Kako računalo uči trenutačno prepoznavati objekte
-
0:01 - 0:02Prije deset godina,
-
0:02 - 0:05istraživači računalnog vida mislili su
da je naučiti računalo -
0:05 - 0:07kako razlikovati između mačke i psa
-
0:08 - 0:09gotovo nemoguće,
-
0:10 - 0:13čak i uz značajan napredak
u razvoju umjetne inteligencije. -
0:13 - 0:17Sad to možemo učiniti
s više od 99 posto točnosti. -
0:18 - 0:20To se zove klasifikacija slike -
-
0:20 - 0:23dati sliku, staviti oznaku na sliku -
-
0:23 - 0:26a računala znaju
i tisuće drugih kategorija. -
0:27 - 0:30Ja sam postdiplomac
na Sveučilištu u Washingtonu -
0:30 - 0:32i radim na projektu pod nazivom Darknet,
-
0:32 - 0:33što je neuronska mrežna struktura
-
0:33 - 0:36za obuku i testiranje
modela računalnog vida. -
0:36 - 0:39Pa pogledajmo što Darknet misli
-
0:39 - 0:41o ovoj slici koju imamo.
-
0:43 - 0:45Kad smo pokrenuti naš klasifikator
-
0:45 - 0:46na ovoj slici,
-
0:46 - 0:49ne dobivamo samo predviđanja
je li to pas ili mačka, -
0:49 - 0:51nego čak i određena predviđanja pasmine.
-
0:51 - 0:53To je razina zrnatosti koju imamo sada.
-
0:53 - 0:55I to je točno.
-
0:55 - 0:57Moj pas je doista malamut.
-
0:57 - 1:01Napravili smo nevjerojatne pomake
u klasifikaciji slike, -
1:01 - 1:03ali što se događa kad
pokrenemo klasifikator -
1:03 - 1:05na sliku koja izgleda ovako?
-
1:07 - 1:08Dobro ...
-
1:13 - 1:17Vidimo da je klasifikator vraća
uz prilično slična predviđanja. -
1:17 - 1:20I to je točno, na slici je malamut,
-
1:20 - 1:23ali samo s tom oznakom
ne znamo mnogo -
1:23 - 1:25o tome što se događa na slici.
-
1:25 - 1:27Trebamo nešto snažnije.
-
1:27 - 1:30Radim na problemu koji se zove
otkrivanje objekta, -
1:30 - 1:33gdje gledamo sliku i
pokušavamo pronaći sve objekte, -
1:33 - 1:34staviti okvire oko njih
-
1:34 - 1:36i reći ono što ti predmeti su.
-
1:36 - 1:40Evo što se događa kad pokrenemo
detektor na ovoj slici. -
1:41 - 1:43Ovakvom vrstom rezultata
-
1:43 - 1:46možemo napraviti puno više
s algoritmima računalnog vida. -
1:46 - 1:49Vidimo da zna da su tu mačka i pas.
-
1:49 - 1:51Zna njihove relativne položaje,
-
1:52 - 1:53njihovu veličinu.
-
1:53 - 1:54Čak može znati neke dodatne informacije.
-
1:54 - 1:57U pozadini je knjiga.
-
1:57 - 2:01Ako želite izgraditi sustav
na osnovi računalnog vida, -
2:01 - 2:04recimo autonomno vozilo
ili robotski sustav, -
2:04 - 2:06ovo je vrsta informacija koje želite.
-
2:07 - 2:10Želite nešto da možete
komunicirati s fizičkim svijetom. -
2:11 - 2:13Kad sam počeo raditi na
prepoznavanju objekata, -
2:13 - 2:16trebalo je 20 sekundi
za obradu jedne slike. -
2:16 - 2:20A kako biste dobili osjećaj zašto je
brzina ovdje tako važna, -
2:21 - 2:24evo primjera detektora objekta
-
2:24 - 2:26koji treba dvije sekunde za obradu slike.
-
2:26 - 2:29Dakle ovo je 10 puta brže
-
2:29 - 2:32od detektora kojem treba
20 sekundi po slici, -
2:32 - 2:35i možete vidjeti da se za vrijeme
dok on učini predviđanja, -
2:35 - 2:37promijenilo čitavo stanje u svijetu,
-
2:38 - 2:40i to ne bi bilo vrlo korisno
-
2:40 - 2:42za neku primjenu.
-
2:42 - 2:44Ako ovo gore ubrzamo
još jednom za faktor 10, -
2:44 - 2:47to je detektor koji radi
na pet sličica u sekundi. -
2:47 - 2:49To je puno bolje,
-
2:49 - 2:51ali, na primjer,
-
2:51 - 2:53ako postoji bilo kakav značajan pokret,
-
2:53 - 2:56ne bih želio da sustav poput ovog
vozi moj auto. -
2:57 - 3:00Ovo je naš sustav otkrivanja
u realnom vremenu na mom laptopu. -
3:01 - 3:04Glatko me prati kako se krećem kroz kadar,
-
3:04 - 3:08i otporan je na razne promjene veličine,
-
3:09 - 3:11položaja,
-
3:11 - 3:13naprijed, natrag.
-
3:13 - 3:14Ovo je super.
-
3:14 - 3:16To je ono što stvarno trebamo
-
3:16 - 3:19ako ćemo graditi sustave
na osnovi računalnog vida, -
3:19 - 3:23(Pljesak)
-
3:24 - 3:26U samo nekoliko godina
-
3:26 - 3:29došli smo od 20 sekundi po slici
-
3:29 - 3:33do 20 milisekundi po slici,
tisuću puta brže. -
3:33 - 3:34Kako smo došli dovde?
-
3:34 - 3:37Nekada su sustavi za otkrivanje predmeta
-
3:37 - 3:39uzimali sliku poput ove
-
3:39 - 3:42i podijelili je na hrpu područja
-
3:42 - 3:45i zatim pokrenuli klasifikator
na svakom od tih područja. -
3:45 - 3:47Visoki rezultati za taj klasifikator
-
3:47 - 3:51smatrali su se detekcijom u slici.
-
3:51 - 3:55No, to je značilo rad klasifikatora
tisuće puta na slici, -
3:55 - 3:58tisuće procjena neuronskih mreža
kako bi dobili detekciju. -
3:59 - 4:04Umjesto toga smo naučili jednu mrežu
da učini sve detekcije za nas. -
4:04 - 4:08Ona istodobno proizvodi sve okvire
i klase vjerojatnosti. -
4:09 - 4:12S našim sustavom, umjesto da
gledate sliku tisuće puta -
4:12 - 4:14kako bi postigao detekciju,
-
4:14 - 4:15gledate samo jednom,
-
4:15 - 4:18zato ga zovemo YOLO metoda
za detekciju objekta. -
4:19 - 4:23Dakle, ovom brzinom
nismo ograničeni samo na slike; -
4:23 - 4:26možemo obraditi video u realnom vremenu.
-
4:26 - 4:29Sad, umjesto da samo vidimo mačku i psa,
-
4:29 - 4:32vidimo kako se kreću
i međusobno komuniciraju. -
4:35 - 4:37To je detektor koji smo obučili
-
4:37 - 4:41na 80 različitih klasa
-
4:41 - 4:44u Microsoftovoj zbirci podataka COCO.
-
4:44 - 4:48Ona ima svašta, poput žlice
i vilice, zdjele, -
4:48 - 4:49obične predmete poput tih.
-
4:50 - 4:53Ima raznih egzotičnijih stvari:
-
4:53 - 4:57životinje, automobili, zebre, žirafe.
-
4:57 - 4:59A sada idemo učiniti nešto zabavno.
-
4:59 - 5:01Samo ćemo otići u publiku
-
5:01 - 5:03i vidjeti što možemo otkriti.
-
5:03 - 5:04Želi li tko plišanu životinju?
-
5:06 - 5:08Tamo ima nekih medvjedića.
-
5:10 - 5:15Možemo malo smanjiti prag detekcije,
-
5:15 - 5:18tako da možemo naći više vas u publici.
-
5:20 - 5:22Da vidimo možemo li dobiti
ove znakove STOP. -
5:22 - 5:24Nalazimo neke ruksake.
-
5:26 - 5:28Zumirajmo samo malo.
-
5:30 - 5:32I to je super.
-
5:32 - 5:35Sva obrada se događa u stvarnom vremenu
-
5:35 - 5:36na laptopu.
-
5:37 - 5:38I to je važno zapamtiti
-
5:38 - 5:42da je ovo sustav za detekciju objekta
opće namjene, -
5:42 - 5:47možemo ga trenirati za bilo koju domenu.
-
5:48 - 5:51Isti kod koji koristimo
-
5:51 - 5:53za pronaći znakove STOP ili pješake,
-
5:53 - 5:55bicikle u autonomnim vozilima,
-
5:55 - 5:58može se koristiti
kako bi pronašli stanice raka -
5:58 - 6:01u biopsiji tkiva.
-
6:01 - 6:05A znanstvenici diljem svijeta već
koriste ovu tehnologiju -
6:06 - 6:10za napredak u medicini, robotici.
-
6:10 - 6:11Jutros sam pročitao članak
-
6:11 - 6:16o popisu životinja u
Nacionalnom parku Nairobi -
6:16 - 6:19koristeći YOLO u sustavu detekcije.
-
6:19 - 6:22A to je zato što je Darknet open source,
-
6:22 - 6:24u javnoj domeni, besplatan
svakomu za korištenje. -
6:26 - 6:31(Pljesak)
-
6:31 - 6:36No, željeli smo napraviti detekciju
još dostupnijom i korisnijom -
6:36 - 6:40pa smo kombinacijom optimizacije modela,
-
6:40 - 6:43binarizacije mreže i aproksimacije
-
6:43 - 6:47dobili detekciju objekata
koja radi na mobitelu. -
6:53 - 6:58(Pljesak)
-
6:59 - 7:04A ja sam stvarno uzbuđen
jer sada imamo moćno rješenje -
7:04 - 7:06problema računalnog vida
na osnovnoj razini, -
7:06 - 7:10i svatko ga može uzeti
i graditi nešto njime. -
7:10 - 7:13Sad je sve ostalo do vas
-
7:13 - 7:16i ljudi diljem svijeta
s pristupom tom softveru, -
7:16 - 7:20jedva čekam vidjeti što će
ljudi učiniti s ovom tehnologijom. -
7:20 - 7:21Hvala vam.
-
7:21 - 7:23(Pljesak)
- Title:
- Kako računalo uči trenutačno prepoznavati objekte
- Speaker:
- Joseph Redmon
- Description:
-
Prije deset godina, istraživači su mislili da je gotovo nemoguće naučiti računalo prepoznati razliku između mačke i psa. Danas sustavi računalnog vida to rade s više od 99 posto točnosti. Kako? Joseph Redmon radi na sustavu YOLO (You Only Look Once), metodi detekcije objekata otvorenog koda koja može prepoznati predmete u slikama i videozapisima - od zebre do zaustavnih znakova - munjevitom brzinom. U izvanrednom demo prikazu, Redmon pokazuje ovaj važan korak naprijed za aplikacije poput autonomnih automobila, robotike, pa čak i otkrivanja raka.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 07:37
Sanda L approved Croatian subtitles for How computers learn to recognize objects instantly | ||
Sanda L accepted Croatian subtitles for How computers learn to recognize objects instantly | ||
Sanda L edited Croatian subtitles for How computers learn to recognize objects instantly | ||
Ivan Nekić edited Croatian subtitles for How computers learn to recognize objects instantly | ||
Ivan Nekić edited Croatian subtitles for How computers learn to recognize objects instantly | ||
Ivan Nekić edited Croatian subtitles for How computers learn to recognize objects instantly |