How computers learn to recognize objects instantly | Joseph Redmon

Translator: morteza homayounfar Reviewer: Leila Ataei

Ten years ago,

۱۰ سال قبل

computer vision researchers thought that getting a computer

محققان بینایی ماشین فکر کردند که

to tell the difference between a cat and a dog

گفتن فرق بین گربه و سگ به کامپیوتر

would be almost impossible,

تقریبا غیرممکن خواهد بود،

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

حتی با پیشرفت‌های قابل توجه در هوش مصنوعی.

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

حالا ما می‌توانیم این را با دقت بیشتر از ۹۹ درصد انجام بدیم

This is called image classification --

این را دسته بندی تصویر می‌گویند--

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

یک تصویر بهش بده و یک برچسب به تصویر بزن--

and computers know thousands of other categories as well.

و کامپیوترها هزاران دسته بندی دیگر را نیز به خوبی می‌دانند.

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

من دانشجوی ارشد از دانشگاه واشنگتن هستم

and I work on a project called Darknet,

و مشغول کار روی پروژه‌ دارک‌نت (شبکه سیاه)

which is a neural network framework

که در چارچوب شبکه عصبی است

for training and testing computer vision models.

برای آموزش دادن و تست کردن مدلهای بینایی کامیپوتر.

So let's just see what Darknet thinks

خب بیاید به چگونگی فکر کردن دارک‌نت

of this image that we have.

به این تصاویری که داریم، نگاه کنیم.

When we run our classifier

وقتی طبقه بندیمان را روی این تصاویر

on this image,

اجرا می‌کنیم.

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

می‌بینیم که فقط پیش‌بینی سگ یا گربه بودن نیست.

we actually get specific breed predictions.

در واقع نژاد پیش‌بینی‌ها را نیز می‌گوییم.

That's the level of granularity we have now.

این سطح جزئیاتی است که الان داریم

And it's correct.

و صحیح است.

My dog is in fact a malamute.

سگ من در حقیقت مالاموت است.

So we've made amazing strides in image classification,

خب گام‌های حیرت آوری در دسته بندی تصاویر ساخته‌ایم،

but what happens when we run our classifier

اما چه اتفاقی میفتد وقتی طبقه‌بندمان را

on an image that looks like this?

روی تصویری مثل این اجرا می‌کنیم؟

Well ...

خب...

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

می‌بینیم که طبقه‌بند با یک پیش‌بینی خیلی مشابه باز میگردد.

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

و درسته، یک مالاموت در تصویر وجود دارد،

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

اما فقط یک برچسب داده شده، در واقع خیلی درباره

about what's going on in the image.

اینکه در تصویر چه رخ داده نمیدانیم.

We need something more powerful.

به چیزی قویتری نیاز داریم.

I work on a problem called object detection,

من روی یک مسئله کار می‌کنم که یافتن اشیا نامیده می‌شود،

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

وقتی به تصویری نگاه می کنیم و سعی در یافتن تمام اشیا داریم،

put bounding boxes around them

آنها را داخل مستطیلهای نمایش گذاشته

and say what those objects are.

و می‌گوییم که این اشیا چه هستند.

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

خب، این چیزی است که وقتی یابنده را اجرا کنیم اتفاق میافتد.

Now, with this kind of result,

حالا، با این نتایج،

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

میتوانیم کمی بیشتربا الگوریتم بینای کامپیوترمان کار کنیم.

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

میبینیم همانطور که می‌دانید یک گربه و یک سگ وجود دارد.

It knows their relative locations,

و محلهای نسبی و اندازه

their size.

آنها را می‌داند.

It may even know some extra information.

حتی شاید کمی اطلاعات اضافی نیز بدانیم.

There's a book sitting in the background.

در پس زمینه هم یک کتاب قرار دارد.

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

و اگر شما بخواید یک سیستم در صدر بینایی کامپیوتر بسازید،

say a self-driving vehicle or a robotic system,

مثل یک خودروی خودران یا یک سیستم رباتیکی،

this is the kind of information that you want.

این نوع اطلاعاتی است که می‌خواهید.

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

چیزی می‌خواهید که بین شما و دنیای فیزیکی تعامل کند.

Now, when I started working on object detection,

حالا وقتی من یافتن اشیا را شروع کردم.

it took 20 seconds to process a single image.

۲۰ ثانیه طول کشید تا تصویر را پردازش کند.

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

و برای اینکه حس کنید چرا سرعت در این حوزه خیلی مهم است،

here's an example of an object detector

اینجا یک مثال از یافتن اشیا داریم

that takes two seconds to process an image.

که ۲ ثانیه طول می‌کشد تا تصویری را پردازش کند.

So this is 10 times faster

خب این ۱۰ برابر سریعتر

than the 20-seconds-per-image detector,

از یابنده ۲۰ ثانیه بر تصویر است.

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

و شما این پیش‌بینی‌ها را می‌توانید همزمان ببینید،

the entire state of the world has changed,

کل جهان تغییر کرده است،

and this wouldn't be very useful

و این برای یک برنامه خیلی مفید

for an application.

نخواهد بود.

If we speed this up by another factor of 10,

اگر این را با یک فاکتور دیگر ۱۰ برابر سریعتر کنیم

this is a detector running at five frames per second.

این یابنده با ۵ فریم بر ثانیه اجرا خواهد شد.

This is a lot better,

این بسیار بهتر است،

but for example,

اما برای مثال،

if there's any significant movement,

اگر هر حرکت قابل توجهی وجود داشته باشد،

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

نمی‌خواهم که سیستمی شبیه این، ماشینم را براند.

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

این سیستم یابنده ماست که در زمان حقیقی روی لپ تاپ‌م اجرا می‌شود.

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

خب به آرامی من را دنبال می‌کند بطوریکه من دور فریم حرکت می‌کنم،

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

و این شیوه مواجه با انواع تغییرات در اندازه

pose,

ژست،

forward, backward.

رو به جلو،رو به پشت است.

This is great.

این عالیه.

This is what we really need

این چیزیست که واقعا نیاز داریم

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

اگر بخواهیم سیستمی را در صدر بینایی کامپیوترها بسازیم.

(Applause)

(تشویق)

So in just a few years,

خب، ظرف فقط چند سال،

we've gone from 20 seconds per image

ما از ۲۰ ثانیه درتصویر به

to 20 milliseconds per image, a thousand times faster.

۲۰ میلی ثانیه بر تصویر رفتیم، هزار بار سریعتر.

How did we get there?

چطور به اینجا رسیدیم؟

Well, in the past, object detection systems

خب، در گذشته، سیستم‌های یافتن اشیا

would take an image like this

تصویری شبیه این می‌گرفتند

and split it into a bunch of regions

و آن را به بسیاری از مناطق تقسیم می‌کردند

and then run a classifier on each of these regions,

و سپس برای هر یک از این مناطق یک دسته بند را اجرا می‌کردند

and high scores for that classifier

و بالاترین امتیاز برای این دسته بندیها

would be considered detections in the image.

به عنوان تصویر یافته شده در نظر گرفته میشد.

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

اما این هزاران بار اجرا کردن یک دسته بند روی یک تصویر را شامل می‌شد،

thousands of neural network evaluations to produce detection.

هزاران شبکه عصبی ارزیابی می‌کردند تا "یافتن" را تولید کنند.

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

درعوض، ما یک تک شبکه را آموزش دادیم تا کل یافتنها را برای ما انجام دهد.

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

همه باندهای محدود را تولید و همه احتمالات را با هم کلاس بندی می‌کند.

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

با یک سیستم، به جای نگاه کردن به یک تصویر برای هزاران بار

to produce detection,

برای تولید یافتن

you only look once,

شما فقط یک بار نگاه می‌کنید،

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

و به همین دلیل ما آن را متد YOLO برای یافتن اشیا نامیدیم.

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

خب، با این سرعت ما فقط به یک تصویر محدود نیستیم:

we can process video in real time.

همچنین می‌توانیم ویدیو را نیز همزمان پردازش کنیم.

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

و حالا، به جای نگاه کردن به گربه و سگ

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

می‌توانیم حرکت و تعامل آنها با یکدیگر را نیز ببینیم.

This is a detector that we trained

این یابنده‌ای است که ما

on 80 different classes

در ۸۰ کلاس مختلف دردر دیتاست

in Microsoft's COCO dataset.

coco مایکروسافت آموزش دادیم.

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

انواع اشیاء مثل قاشق، چنگال، کاسه را دارد

common objects like that.

اشیا معمولی مانند این.

It has a variety of more exotic things:

تنوع عجیب و غریبی از اشیا را دارد:

animals, cars, zebras, giraffes.

حیوانات، ماشین ها، گورخرها، زرافه‌ها.

And now we're going to do something fun.

و حالا میخواهیم یک کار مفرح انجام دهیم.

We're just going to go out into the audience

فقط میخواهیم بیایم بیرون در بین مخاطبان

and see what kind of things we can detect.

و ببینیم چه چیزهایی را می‌توانیم بیابیم.

Does anyone want a stuffed animal?

آیا کسی یک حیوان پر شده می‌خواهد؟

There are some teddy bears out there.

تعدادی خرس عروسکی اینجا هست.

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

و ما میتوانیم آستانه خود در یافتن را کمی کاهش دهیم،

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

خب می‌توانیم شما آقایان را در بین مخاطبین پیدا کنیم.

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

ببینیم آیا میتوان این علامتهای ایست را یافت.

We find some backpacks.

ما تعدادی کوله پشتی یافتیم

Let's just zoom in a little bit.

بیاید فقط کمی زوم کنیم.

And this is great.

و این عالیه.

And all of the processing is happening in real time

و تمام این اتفاقات در زمان واقعی اتفاق میافتد.

on the laptop.

روی لپ تاپ.

And it's important to remember

و مهم است به خاطر داشته باشید

that this is a general purpose object detection system,

که این یک سیستم یابنده اشیا همه منظوره است،

so we can train this for any image domain.

خب ما میتوانیم این را برای هر حوزه تصویری آموزش دهیم.

The same code that we use

همان کدی است که ما استفاده کردیم

to find stop signs or pedestrians,

تا علامت ایست یا عابرپیاده،

bicycles in a self-driving vehicle,

دوچرخه در یک خودروی خودران را پیدا کنیم،

can be used to find cancer cells

میتواند برای یافتن سلولهای سرطانی

in a tissue biopsy.

دریک نمونه برداری بافت استفاده شود.

And there are researchers around the globe already using this technology

و محققانی در سراسر جهان وجود دارند همچنین این سیستم را

for advances in things like medicine, robotics.

برای چیزهای پیشرفته مانند دارو روباتیک استفاده می‌کنند.

This morning, I read a paper

امروز صبح، مقاله‌ای خواندم.

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

جایی یک صحبتی بود از سرشماری حیوانات پارک ملی نایروبی

with YOLO as part of this detection system.

با سیستم YOLO به عنوانی بخشی از این سیستم یابنده.

And that's because Darknet is open source

و این به خاطر این است که دارکنت منبع آزاد است

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

ودر حوزه عمومی برای استفاده همگان آزاد است.

(Applause)

(تشویق)

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

اما می‌خواهیم یافتن را حتی در دسترس‌تر و قابل استفاده‌تر کنیم

so through a combination of model optimization,

بنابراین ازطریق ترکیب مدلهای بهینه

network binarization and approximation,

شبکه تقسیم بندی شده و تقریبی

we actually have object detection running on a phone.

ما در واقع در حال اجرای یافتن اشیا روی گوشی هستیم.

(Applause)

(تشویق)

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

و من خیلی هیجان زده هستم زیرا حالا یک راه حل خیلی قدرتمند

to this low-level computer vision problem,

برای این مسئله سطح پایین بینایی کامپیوتر داریم.

and anyone can take it and build something with it.

و هرکسی می‌تواند این را بردارد و یک چیزی با آن بسازد.

So now the rest is up to all of you

خب حالا دیگر بقیه آن به شما و مردم جهان

and people around the world with access to this software,

با دسترسی به این نرم افزار بستگی دارد.

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

و من نمی‌توانم صبر کنم ببینم مردم با این تکنولوژی چه خواهند ساخت.

Thank you.

متشکرم.

(Applause)

(تشویق)