.90,Default,,0000,0000,0000,,Zobaczmy, czy uda nam się\Nrozpoznać te znaki stopu.
Dialogue: 0,0:05:21.92,0:05:23.80,Default,,0000,0000,0000,,Widzimy kilka plecaków.
Dialogue: 0,0:05:25.88,0:05:27.72,Default,,0000,0000,0000,,Zróbmy niewielkie zbliżenie.
Dialogue: 0,0:05:30.32,0:05:31.58,Default,,0000,0000,0000,,Świetnie.
Dialogue: 0,0:05:31.60,0:05:34.78,Default,,0000,0000,0000,,Całe przetwarzanie ma miejsce\Nw czasie rzeczywistym
Dialogue: 0,0:05:34.80,0:05:36.00,Default,,0000,0000,0000,,na laptopie.
Dialogue: 0,0:05:37.08,0:05:38.54,Default,,0000,0000,0000,,Należy pamiętać,
Dialogue: 0,0:05:38.56,0:05:41.78,Default,,0000,0000,0000,,że jest to system wykrywania\Nobiektów do użytku ogólnego,
Dialogue: 0,0:05:41.80,0:05:46.80,Default,,0000,0000,0000,,więc możemy go wytrenować\Ndla dowolnej kategorii obrazów.
Dialogue: 0,0:05:48.32,0:05:50.86,Default,,0000,0000,0000,,Ten sam kod, którego używamy
Dialogue: 0,0:05:50.88,0:05:53.34,Default,,0000,0000,0000,,do znalezienia znaków stopu, pieszych,
Dialogue: 0,0:05:53.36,0:05:55.34,Default,,0000,0000,0000,,lub rowerów w autonomicznym pojeździe
Dialogue: 0,0:05:55.36,0:05:58.22,Default,,0000,0000,0000,,można wykorzystać\Ndo znalezienia komórek rakowych
Dialogue: 0,0:05:58.24,0:06:01.26,Default,,0000,0000,0000,,w biopsji tkanki.
Dialogue: 0,0:06:01.28,0:06:05.32,Default,,0000,0000,0000,,Badacze na całym świece\Nużywają już tej technologii
Dialogue: 0,0:06:06.24,0:06:09.66,Default,,0000,0000,0000,,do rozwoju w dziedzinach\Ntakich jak medycyna, czy robotyka.
Dialogue: 0,0:06:09.68,0:06:11.06,Default,,0000,0000,0000,,Dziś rano czytałem pracę
Dialogue: 0,0:06:11.08,0:06:15.65,Default,,0000,0000,0000,,omawiającą zliczanie zwierząt\Nw Parku Narodowym Nairobi
Dialogue: 0,0:06:15.65,0:06:18.84,Default,,0000,0000,0000,,przy wykorzystaniu YOLO jako\Nczęści systemu wykrywania obiektów.
Dialogue: 0,0:06:18.84,0:06:21.94,Default,,0000,0000,0000,,Jest to możliwe ponieważ "Darknet"\Njest programem open source,
Dialogue: 0,0:06:21.96,0:06:24.76,Default,,0000,0000,0000,,będącym własnością publiczną \Ndo wolnego użytku.
Dialogue: 0,0:06:25.60,0:06:31.30,Default,,0000,0000,0000,,(Brawa)
Dialogue: 0,0:06:31.32,0:06:36.26,Default,,0000,0000,0000,,Chcieliśmy jednak, żeby wykrywanie\Nbyło bardziej przystępne i przydatne,
Dialogue: 0,0:06:36.28,0:06:40.34,Default,,0000,0000,0000,,więc poprzez połączenie\Noptymalizacji modelu,
Dialogue: 0,0:06:40.36,0:06:42.66,Default,,0000,0000,0000,,binaryzacji i aproksymacji sieci
Dialogue: 0,0:06:42.68,0:06:46.60,Default,,0000,0000,0000,,otrzymaliśmy wykrywanie obiektów\Ndziałające na telefonie.
Dialogue: 0,0:06:52.80,0:06:58.12,Default,,0000,0000,0000,,(Brawa)
Dialogue: 0,0:06:58.96,0:07:03.69,Default,,0000,0000,0000,,Jestem bardzo podekscytowany,\Nbo mamy potężne rozwiązanie problemu
Dialogue: 0,0:07:03.69,0:07:06.39,Default,,0000,0000,0000,,rozpoznawania obrazów\Nna komputerach o niskiej wydajności
Dialogue: 0,0:07:06.39,0:07:10.24,Default,,0000,0000,0000,,i każdy może je wykorzystać\Ni stworzyć coś przy jego użyciu.
Dialogue: 0,0:07:10.25,0:07:13.42,Default,,0000,0000,0000,,Reszta zależy od was
Dialogue: 0,0:07:13.44,0:07:16.38,Default,,0000,0000,0000,,i ludzi na całym świecie\Nz dostępem do tego oprogramowania.
Dialogue: 0,0:07:16.40,0:07:17.84,Default,,0000,0000,0000,,Nie mogę się doczekać tego,
Dialogue: 0,0:07:17.87,0:07:20.08,Default,,0000,0000,0000,,co ludzie stworzą\Nprzy użyciu tej technologii.
Dialogue: 0,0:07:20.08,0:07:21.30,Default,,0000,0000,0000,,Dziękuję.
Dialogue: 0,0:07:21.32,0:07:24.76,Default,,0000,0000,0000,,(Brawa)