0:00:00.825,0:00:01.976
Десять років тому

0:00:02.000,0:00:04.776
дослідники комп'ютерного зору[br]вважали, що навчити комп'ютер

0:00:04.800,0:00:07.496
визначити різницю[br]між котом і собакою —

0:00:07.520,0:00:09.496
майже неможливо,

0:00:09.520,0:00:13.216
навіть зі значним розвитком[br]в галузі штучного інтелекту.

0:00:13.240,0:00:16.800
Зараз ми вміємо це робити[br]з точністю понад 99%.

0:00:17.680,0:00:19.536
Це називається класифікація [br]зображень —

0:00:19.560,0:00:22.656
маючи зображення, [br]назвати це зображення —

0:00:22.680,0:00:25.720
і комп'ютери знають[br]тисячі таких категорій.

0:00:26.680,0:00:29.576
Я аспірант[br]Університету Вашингтона,

0:00:29.600,0:00:31.636
і я працюю над проектом[br]під назвою Даркнет,

0:00:31.636,0:00:33.216
це фреймворк для нейронної сітки,

0:00:33.240,0:00:36.056
який навчає і тестує[br]моделі комп'ютерного зору.

0:00:36.080,0:00:39.056
Дізнаймося, що думає Даркнет

0:00:39.080,0:00:40.840
про це наше зображення.

0:00:42.520,0:00:44.856
Коли ми запускаємо класифікатор

0:00:44.880,0:00:46.096
для цього зображення,

0:00:46.120,0:00:48.656
ми отримуємо не просто прогноз [br]щодо кішки чи собаки,

0:00:48.656,0:00:50.936
насправді ми отримуємо[br]визначення породи.

0:00:50.960,0:00:53.136
Ось такий рівень точності[br]ми маємо зараз.

0:00:53.160,0:00:54.776
І це так.

0:00:54.800,0:00:56.640
Мій собака насправді маламут.

0:00:57.040,0:01:01.376
Тож ми досягли відчутного успіху[br]у класифікації зображень,

0:01:01.400,0:01:03.550
але що станеться, якщо запустити[br]класифікатор

0:01:03.550,0:01:05.384
на отакому зображенні?

0:01:07.080,0:01:08.280
Ну...

0:01:12.640,0:01:16.536
Ми бачимо, що він повертається[br]з дуже подібним передбаченням.

0:01:16.560,0:01:19.656
І це правда, на зображенні[br]є маламут,

0:01:19.680,0:01:23.376
але через саму цю назву[br]ми небагато дізналися про те,

0:01:23.400,0:01:25.067
що саме відбувається на зображенні.

0:01:25.091,0:01:26.651
Нам потрібно щось потужніше.

0:01:27.240,0:01:29.856
І я працюю над проблемою[br]під назвою визначення об'єктів,

0:01:29.880,0:01:32.816
ми дивимося на зображення[br]і намагаємося знайти усі об'єкти,

0:01:32.840,0:01:34.296
визначивши їхні межі

0:01:34.320,0:01:35.840
і підписавши, що це таке.

0:01:36.400,0:01:39.680
Ось що трапиться, якщо запустити детектор[br]для цього зображення.

0:01:41.240,0:01:43.496
З таким результатом ми можемо

0:01:43.520,0:01:46.216
зробити більше з нашими алгоритмами [br]комп'ютерного зору.

0:01:46.240,0:01:49.216
Ми бачимо, що він знає, [br]що це кіт і собака.

0:01:49.240,0:01:51.496
Він знає їхні приблизні локації,

0:01:51.520,0:01:52.736
їхній розмір.

0:01:52.760,0:01:55.216
Він може навіть знати деяку [br]додаткову інформацію.

0:01:55.216,0:01:56.680
Ось там на фоні книжка.

0:01:57.280,0:02:00.536
І якщо ви хочете побудувати систему[br]на основі комп'ютерного зору,

0:02:00.560,0:02:04.016
наприклад, машину на автопілоті[br]чи роботизовану систему,

0:02:04.040,0:02:06.496
ви потребуватимете[br]саме такої інформації.

0:02:06.520,0:02:09.759
Ви хочете чогось, що дозволить[br]взаємодіяти з матеріальним світом.

0:02:10.579,0:02:13.016
Коли я почав працювати над[br]визначенням об'єктітв,

0:02:13.040,0:02:16.336
обробка зображення займала[br]20 секунд.

0:02:16.360,0:02:20.240
І щоб зрозуміти, чому швидкість [br]настільки важлива в цій галузі,

0:02:21.120,0:02:23.656
ось приклад детектора об'єктів,

0:02:23.680,0:02:26.096
що потребує 2 секунди[br]на обробку зображення.

0:02:26.120,0:02:28.736
Тож він у десять разів швидший

0:02:28.760,0:02:32.296
за той 20-секундний детектор,

0:02:32.320,0:02:34.976
але видно, що коли він робить[br]свій прогноз,

0:02:35.000,0:02:37.040
стан навколишнього світу[br]вже змінився.

0:02:37.880,0:02:40.296
Тож це не дуже корисно

0:02:40.320,0:02:41.736
для додатку.

0:02:41.760,0:02:44.256
Якщо ми прискоримо це[br]ще вдесятеро,

0:02:44.280,0:02:47.096
ось детектор, що працює[br]на швидкості 5 кадрів на секунду.

0:02:47.120,0:02:48.656
Це набагато краще,

0:02:48.680,0:02:50.656
але наприклад,

0:02:50.680,0:02:52.976
якщо відбувається помітний рух,

0:02:53.000,0:02:55.560
я б не хотів, щоб така система[br]керувала моєю автівкою.

0:02:57.120,0:03:00.360
Це наша система визначення, [br]що працює наживо на моєму лептопі.

0:03:01.000,0:03:04.136
Вона послідовно визначає моє місце, [br]поки я рухаюсь коло меж,

0:03:04.160,0:03:07.880
і вона стійка до різноманітних[br]змін розміру,

0:03:09.440,0:03:10.640
пози,

0:03:11.280,0:03:13.136
руху вперед і назад.

0:03:13.160,0:03:14.376
Це чудово.

0:03:14.400,0:03:16.136
Саме це нам і потрібно,

0:03:16.160,0:03:19.056
якщо ми хочемо будувати системи[br]на основі комп'ютерного зору.

0:03:19.080,0:03:23.080
(Оплески)

0:03:24.280,0:03:26.456
Тож лише за кілька років

0:03:26.480,0:03:29.136
ми пройшли від 20 секунд [br]на зображення

0:03:29.160,0:03:32.696
до 20 мілісекунд на зображення, [br]у тисячу разів швидше.

0:03:32.720,0:03:34.136
Як ми цього досягли?

0:03:34.160,0:03:37.176
У минулому система визначення об'єктів

0:03:37.200,0:03:39.136
взяла б подібне зображення

0:03:39.160,0:03:41.616
і поділила на безліч регіонів,

0:03:41.640,0:03:44.896
а потім запустила б класифікатор[br]для кожного регіону,

0:03:44.920,0:03:47.456
і високі бали для такого класифікатора

0:03:47.480,0:03:50.616
вважалися б[br]за визначення зображення.

0:03:50.640,0:03:54.696
Але це потребувало б запуску[br]класифікатора тисячі разів,

0:03:54.720,0:03:57.640
тисячі перевірок нейронної мережі, [br]щоб зробити визначення.

0:03:59.240,0:04:03.776
Натомість ми натренували єдину мережу[br]робити усі визначення для нас.

0:04:03.800,0:04:08.080
Вона створює усі рамки[br]й сортує ймовірності одночасно.

0:04:08.420,0:04:11.980
З нашою системою, замість того [br]щоб тисячі разів дивитися на зображення

0:04:11.980,0:04:13.806
для визначення, [br]ми дивимося один раз:

0:04:13.806,0:04:14.936
"you only look once".

0:04:14.960,0:04:17.900
і ми назвали наш метод [br]визначення об'єктів YOLO.

0:04:19.360,0:04:23.336
Тож з такою швидкістю[br]ми не обмежені зображеннями,

0:04:23.360,0:04:25.776
ми можемо обробляти відео наживо.

0:04:25.800,0:04:28.896
І тепер, замість того щоб бачити[br]тих кота і собаку,

0:04:28.920,0:04:31.880
ми можемо бачити, як вони[br]рухаються і взаємодіють.

0:04:34.560,0:04:36.616
Цей детектор ми тренували

0:04:36.640,0:04:41.016
на 80 різних класах

0:04:41.040,0:04:44.296
з набору даних Microsoft СОСО.

0:04:44.320,0:04:47.656
Там були усі типи речей: [br]ложка і виделка, миска,

0:04:47.680,0:04:49.480
подібні звичні речі.

0:04:50.360,0:04:53.456
Там була й безліч незвичніших речей:

0:04:53.480,0:04:56.736
тварини, авто, зебри, жирафи.

0:04:56.760,0:04:58.696
І зараз ми зробимо дещо цікаве.

0:04:58.720,0:05:00.816
Ми просто підемо у залу

0:05:00.840,0:05:02.856
і побачимо, які речі зможемо[br]визначити.

0:05:02.880,0:05:04.500
Хтось хоче м'яку іграшку?

0:05:06.000,0:05:07.762
Тут є іграшкові ведмеді.

0:05:10.040,0:05:14.576
І ми можемо трошки знизити [br]поріг розпізнавання,

0:05:14.600,0:05:18.000
щоб знайти більше вас [br]в аудиторії.

0:05:19.560,0:05:21.896
Побачимо, чи ми визначаємо знаки "стоп".

0:05:21.920,0:05:23.800
Ми знайшли наплечники.

0:05:25.880,0:05:27.720
Тепер наблизьмо трошки.

0:05:30.320,0:05:31.576
І це чудово.

0:05:31.600,0:05:34.776
І уся обробка відбувається[br]в реальному часі

0:05:34.800,0:05:36.000
на лептопі.

0:05:37.080,0:05:38.536
І важливо пам'ятати,

0:05:38.560,0:05:41.776
що це система визначення[br]загального призначення,

0:05:41.800,0:05:46.800
тож ми можемо натренувати її[br]для будь-якого типу зображень.

0:05:48.320,0:05:50.856
Той самий код, що використовується,

0:05:50.880,0:05:53.336
щоб знаходити знаки "стоп", пішоходів,

0:05:53.360,0:05:55.336
велосипеди для машини на автопілоті,

0:05:55.360,0:05:58.216
можна використати, щоб знаходити[br]ракові клітини

0:05:58.240,0:06:01.256
у біопсії тканини.

0:06:01.280,0:06:05.320
І дослідники по всьому світу[br]вже використовують цю технологію,

0:06:06.240,0:06:09.490
щоб розвивати медицину[br]чи робототехніку.

0:06:09.490,0:06:11.056
Цього ранку я прочитав статтю

0:06:11.080,0:06:15.656
про те, як підраховували тварин[br]в Національному парку Найробі,

0:06:15.680,0:06:18.816
використовуючи YOLO [br]як частину системи розпізнавання.

0:06:18.840,0:06:21.936
А це тому, що Даркнет — проект з вікритим[br]кодом

0:06:21.960,0:06:24.480
у публічному доступі, [br]безкоштовний для використання.

0:06:25.600,0:06:31.296
(Оплески)

0:06:31.320,0:06:36.256
Але ми хочемо зробити визначення[br]навіть доступнішим і зручнішим,

0:06:36.280,0:06:40.336
тож завдяки оптимізації,

0:06:40.360,0:06:42.656
апроксимації та бінаризації мережі

0:06:42.680,0:06:46.600
наше визначення зображень[br]працює на телефоні.

0:06:52.800,0:06:58.120
(Оплески)

0:06:58.960,0:07:04.016
І я дуже схвильований, бо[br]зараз у нас є досить потужне розв'язання

0:07:04.040,0:07:06.336
для низькорівневого комп'ютерного зору,

0:07:06.360,0:07:10.216
і кожен може взяти його[br]і щоб з цим побудувати.

0:07:10.240,0:07:13.416
Тож решта залежить від вас усіх,

0:07:13.440,0:07:16.376
від людей по всьому світу, [br]які мають доступ до цієї програми,

0:07:16.400,0:07:20.056
і я із нетерпінням чекаю на речі, [br]які люди створять із цією технологією.

0:07:20.080,0:07:21.296
Дякую.

0:07:21.320,0:07:24.760
(Оплески)