How computers learn to recognize objects instantly | Joseph Redmon

المترجم: Abd El-Rahman Malek المدقّق: Riyad Almubarak

Ten years ago,

منذ عشر سنوات مضت،

computer vision researchers thought that getting a computer

اعتقد باحثوا رؤية الكمبيوتر أن الحصول على جهاز كمبيوتر

to tell the difference between a cat and a dog

لمعرفة الفرق بين القط والكلب

would be almost impossible,

سيكون شبه مستحيل،

even with the significant advance in the state of artificial intelligence.

وحتى مع التقدم الكبير فى حالة الذكاء الاصطناعي.

Now we can do it at a level greater than 99 percent accuracy.

يمكننا الآن أن نفعل ذلك بمستوى دقة أعلى من 99%.

This is called image classification --

وهذا ما يسمى بالتصنيف الصوري --

give it an image, put a label to that image --

وإعطائها صورة، ووضع تسمية لتلك الصورة --

and computers know thousands of other categories as well.

وكذلك تعرف أجهزة الكمبيوتر الآلاف من الفئات الأخرى.

I'm a graduate student at the University of Washington,

أنا طالب دراسات عليا فى جامعة واشنطن

and I work on a project called Darknet,

وأنا أعمل على مشروع يسمى "داركنيت"

which is a neural network framework

وهو إطار الشبكة العصبية

for training and testing computer vision models.

لتدريب واختبار نماذج رؤية الكمبيوتر.

So let's just see what Darknet thinks

ولذلك، دعونا نرى ماذا يفكر "داركنيت"

of this image that we have.

فى هذه الصورة لدينا.

When we run our classifier

عندما نقوم بتشغيل المصنف لدينا

on this image,

على هذه الصورة،

we see we don't just get a prediction of dog or cat,

نجد أننا لا نحصل فقط على تنبؤ للكلب والقط،

we actually get specific breed predictions.

نحن فى الواقع نحصل على تنبؤات سلالة محددة.

That's the level of granularity we have now.

ذلك هو مستوى التقسيمات المتوفر لنا الآن.

And it's correct.

وهو صحيح.

My dog is in fact a malamute.

في الحقيقة فإن كلبي هو "ملموت."

So we've made amazing strides in image classification,

ولذلك فقد حقننا خطوة مذهلة فى تصنيف الصورة،

but what happens when we run our classifier

ولكن ماذا يحدث عندما نشغّل المصنف لدينا

on an image that looks like this?

في صورة تبدو كهذه؟

Well ...

حسناً ...

We see that the classifier comes back with a pretty similar prediction.

نرى أن المصنف يعود مع تنبؤ مماثل جداً.

And it's correct, there is a malamute in the image,

وهذا صحيح، فهناك ملموت فى الصورة،

but just given this label, we don't actually know that much

ولكن فقط نظراً لهذه التسمية، فنحن حقاً لا نعرف الكثير

about what's going on in the image.

عن ماذا يدور فى الصورة.

We need something more powerful.

ونحن بحاجة إلى شيء أكثر قوة.

I work on a problem called object detection,

أنا أعمل على مشكلة تسمى الكشف عن الكائن،

where we look at an image and try to find all of the objects,

حيث ننظر إلى صورة ونحاول العثور على كل الكائنات،

put bounding boxes around them

ووضع المربعات المحيطة بهم

and say what those objects are.

ونقول ما هي تلك الكائنات.

So here's what happens when we run a detector on this image.

وهنا ما يحدث عندما نقوم بتشغيل المكشاف على هذه الصورة.

Now, with this kind of result,

والآن، مع نتيجة من هذا النوع،

we can do a lot more with our computer vision algorithms.

نستطيع فعل أكثر من ذللك بكثير مع خوارزمياتنا لرؤية الكمبيوتر.

We see that it knows that there's a cat and a dog.

نجد أنه يعرف أن هناك قط وكلب.

It knows their relative locations,

ويعرف مواقعهم النسبية،

their size.

وحجمهم.

It may even know some extra information.

وربما يعرف معلومات إضافية.

There's a book sitting in the background.

يوجد كتاب فى الخلفية.

And if you want to build a system on top of computer vision,

وإذا أردت بناء نظام أعلى رؤية الكمبيوتر،

say a self-driving vehicle or a robotic system,

فلنقل سيارة ذاتية القيادة أو نظام روبوتية

this is the kind of information that you want.

هذا هو نوع المعلومات التي تريدها.

You want something so that you can interact with the physical world.

تريد شيئًا بحيث يمكنك التفاعل مع العالم المادي.

Now, when I started working on object detection,

والآن، عندما بدأت العمل في الكشف عن الكائنات،

it took 20 seconds to process a single image.

فقد استغرق الأمر 20 ثانية لمعالجة صورة واحدة.

And to get a feel for why speed is so important in this domain,

وللحصول على شعور لماذا السرعة مهمة جدًا فى هذا المجال،

here's an example of an object detector

هنا مثال للكشف عن كائن

that takes two seconds to process an image.

والذي يستغرق تانيتين لمعالجة صورة.

So this is 10 times faster

لذا فهذا أسرع ب 10 مرات

than the 20-seconds-per-image detector,

من 20 تانية لكل كشف على صورة واحدة،

and you can see that by the time it makes predictions,

ويمكنك فى نفس الوقت أن ترى أنه يقوم بتنبؤات،

the entire state of the world has changed,

فقد تغيّرت حالة العالم بأسرها،

and this wouldn't be very useful

وهذا لن يكون مفيدًا جدًا

for an application.

للتطبيق.

If we speed this up by another factor of 10,

إذا قمنا بتسريع هذا بواسطة عامل آخر بمقدار 10

this is a detector running at five frames per second.

فهذا كاشف يعمل بمعدل خمسة إطارات فى الثانية الواحدة.

This is a lot better,

وهذا أفضل بكثير،

but for example,

ولكن على سبيل المثال،

if there's any significant movement,

فإذا كان هناك أي حركة كبيرة،

I wouldn't want a system like this driving my car.

فلن أحتاج إلى نظام مثل قيادة سيارتي.

This is our detection system running in real time on my laptop.

هذا هو نظام الكشف لدينا المشغّل فى الوقت الحقيقي على كمبيوتري المحمول.

So it smoothly tracks me as I move around the frame,

حيث يتتبعني بسلاسة بينما أتحرك في جميع أنحاء الإطار،

and it's robust to a wide variety of changes in size,

وهي قوى لمجموعة واسعة من التغيرات في الحجم،

pose,

والتشكيل،

forward, backward.

إلى الأمام وإلى الخلف.

This is great.

هذا عظيم.

This is what we really need

هذا هو حقًا ما نريده

if we're going to build systems on top of computer vision.

إذا كنا سنبني أنظمة على رأس رؤية الكمبيوتر.

(Applause)

(تصفيق)

So in just a few years,

بالتالي في بضع سنوات فقط،

we've gone from 20 seconds per image

فقد انتقلنا من 20 ثانية لكل صورة

to 20 milliseconds per image, a thousand times faster.

إلى 20 جزء من ألف جزء من الثانية لكل صورة، أسرع بألف مرة.

How did we get there?

كيف وصلنا إلى هناك؟

Well, in the past, object detection systems

حسناً، في الماضي كانت أنظمة الكشف عن الكائن

would take an image like this

تأخذ صورة من هذا القبيل

and split it into a bunch of regions

وتقوم بتقسيمها إلى مجموعة من المناطق

and then run a classifier on each of these regions,

ثم تقوم بتشغيل المصنف على كلّ من تلك المناطق،

and high scores for that classifier

ودرجات عالية من المصنف

would be considered detections in the image.

ستعتبر بمثابة الكشف عن الصورة.

But this involved running a classifier thousands of times over an image,

ولكن هذا ينطوى على تشغيل المصنف الآف المرات على الصورة،

thousands of neural network evaluations to produce detection.

والآلاف من تقييم الشبكة العصبية لإنتاج الكشف.

Instead, we trained a single network to do all of detection for us.

وبدلاً من ذلك، فقد قمنا بتدريب شبكة واحدة للقيام بالكشف كاملاً لنا.

It produces all of the bounding boxes and class probabilities simultaneously.

فهي تنتج كافة المربعات المحيطة وفئة الإحتمالات في آن واحد.

With our system, instead of looking at an image thousands of times

مع نظامنا، بدلاً من البحث في الصورة لآلاف المرات

to produce detection,

لإنتاج كشفها،

you only look once,

فأنت تنظر مرة واحدة فقط،

and that's why we call it the YOLO method of object detection.

ولهذا السبب نحن نسميها طريقة الكشف عن كائن "يولو."

So with this speed, we're not just limited to images;

لهذا بهذه السرعة فنحن لا نقتصر فقط على الصور؛

we can process video in real time.

بل نستطيع أن نعالج الفيديو في الوقت الحقيقي.

And now, instead of just seeing that cat and dog,

والآن، بدلاً من مجرد رؤية ذلك القط والكلب،

we can see them move around and interact with each other.

نستطيع أن نرى تحركاتهم وتفاعلهم تجاه بعضهم البعض.

This is a detector that we trained

وهذا هو جهاز الكشف الذي قمنا بتدريبه

on 80 different classes

في 80 فئة مختلفة

in Microsoft's COCO dataset.

في مجموعة بيانات "كوكو" ميكروسفت.

It has all sorts of things like spoon and fork, bowl,

لديها جميع أنواع االأشياء مثل الملعقة والشوكة والسلطانية.

common objects like that.

الأشياء الشائعة من هذا القبيل.

It has a variety of more exotic things:

لديها مجموعة متنوعة من أشياء أكثر غرابة:

animals, cars, zebras, giraffes.

مثل الحيوانات والسيارات والحمر الوحشية والزرافات

And now we're going to do something fun.

وسنقوم الآن بشيء مرح.

We're just going to go out into the audience

سنستهدف الجمهور

and see what kind of things we can detect.

ونرى ما نوع الأشياء التي يمكننا الكشف عنها.

Does anyone want a stuffed animal?

هل من أحد يريد الحيوانات المحنطة؟

There are some teddy bears out there.

توجد بعض الدببة هناك.

And we can turn down our threshold for detection a little bit,

ويمكننا أن نخفض العتبة لدينا للكشف عنه قليلاً،

so we can find more of you guys out in the audience.

لذا فنستطيع أن نجد عددًا أكبر يا رفاق من ذلك الجمهور.

Let's see if we can get these stop signs.

لنرى إذا كان يمكننا الحصول على علامات التوقف هذه.

We find some backpacks.

نجد بعض حقائب الظهر.

Let's just zoom in a little bit.

دعونا فقط نكبّر قليلاً.

And this is great.

وهذا شيء عظيم.

And all of the processing is happening in real time

والتحويل يحدث كلياً فى الوقت الحقيقي

on the laptop.

على الكمبيوتر المحمول.

And it's important to remember

وهذا أمر هام للتذكّر

that this is a general purpose object detection system,

وهذا هو الغرض العام لنظام الكشف عن الكائن،

so we can train this for any image domain.

نستطيع أن نُدرب هذا لأي نطاق للصورة.

The same code that we use

نفس التعليمات البرمجية التى نستخدمها

to find stop signs or pedestrians,

لإيجاد علامات التوقف أو المشاة،

bicycles in a self-driving vehicle,

والدراجات الهوائية في سيارة ذاتية القيادة

can be used to find cancer cells

يمكن استخدامها لإيجاد الخلايا السرطانية

in a tissue biopsy.

فى عينة من الأنسجة.

And there are researchers around the globe already using this technology

وهناك باحثون حول العالم يستخدمون هذه التكنولوجيا بالفعل

for advances in things like medicine, robotics.

للتقدم في أمور مثل الطب وعلم الإنسان الآلي.

This morning, I read a paper

فقد قرأت جريدة هذا الصباح

where they were taking a census of animals in Nairobi National Park

حيث أنهم يتخذون إجراء تعداد للحيوانات فى حديقة وطنية في نيروبي

with YOLO as part of this detection system.

مع "يولو" كجزء من نظام الكشف هذا.

And that's because Darknet is open source

وهذا لأن "داركنيت" هو المصدر المفتوح

and in the public domain, free for anyone to use.

وفى المجال العام، كما أنه مجاناً لأي شخص ليستخدمه.

(Applause)

(تصفيق)

But we wanted to make detection even more accessible and usable,

ولكننا أردنا جعل الوصول إلى الكشف أكتر سهولة وكذلك استعماله،

so through a combination of model optimization,

وذلك من خلال الجمع بين النموذج الأمثل،

network binarization and approximation,

ووضغ البيانات على شكل ثنائي والقيمة التقريبية،

we actually have object detection running on a phone.

ولدينا بالفعل كاشف مواد يعمل على الهاتف المحمول.

(Applause)

(تصفيق)

And I'm really excited because now we have a pretty powerful solution

وأنا متحمس حقًا لأنه لدينا الآن حل قوي جداً

to this low-level computer vision problem,

لمشكلة رؤية الكمبيوتر ذات المستوى المنخفض،

and anyone can take it and build something with it.

ويستطيع أي شخص أخذها وبناء شيء باستخدامها.

So now the rest is up to all of you

لذا، البقية الآن متروكة لكم جميعاً

and people around the world with access to this software,

والناس حول العالم ممن لهم إمكانية وصول إلى هذا البرنامج،

and I can't wait to see what people will build with this technology.

ولا أستطيع الانتظار كي أرى ما سيبنيه الناس باستخدام هذه التكنولوجيا.

Thank you.

شكراً لكم.

(Applause)

(تصفيق)