0:00:00.825,0:00:01.810
10年前，

0:00:01.810,0:00:04.770
计算机视觉研究者认为[br]要让一台电脑

0:00:04.770,0:00:07.606
去分辨出一只猫和狗的不同之处

0:00:07.606,0:00:09.546
几乎是不可能的，

0:00:09.546,0:00:13.266
即便是在人工智能已经取得了[br]重大突破的情况下。

0:00:13.266,0:00:16.800
现在我们已经可以做到[br]让它的正确率在99%以上。

0:00:17.680,0:00:19.636
这个方法叫做图像分类——

0:00:19.636,0:00:22.716
给它一张图，再给这张图贴上标签——

0:00:22.716,0:00:25.720
通过这种方式，电脑就可以知道[br]数千种的分类。

0:00:26.680,0:00:29.540
我是华盛顿大学的一名研究生，

0:00:29.540,0:00:31.526
我致力于一个名叫“暗网”的项目，

0:00:31.526,0:00:33.266
这是一个用来训练和测试[br]计算机视觉模型的

0:00:33.266,0:00:36.106
神经网络结构。

0:00:36.106,0:00:39.116
让我们来看看暗网是如何看待

0:00:39.116,0:00:40.840
我们手上的这张图片。

0:00:42.520,0:00:44.896
当我们在这张图片上

0:00:44.896,0:00:46.166
运行识别器时，

0:00:46.166,0:00:48.656
我们注意到，它不仅能判断出[br]图片上是猫是狗，

0:00:48.656,0:00:50.880
还能给出它是哪个品种的预测。

0:00:50.880,0:00:53.196
这就是我们目前所达到的粒度级别。

0:00:53.196,0:00:54.816
而且它的预测是正确的。

0:00:54.816,0:00:56.640
我的狗的确是一只[br]阿拉斯加雪橇犬。

0:00:57.040,0:01:01.360
很明显，我们在图像识别上[br]取得了惊人的进步，

0:01:01.360,0:01:03.450
但是如果我们对这样一张图片上

0:01:03.450,0:01:05.384
运行识别器，会如何呢？

0:01:07.080,0:01:08.280
看一下。。。。。

0:01:12.640,0:01:16.586
我们看到识别器给出了一个[br]非常相似的预测。

0:01:16.586,0:01:19.696
而且是正确的，图中是有一只[br]阿拉斯加雪橇犬，

0:01:19.696,0:01:23.416
但只使用这一个标签，[br]我们并不能真正的了解

0:01:23.416,0:01:25.107
这张图片里的故事。

0:01:25.107,0:01:26.651
我们需要更强大的检测器。

0:01:27.240,0:01:29.916
我正在研究一个叫做[br]目标检测的问题，

0:01:29.916,0:01:32.790
也就是我们尝试[br]将一张图上的所有目标物都找出来，

0:01:32.790,0:01:34.240
然后将它们分别框起来，

0:01:34.240,0:01:35.840
再加上标注。

0:01:36.400,0:01:39.680
这就是我们对这张照片[br]运行检测器时所发生的。

0:01:41.240,0:01:43.526
基于这样的结果，

0:01:43.526,0:01:46.216
我们可以用计算机视觉算法[br]做更多的事情。

0:01:46.230,0:01:49.296
我们发现，它知道[br]这里有一只猫和一只狗。

0:01:49.296,0:01:51.460
它知道它们的相对位置，

0:01:51.460,0:01:52.696
它们的大小。

0:01:52.696,0:01:54.330
它可能甚至还知道一些[br]额外的信息。

0:01:54.330,0:01:56.680
例如背景里有一本书。

0:01:57.280,0:02:00.596
如果你想建立一个[br]基于计算机视觉的系统，

0:02:00.596,0:02:04.056
比如说无人驾驶汽车[br]或者机器人系统，

0:02:04.056,0:02:06.526
那么这就是你想要得到的那类信息。

0:02:06.526,0:02:09.759
你要一个能与物质世界互动的系统。

0:02:10.759,0:02:13.010
当我最开始开展目标检测项目时，

0:02:13.010,0:02:16.386
它要花20秒去处理一张图片。

0:02:16.386,0:02:20.240
为了感受一下为什么速度[br]在这个领域是如此重要，

0:02:21.120,0:02:23.676
举一个例子，这是一个2秒钟

0:02:23.680,0:02:26.126
就能处理一张图片的检测器。

0:02:26.126,0:02:28.786
这个检测器的速度要比

0:02:28.786,0:02:32.260
处理每张图需要20秒的[br]检测器快10倍，

0:02:32.260,0:02:35.006
你还可以看到[br]在它做出预测的时候，

0:02:35.006,0:02:37.040
被检测的世界已经发生变化了，

0:02:37.880,0:02:40.280
这对于一个应用来说

0:02:40.280,0:02:41.756
是没有多大用处的。

0:02:41.760,0:02:44.306
如果我们将它的速度再提升10倍，

0:02:44.306,0:02:47.146
这个检测器每秒可处理5张画面。

0:02:47.146,0:02:48.736
这就好很多了，

0:02:48.736,0:02:50.696
但是，举个例子

0:02:50.696,0:02:53.086
如果有任何重大的移动[br]（它就反应不过来了），

0:02:53.086,0:02:55.560
我可不想让这样的一个系统[br]来驾驶我的汽车。

0:02:57.120,0:03:00.360
这是在我电脑上运行的[br]实时检测系统。

0:03:01.000,0:03:04.216
当我在移动时，它能顺利地追踪我，

0:03:04.216,0:03:07.880
而且它强大到能适应不同的大小、

0:03:09.440,0:03:10.640
姿势、

0:03:11.280,0:03:13.110
向前、向后的改变。

0:03:13.110,0:03:14.180
很了不起。

0:03:14.180,0:03:16.120
如果我们想要建造一个

0:03:16.120,0:03:19.056
基于计算机视觉的系统，[br]那么这就是我们真正需要的。

0:03:19.056,0:03:23.056
（掌声）

0:03:24.280,0:03:26.526
仅仅是几年的时间，

0:03:26.526,0:03:29.110
我们就从每张图20秒，

0:03:29.110,0:03:32.660
提升到了每张图20毫秒，[br]速度提高了1000倍。

0:03:32.660,0:03:34.130
我们是如何做到的呢？

0:03:34.130,0:03:37.080
事实上在过去，目标检测系统

0:03:37.080,0:03:39.166
会将这张图片

0:03:39.166,0:03:41.646
分成很多小区域，

0:03:41.646,0:03:44.890
然后在每一块区域运行一下识别器，

0:03:44.890,0:03:47.516
在识别器中获得最高分数（的输出）

0:03:47.516,0:03:50.610
就会被认为是这张图片的检测结果。

0:03:50.610,0:03:54.650
这涉及到要在一张图片上[br]运行数千次识别器，

0:03:54.650,0:03:57.640
以及数千次的神经网络评估[br]才能获得检测结果。

0:03:59.240,0:04:03.826
而现在，我们训练了可以做出[br]所有检测的单一网络。

0:04:03.826,0:04:08.080
它能同时生成边界盒和类别概率。

0:04:08.680,0:04:12.160
使用我们的系统，[br]不需要为了生成检测结果

0:04:12.160,0:04:13.696
去重复上千数次地看同一张图片，

0:04:13.696,0:04:14.880
“只看一次”就行了，

0:04:14.880,0:04:17.880
这也是为什么我们称之为[br]目标检测的“YOLO”法。

0:04:19.360,0:04:23.310
有了这个速度，我们就[br]不仅限于识别图像了，

0:04:23.310,0:04:25.750
还可以实时处理视频。

0:04:25.750,0:04:28.870
现在，我们不仅看到了猫和狗，

0:04:28.870,0:04:31.880
还能看到它们走来走去，互相嘻戏。

0:04:34.560,0:04:36.696
这是一个我们在微软的[br]COCO数据库上，

0:04:36.696,0:04:41.116
用80种不同种类的物品

0:04:41.116,0:04:44.280
训练过的检测器。

0:04:44.280,0:04:47.630
包含了各种东西，[br]像勺子、叉子、碗

0:04:47.630,0:04:49.480
等常见物品。

0:04:50.360,0:04:53.546
还有各种奇特的东西：

0:04:53.546,0:04:56.680
动物、汽车、斑马、长颈鹿。

0:04:56.680,0:04:58.350
现在我们要做点儿有趣的事情。

0:04:58.350,0:05:00.570
我们的摄像头将要对准观众区，

0:05:00.570,0:05:02.116
看看能检测出什么。

0:05:02.116,0:05:04.500
谁想要一个毛绒动物玩具？

0:05:06.000,0:05:07.762
观众席里有了一些泰迪熊。

0:05:10.040,0:05:14.540
我们把检测阀值调低一点，

0:05:14.540,0:05:18.000
这样就可以找出更多的观众。

0:05:19.560,0:05:21.936
看下我们能不能找出这些停车标志。

0:05:21.936,0:05:23.800
我们找到了一些背包。

0:05:25.880,0:05:27.720
再放大一点。

0:05:30.320,0:05:31.400
非常棒。

0:05:31.400,0:05:34.720
所有这些都是在电脑上

0:05:34.720,0:05:36.000
实时处理的。

0:05:37.080,0:05:38.220
请大家记住：

0:05:38.220,0:05:41.866
这是一个通用的目标检测系统，

0:05:41.866,0:05:46.800
因此我们可以将它训练[br]用于任何领域的图像识别。

0:05:48.320,0:05:50.830
我们在无人驾驶汽车中

0:05:50.830,0:05:53.396
用来发现停车标志、行人

0:05:53.396,0:05:55.356
和自行车的代码，

0:05:55.360,0:05:58.306
同样可以用于在组织活检中

0:05:58.306,0:06:01.296
找出癌细胞。

0:06:01.296,0:06:05.320
全球已经有很多研究者[br]正在利用这一技术

0:06:06.240,0:06:09.630
在医学、机器人学等方面取得了进展。

0:06:09.630,0:06:11.020
今天早上，我刚读到一篇文章，

0:06:11.020,0:06:15.610
人们在内罗毕国家公园[br]对动物数量进行普查，

0:06:15.610,0:06:18.846
使用了YOLO作为检测系统的一部分。

0:06:18.846,0:06:21.920
这是因为暗网是一个开源项目，

0:06:21.920,0:06:24.480
在公共领域，任何人都可以免费使用。

0:06:25.600,0:06:31.290
（掌声）

0:06:31.290,0:06:36.200
但是我们想要让检测器[br]能被更多人使用、也更好用，

0:06:36.200,0:06:40.260
因此通过结合模型优化，

0:06:40.260,0:06:42.640
网络二值化和近似法，

0:06:42.640,0:06:46.600
我们实际上已经可以[br]在手机上进行目标检测了。

0:06:52.800,0:06:58.120
（掌声）

0:06:58.960,0:07:04.036
我真的很激动，[br]因为我们在这个低级的

0:07:04.040,0:07:06.320
计算机视觉问题上[br]有了一个强大的解决方案，

0:07:06.320,0:07:10.276
而且任何人都可以[br]使用它来做些什么。

0:07:10.276,0:07:13.466
所以接下来就看所有在座的各位

0:07:13.466,0:07:16.360
以及世界上所有[br]能够使用这个软件的人了，

0:07:16.360,0:07:20.030
而我已经等不及想要看看，[br]人们会用这一技术造出什么来了。

0:07:20.030,0:07:21.210
谢谢。

0:07:21.210,0:07:24.760
（掌声）