How computers learn to recognize objects instantly | Joseph Redmon

Traductor: Lidia Cámara de la Fuente Revisor: Sebastian Betti

Hace diez años los investigadores de la visión artificial

Ten years ago,

computer vision researchers thought that getting a computer

pensaban que hacer que una computadora

to tell the difference between a cat and a dog

distinguiera un gato de un perro

would be almost impossible,

sería casi imposible,

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

incluso con el avance significativo de la inteligencia artificial.

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

Ahora podemos hacerlo con un nivel superior al 99 % de precisión.

This is called image classification --

Esto se llama clasificación de imagen.

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

Esto es, poner una etiqueta a esa imagen.

and computers know thousands of other categories as well.

Y las computadoras conocen miles de otras categorías también.

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

Soy estudiante de posgrado en la Universidad de Washington,

and I work on a project called Darknet,

y trabajo en un proyecto llamado Darknet,

which is a neural network framework

que es un framework de red neuronal

for training and testing computer vision models.

para la capacitación y ensayo de modelos de visión artificial,

So let's just see what Darknet thinks

Así que veamos lo que piensa Darknet

of this image that we have.

de esta imagen que tenemos aquí.

When we run our classifier

Cuando ejecutamos nuestro clasificador

on this image,

en esta imagen,

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

vemos que no solo se obtiene una predicción de perro o gato,

we actually get specific breed predictions.

en realidad, obtenemos predicciones de raza específicas.

That's the level of granularity we have now.

Ese es el nivel de granularidad actual.

And it's correct.

Y es correcto.

My dog is in fact a malamute.

Mi perro es de hecho un malamute.

So we've made amazing strides in image classification,

Hemos hecho avances increíbles en la clasificación de imágenes,

but what happens when we run our classifier

pero ¿qué pasa al ejecutar nuestro clasificador

on an image that looks like this?

en una imagen así?

Well ...

Bien...

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

Vemos que el clasificador vuelve con una predicción bastante similar.

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

Y es correcto, hay un malamute en la imagen,

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

pero solo con esta etiqueta, en realidad, no sabemos mucho

about what's going on in the image.

sobre lo que pasa en la imagen.

We need something more powerful.

Necesitamos algo más potente.

Trabajo en un problema llamado detección de objetos,

I work on a problem called object detection,

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

donde miramos una imagen e intentamos encontrar todos los objetos,

put bounding boxes around them

poniendo cajas delimitadoras alrededor de ellos

and say what those objects are.

y averiguar qué son esos objetos.

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

Así que esto es lo que ocurre al ejecutar un detector en esta imagen.

Ahora, con este tipo de resultado,

Now, with this kind of result,

podemos hacer mucho más con nuestros algoritmos de visión artificial.

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

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

Vemos que sabe que hay un gato y un perro.

It knows their relative locations,

Conoce sus ubicaciones relativas,

their size.

su tamaño.

It may even know some extra information.

Incluso puede saber alguna información adicional.

There's a book sitting in the background.

Hay un libro en el fondo.

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

Y si desea construir un sistema con base en la visión artificial

say a self-driving vehicle or a robotic system,

por ejemplo, un vehículo autodirigido o un sistema robótico,

this is the kind of information that you want.

este es el tipo de información que necesita.

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

Algo para interactuar con el mundo físico.

Now, when I started working on object detection,

Cuando empecé a trabajar en la detección de objetos,

it took 20 seconds to process a single image.

se tardaba 20 segundos en procesar una sola imagen.

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

Y para entender por qué la velocidad es tan importante en este ámbito,

here's an example of an object detector

este es un ejemplo de un detector de objetos

that takes two seconds to process an image.

que tarda dos segundos en procesar una imagen.

So this is 10 times faster

Así que esto es 10 veces más rápido

than the 20-seconds-per-image detector,

que el detector de 20 segundos por imagen,

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

y se puede ver que, en el momento de hacer las predicciones,

the entire state of the world has changed,

el estado entero del mundo ha cambiado,

and this wouldn't be very useful

y esto no sería muy útil

for an application.

para una aplicación.

If we speed this up by another factor of 10,

Si aceleramos esto por otro factor de 10,

esto es un detector que funciona en cinco fotogramas por segundo.

this is a detector running at five frames per second.

This is a lot better,

Esto es mucho mejor

but for example,

pero, por ejemplo,

if there's any significant movement,

si hay algún movimiento significativo,

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

yo no quisiera un sistema como este conduciendo mi auto.

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

Este es nuestro sistema de detección que se ejecuta en tiempo real en mi portátil.

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

Así que suavemente me sigue mientras me muevo en la imagen,

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

y es robusto con una amplia variedad de cambios de tamaño,

pose,

poses,

forward, backward.

hacia adelante, hacia atrás.

This is great.

Esto es genial.

This is what we really need

Esto es lo que realmente necesitamos

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

si vamos a construir sistemas con base en visión artificial.

(Applause)

(Aplausos)

So in just a few years,

Así que en solo unos pocos años,

we've gone from 20 seconds per image

hemos pasado de 20 segundos por imagen

to 20 milliseconds per image, a thousand times faster.

a 20 milisegundos por imagen, mil veces más rápido.

How did we get there?

¿Cómo llegamos hasta aquí?

Well, in the past, object detection systems

Bueno, en el pasado, los sistemas de detección de objetos

would take an image like this

tomaban una imagen como esta

and split it into a bunch of regions

y la dividían en un montón de regiones

and then run a classifier on each of these regions,

y luego ejecutaban un clasificador en cada una de estas regiones,

and high scores for that classifier

y las puntuaciones altas de ese clasificador

would be considered detections in the image.

se consideraban detecciones de la imagen.

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

Pero eso implicaba ejecutar un clasificador miles de veces sobre una imagen,

thousands of neural network evaluations to produce detection.

miles de evaluaciones de redes neuronales para producir detección.

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

En cambio, nosotros hemos entrenado una sola red para hacer toda la detección.

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

Produce todas las cajas delimitadoras y ordena las probabilidades en simultáneo.

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

Con nuestro sistema, en lugar de mirar una imagen miles de veces

to produce detection,

para hacer la detección,

you only look once,

se mira tan solo una vez,

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

y por eso lo llamamos método YOLO de detección de objetos.

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

Así que con esta velocidad, no estamos limitados a las imágenes;

we can process video in real time.

podemos procesar el video en tiempo real.

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

Y ahora, en lugar de solo ver a ese gato y perro,

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

podemos verlos moverse e interactuar unos con otros.

This is a detector that we trained

Este es un detector que entrenamos

on 80 different classes

en 80 clases diferentes

in Microsoft's COCO dataset.

en el conjunto de datos COCO de Microsoft.

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

Tiene todo tipo de cosas como cuchara y tenedor, cuenco,

common objects like that.

objetos comunes como esos.

It has a variety of more exotic things:

Tiene una variedad de cosas más exóticas:

animals, cars, zebras, giraffes.

animales, autos, cebras, jirafas.

And now we're going to do something fun.

Y ahora vamos a hacer algo divertido.

We're just going to go out into the audience

Solo vamos a ir a la audiencia

and see what kind of things we can detect.

y ver qué tipo de cosas podemos detectar.

Does anyone want a stuffed animal?

¿Alguien quiere un peluche?

There are some teddy bears out there.

Hay algunos osos de peluche por aquí.

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

Y podemos reducir nuestro umbral de detección un poco,

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

así podemos encontrar a más de Uds. en la audiencia.

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

Vamos a ver si podemos obtener estas señales de stop.

We find some backpacks.

Encontramos algunas mochilas.

Let's just zoom in a little bit.

Vamos a acercarnos un poco.

And this is great.

Y esto es genial.

And all of the processing is happening in real time

Y todo el procesamiento está sucediendo en tiempo real

on the laptop.

en la computadora portátil.

And it's important to remember

Y es importante recordar

that this is a general purpose object detection system,

que se trata de un sistema de detección de objetos de propósito general,

so we can train this for any image domain.

así que podemos entrenar esto para cualquier dominio de la imagen.

The same code that we use

El mismo código que usamos

to find stop signs or pedestrians,

para encontrar señales de stop o de peatones,

bicycles in a self-driving vehicle,

bicicletas en un vehículo autodirigido,

can be used to find cancer cells

puede usarse para encontrar células cancerosas

in a tissue biopsy.

en una biopsia de tejido.

And there are researchers around the globe already using this technology

Y hay investigadores de todo el mundo que ya usan esta tecnología

for advances in things like medicine, robotics.

para avances en cosas como la medicina, la robótica.

This morning, I read a paper

Esta mañana leí un periódico

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

sobre un censo de animales que estaban haciendo en el Parque Nacional de Nairobi

with YOLO as part of this detection system.

que usa YOLO como parte de este sistema de detección.

And that's because Darknet is open source

Y eso es posible, porque Darknet es de código abierto

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

y de dominio público y libre para que lo use cualquier persona.

(Applause)

(Aplausos)

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

Pero queríamos que la detección fuera aún más accesible y usable,

so through a combination of model optimization,

por eso, mediante una combinación de optimización de modelos,

network binarization and approximation,

binarización de red y aproximación,

we actually have object detection running on a phone.

tenemos un reconocimiento de objetos que funciona en un teléfono.

(Applause)

(Aplausos)

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

Y estoy muy contento porque ahora tenemos una solución bastante potente

to this low-level computer vision problem,

a este problema de visión artificial de bajo nivel,

and anyone can take it and build something with it.

y cualquiera puede usarlo y hacer algo con esto.

So now the rest is up to all of you

Así que ahora el resto depende de Uds.

and people around the world with access to this software,

y de personas de todo el mundo con acceso a este software,

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

y estoy impaciente por ver qué construirá la gente con esta tecnología.

Thank you.

Gracias.

(Applause)

(Aplausos)