Cara komputer belajar mengenali objek secara langsung
-
0:01 - 0:02Sepuluh tahun lalu,
-
0:02 - 0:05peneliti penglihatan komputer
merasa bahwa memerintahkan -
0:05 - 0:07komputer membedakan kucing dan anjing
-
0:08 - 0:09hampir dikatakan mustahil,
-
0:10 - 0:13bahkan dengan kemajuan signifikan
dalam bidang kecerdasan buatan. -
0:13 - 0:17Sekarang, kita dapat melakukannya
dengan akurasi lebih dari 99 persen. -
0:18 - 0:20Inilah yang disebut klasifikasi gambar,
-
0:20 - 0:23taruhlah satu gambar,
beri label gambar itu, -
0:23 - 0:26dan komputer juga akan tahu
ribuan kategori lainnya. -
0:27 - 0:30Saya mahasiswa pascasarjana
di University of Washington, -
0:30 - 0:31dan sedang mengerjakan projek Darknet,
-
0:32 - 0:33yaitu kerangka kerja jaringan saraf
-
0:33 - 0:36untuk melatih dan menguji
model penglihatan komputer. -
0:36 - 0:39Mari kita lihat apa yang Darknet pikirkan
-
0:39 - 0:41mengenai gambar ini.
-
0:43 - 0:45Saat kita menjalankan alat klasifikasi
-
0:45 - 0:46pada gambar ini,
-
0:46 - 0:49kita melihat tidak hanya
prediksi anjing dan kucing, -
0:49 - 0:51tetapi juga prediksi turunannya
secara spesifik. -
0:51 - 0:53Kita juga mendapat
prediksi lebih detail lagi. -
0:53 - 0:55Yap, itu benar.
-
0:55 - 0:57Anjing saya memang
dari jenis malamute. -
0:57 - 1:01Kita sudah membuat langkah luar biasa
dalam klasifikasi gambar, -
1:01 - 1:03bagaimana jika alat klasifikasi dijalankan
-
1:03 - 1:05pada gambar seperti ini?
-
1:07 - 1:08Mari kita lihat...
-
1:13 - 1:17Alat klasifikasi memberikan
prediksi yang lumayan mirip. -
1:17 - 1:20Yap, itu benar, ada seekor malamute
dalam gambar, -
1:20 - 1:23tapi jika hanya dari labelnya,
kita tidak tahu banyak tentang -
1:23 - 1:25apa yang terjadi dalam gambar itu.
-
1:25 - 1:27Kita butuh lebih dari itu.
-
1:27 - 1:30Saya memikirkan satu persoalan
disebut deteksi objek, -
1:30 - 1:33yaitu kita melihat gambar dan
mencoba mencari semua objek, -
1:33 - 1:34membuat kotak pembatas,
-
1:34 - 1:36dan melabeli semua objek itu.
-
1:36 - 1:40Jadi, seperti inilah jika detektor
dijalankan pada gambar. -
1:41 - 1:43Dengan hasil seperti ini, banyak yang bisa
-
1:44 - 1:46dilakukan dengan algoritme
penglihatan komputer. -
1:46 - 1:49Bisa kita lihat bahwa komputer
tahu ada kucing dan anjing, -
1:49 - 1:51tahu lokasi relatif dan juga
-
1:52 - 1:53ukuran hewan-hewan itu.
-
1:53 - 1:55Bahkan ia juga tahu informasi lainya.
-
1:55 - 1:57Ada buku di belakang sana.
-
1:57 - 2:01Jika Anda ingin membuat sistem
berkekuatan penglihatan komputer, -
2:01 - 2:04misalnya mobil otonom
atau sistem robotika, -
2:04 - 2:06inilah jenis informasi
yang Anda inginkan. -
2:07 - 2:10Ada tentu butuh sesuatu agar
dapat berinteraksi dengan dunia fisik. -
2:11 - 2:13Ketika mulai mengerjakan deteksi objek,
-
2:13 - 2:16butuh waktu 20 detik untuk
memproses satu gambar. -
2:16 - 2:20Agar Anda memahami alasan betapa kecepatan
sangat penting dalam domain ini, -
2:21 - 2:24inilah contoh pendeteksi objek
-
2:24 - 2:26yang butuh waktu 2 detik
untuk memproses 1 gambar. -
2:26 - 2:29Proses ini 10 kali lebih cepat
-
2:29 - 2:32daripada alat deteksi 20-detik-per-gambar,
-
2:32 - 2:35dan dapat Anda lihat bahwa selagi
komputer memprediksi, -
2:35 - 2:37keadaan lingkungan sekitarnya berubah,
-
2:38 - 2:40tentu hal ini tidak akan berguna
-
2:40 - 2:42bagi aplikasi.
-
2:42 - 2:44Jika kita tingkatkan kecepatan
hingga 10 kali lipat, -
2:44 - 2:47pendeteksi ini berjalan dengan
lima bingkai per detik. -
2:47 - 2:49Dan menjadi jauh lebih baik,
-
2:49 - 2:51tetapi seandainya,
-
2:51 - 2:53ada pergerakan yang signifikan,
-
2:53 - 2:56saya tidak ingin sistem ini
mengemudikan mobil saya. -
2:57 - 3:00Sistem deteksi kita ini beroperasi di
laptop dalam waktu nyata. -
3:01 - 3:04Dengan mulus ia melacak selagi
saya bergerak di sekitar bingkai, -
3:04 - 3:08dan cekatan dalam mendeteksi
berbagai perubahan ukuran, -
3:09 - 3:11pose,
-
3:11 - 3:13ke depan, ke belakang.
-
3:13 - 3:14Luar biasa.
-
3:14 - 3:16Ini yang sangat kita butuhkan
-
3:16 - 3:19jika akan membuat sistem berkekuatan
penglihatan komputer. -
3:19 - 3:23(Tepuk tangan)
-
3:24 - 3:26Hanya dalam beberapa tahun,
-
3:26 - 3:29ada kemajuan dari 20 detik per gambar
-
3:29 - 3:33menjadi 20 milidetik per gambar,
seribu kali lebih cepat. -
3:33 - 3:34Bagaimana bisa demikian?
-
3:34 - 3:37Dulu, sistem deteksi objek
-
3:37 - 3:39menggunakan gambar seperti ini
-
3:39 - 3:42dan membaginya menjadi
sekelompok area -
3:42 - 3:45lalu menjalankan alat klasifikasi
pada masing-masing area, -
3:45 - 3:47dan skor tinggi dari alat klasifikasi
-
3:47 - 3:51dianggap sebagai deteksi dalam gambar.
-
3:51 - 3:55Tetapi metode ini mengharuskan ribuan kali
deteksi pada satu gambar, -
3:55 - 3:58ribuan evaluasi kerangka saraf
untuk menghasilkan deteksi. -
3:59 - 4:04Alih-alih, kami melatih satu jaringan
untuk melakukan semua deteksi. -
4:04 - 4:08Jaringan itu memunculkan kotak pembatas
sekaligus probabilitas kelas. -
4:09 - 4:12Dengan sistem ini, alih-alih melihat
satu gambar ribuan kali -
4:12 - 4:14untuk menghasilkan deteksi,
-
4:14 - 4:15Anda cukup lihat sekali,
-
4:15 - 4:18oleh karena itulah kami menyebutnya
metode deteksi objek YOLO. -
4:19 - 4:23Dengan kecepatan seperti ini,
kita dapat memproses tidak hanya gambar, -
4:23 - 4:26tetapi juga video dalam waktu nyata.
-
4:26 - 4:29Sehingga, alih-alih hanya
melihat kucing dan anjing, -
4:29 - 4:32kita juga dapat melihat hewan ini
bergerak dan berinteraksi. -
4:35 - 4:37Inilah pendeteksi yang kami latih
-
4:37 - 4:41pada 80 kelas berbeda
-
4:41 - 4:44dalam dataset COCO milik Microsoft.
-
4:44 - 4:48Dataset ini memiliki semua jenis benda,
sendok dan garpu, mangkuk -
4:48 - 4:49benda-benda umum semacam itu.
-
4:50 - 4:53Juga ada beragam benda eksotik lainnya:
-
4:53 - 4:57binatang, mobil, zebra, jerapah.
-
4:57 - 4:59Mari kita lakukan sesuatu yang menarik.
-
4:59 - 5:01Saya akan mengarahkan kamera ke penonton
-
5:01 - 5:03dan lihatlah benda yang dapat terdeteksi.
-
5:03 - 5:04Ada yang mau boneka hewan?
-
5:06 - 5:08Ada beberapa boneka beruang di sana.
-
5:10 - 5:15Kita dapat menurunkan
ambang pendeteksinya sedikit, -
5:15 - 5:18agar ia dapat mendeteksi
lebih banyak penonton. -
5:20 - 5:22Ada rambu berhenti yang terdeteksi.
-
5:22 - 5:24Ada tas ransel.
-
5:26 - 5:28Mari kita perbesar sedikit.
-
5:30 - 5:32Luar biasa.
-
5:32 - 5:35Semua proses ini terjadi saat ini juga
-
5:35 - 5:36dengan laptop.
-
5:37 - 5:39Penting untuk diingat bahwa
-
5:39 - 5:42inilah tujuan umum
sistem deteksi objek, -
5:42 - 5:47agar kami dapat melatihnya
pada domain gambar mana pun. -
5:48 - 5:51Kode yang sama yang kita pakai untuk
-
5:51 - 5:53menemukan tanda berhenti
atau pejalan kaki, -
5:53 - 5:55sepeda dan mobil otonom,
-
5:55 - 5:58yang dapat dipakai untuk
menemukan sel kanker -
5:58 - 6:01dalam biopsi jaringan.
-
6:01 - 6:05Ada banyak peneliti di seluruh dunia
yang sudah menggunakan teknologi ini -
6:06 - 6:10untuk pengembangan dalam
obat-obatan, robotika. -
6:10 - 6:11Tadi pagi saya membaca koran
-
6:11 - 6:16bahwa ada sensus binatang
di Taman Nasional Nairobi -
6:16 - 6:19menggunakan YOLO sebagai
bagian dari sistem deteksi ini. -
6:19 - 6:22Itu karena Darknet adalah sumber terbuka
-
6:22 - 6:24ada di domain publik,
gratis untuk siapa saja. -
6:26 - 6:31(Tepuk tangan)
-
6:31 - 6:36Tapi kami ingin agar teknologi ini
lebih mudah diperoleh dan berguna, -
6:36 - 6:40jadi melalui kombinasi
pengoptimalan model, -
6:40 - 6:43binarisasi dan pendekatan jaringan,
-
6:43 - 6:47kita punya deteksi obyek yang
berjalan dalam ponsel. -
6:53 - 6:58(Tepuk tangan)
-
6:59 - 7:04Dan saya sangat senang karena
sekarang ada solusi yang cukup kuat -
7:04 - 7:06atas masalah penglihatan
komputer level rendah, -
7:06 - 7:10dan siapa pun boleh mengambil dan
membuat sesuatu dengan memakainya. -
7:10 - 7:13Selebihnya terserah Anda
dan orang-orang -
7:13 - 7:16di seluruh dunia yang mengakses
perangkat lunak ini, -
7:16 - 7:20saya tidak sabar ingin melihat apa yang
mereka buat dengan teknologi ini. -
7:20 - 7:21Terima kasih.
-
7:21 - 7:25(Tepuk tangan)
- Title:
- Cara komputer belajar mengenali objek secara langsung
- Speaker:
- Joseph Redmon
- Description:
-
Sepuluh tahun lalu, peneliti menganggap bahwa memerintahkan komputer membedakan kucing dan anjing adalah hal yang hampir mustahil. Sekarang, sistem penglihatan komputer melakukannya dengan akurasi lebih dari 99 persen. Bagaimana bisa? Joseph Redmon mengerjakan sistem YOLO (You Only Look Once/Anda hanya melihat sekali), sebuah metode sumber terbuka deteksi objek yang dapat mengidentifikasi objek dalam gambar dan video -- mulai dari zebra hingga rambu tanda berhenti -- secepat kilat. Melalui demo langsung yang luar biasa, Redmon memamerkan kemajuan penting ini untuk aplikasi seperti mobil otonom (tanpa supir), robotika, dan bahkan deteksi kanker.
- Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 07:37
Ade Indarta approved Indonesian subtitles for How computers learn to recognize objects instantly | ||
Ade Indarta edited Indonesian subtitles for How computers learn to recognize objects instantly | ||
Rifkul Uswati accepted Indonesian subtitles for How computers learn to recognize objects instantly | ||
Rifkul Uswati edited Indonesian subtitles for How computers learn to recognize objects instantly | ||
Rifkul Uswati edited Indonesian subtitles for How computers learn to recognize objects instantly | ||
Rifkul Uswati edited Indonesian subtitles for How computers learn to recognize objects instantly | ||
Rifkul Uswati edited Indonesian subtitles for How computers learn to recognize objects instantly | ||
Rifkul Uswati edited Indonesian subtitles for How computers learn to recognize objects instantly |