How computers learn to recognize objects instantly | Joseph Redmon

Translator: Dr Prem P. Atreja Reviewer: Arvind Patil

Ten years ago,

दस साल पहले,

computer vision researchers thought that getting a computer

कंप्यूटर दृष्टि शोधकर्ताओं ने सोचा था कि एक कंप्यूटर द्वारा

to tell the difference between a cat and a dog

एक बिल्ली और एक कुत्ते के बीच अंतर बताना

would be almost impossible,

लगभग असंभव होगा,

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

कृत्रिम बुद्धि में महत्वपूर्ण प्रगति के बावजूद भी

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

अब हम इसे 99 प्रतिशत से भी अधिक यथार्थता के साथ कर सकते हैं

This is called image classification --

इसे छबी वर्गीकरण कहा जाता है -

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

इसे एक छबी दें, उस छवि पर एक लेबल डालें -

and computers know thousands of other categories as well.

और कंप्यूटर हजारों अन्य श्रेणीयां भी जानते हैं

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

मैं वॉशिंगटन विश्वविद्यालय में एक स्नातक छात्र हूँ,

and I work on a project called Darknet,

मैं डार्कनेट परियोजना पर काम करता हूं,

which is a neural network framework

जो एक तंत्रिका नेटवर्क ढांचा है

for training and testing computer vision models.

कंप्यूटर दृष्टि मॉडल के प्रशिक्षण और परीक्षण के लिए

So let's just see what Darknet thinks

चलो देखते हैं कि डार्कनेट क्या सोचता है?

of this image that we have.

इस छवि के बारे में, जो हमारे पास है.

When we run our classifier

जब हम अपने वर्गीकारक को

on this image,

इस छवि पर चलाते हैं.

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

फिर हम केवल कुत्ते या बिल्ली का ही नहीं ,

we actually get specific breed predictions.

वास्तव में हमें विशिष्ट नस्ल का पूर्वानुमान भी हो जाता है

That's the level of granularity we have now.

अब ग्रैन्युलैरिटी का यह स्तर है

And it's correct.

और यह सही है

My dog is in fact a malamute.

मेरा कुत्ता वास्तव मेंअलास्का का है

So we've made amazing strides in image classification,

इसलिए हमने आश्चर्यजनक प्रगति की है छवि वर्गीकरण में,

but what happens when we run our classifier

लेकिन क्या होता है जब हम अपने वर्गीकारक को चलाते हैं

on an image that looks like this?

ऐसी छवि पर जो इस तरह दिखती है?

Well ...

अच्छा तो ...

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

हम देखते हैं कि क्लासिफायर वापस आता है एक बहुत ही समान भविष्यवाणी के साथ

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

और यह सही है,छबी में एक मलम्यूट है,

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

लेकिन सिर्फ इस लेबल से , हम वास्तव में इतना नहीं जानते हैं

about what's going on in the image.

कि छवि में क्या हो रहा है?

We need something more powerful.

हमें कुछ अधिक शक्तिशाली चाहिए।

मैं वस्तु का पता लगाने की समस्या पर काम करता हूँ,

I work on a problem called object detection,

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

जहां हम एक छवि को देखते हैं, वस्तुओं को खोजने का प्रयास करते हैं,

put bounding boxes around them

उनके आसपास बाउंडिंग बक्से लगाते हैं

and say what those objects are.

और कहते हैं कि वे वस्तुओं क्या हैं?

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

जब हम इस छवि पर डिटेक्टर चलाते हैं तो यह होता है।

Now, with this kind of result,

अब, इस तरह के परिणाम के साथ, ¶

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

हम बहुत कुछ कर सकते हैं कंप्यूटर दूर दृष्टि एल्गोरिदम के साथ

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

हम जानते हैं कि इसे पता है कि एक बिल्ली व एक कुत्ता है

It knows their relative locations,

यह उनके सम्बंधित स्थानों को जानता है

their size.

उनका आकार

It may even know some extra information.

यह कुछ अतिरिक्त जानकारी भी जान सकता है

There's a book sitting in the background.

कि पृष्ठभूमि में किताब है

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

और अगर आप कंप्यूटर दृष्टि के शीर्ष पर एक सिस्टम बनाना चाहते हैं

say a self-driving vehicle or a robotic system,

जैसे कि एक स्वयं संचालित वाहन या एक रोबोट प्रणाली,

this is the kind of information that you want.

आप इस प्रकार की जानकारी चाहते हैं

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

आप कुछ ऐसा चाहते हैं जिससे आप भौतिक दुनिया के साथ बातचीत कर सकते हैं

Now, when I started working on object detection,

अब, जब मैंने वस्तु का पता लगाने पर काम करना शुरू किया

it took 20 seconds to process a single image.

एक एकल छवि को संसाधित करने के लिए 20 सेकंड लगे

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

इस डोमेन में गति कितनी महत्वपूर्ण है, ऐसा महसूस करने के लिए

here's an example of an object detector

यहाँ एक वस्तु डिटेक्टर का उदाहरण है

that takes two seconds to process an image.

जो दो सेकंड लेता है एक छबी को संसाधित करने के लिए

So this is 10 times faster

तो यह 10 गुना तेज है

than the 20-seconds-per-image detector,

20 सेकंड प्रति छवि डिटेक्टर से,

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

और आप उस समय में देख सकते हैं जब यह पूर्वानुमान लगता है,

the entire state of the world has changed,

दुनिया की संपूर्ण स्थिति बदल गई है,

and this wouldn't be very useful

और यह बहुत उपयोगी नहीं होगा

for an application.

लागू करने के लिए

If we speed this up by another factor of 10,

अगर हम इसे दस गुना और तेज करते हैं

this is a detector running at five frames per second.

यानि कि डिटेक्टर के पांच फ्रेम प्रति सेकंड पर चलते हुए

This is a lot better,

यह बहुत बेहतर है,

but for example,

लेकिन उदाहरण के लिए

if there's any significant movement,

अगर कोई बहुत अधिक हिलना डुलना है,

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

मैं अपनी कार चलाने के लिए ऐसा सिस्टम नहीं चाहूंगा

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

लैपटॉप पर वास्तविक समय में चलती हुई यह हमारी पहचान प्रणाली है

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

तो यह आसानी से ट्रैक करता है जब मैं फ्रेम के पास गति विधि करता हूँ

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

और यह विविध आकार

pose,

मुद्रा में,

forward, backward.

आगे, पीछे परिवर्तन में मजबूत है।

This is great.

यह भी खूब रही।

This is what we really need

हमें वास्तव में यही चाहिए

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

अगर हम सिस्टम कंप्यूटर दृष्टि के शीर्ष पर बनाने जा रहे हैं

(Applause)

(तालियां)

So in just a few years,

तो बस कुछ ही वर्षों में,

we've gone from 20 seconds per image

हम प्रति छवि 20 सेकंड से

to 20 milliseconds per image, a thousand times faster.

प्रति छवि 20 मिलीसेकंड तक चले गए हैं यानि कि एक हजार गुना तेज!

How did we get there?

हम वहां कैसे पहुंचे?

Well, in the past, object detection systems

ठीक है, अतीत में, ऑब्जेक्ट डिटेक्शन सिस्टम

would take an image like this

इस तरह की एक छवि ले कर

and split it into a bunch of regions

और इसे क्षेत्रों के एक गुच्छे में विभाजित कर के

and then run a classifier on each of these regions,

और फिर इन क्षेत्रों में प्रत्येक पर क्लासिफायर चलाते हुए

and high scores for that classifier

और उस क्लासिफायर के उच्च स्कोर को

would be considered detections in the image.

छवि में पहचान माना जाता था

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

लेकिन इसमें छवि पहचान के लिए छवि पर हजारों बार क्लासिफायर चलाना,

thousands of neural network evaluations to produce detection.

हजारों तंत्रिका नेटवर्क मूल्यांकन करना होता था

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

इसके बजाय, हमने हर पहचान के लिए एक एकल नेटवर्क को प्रशिक्षित किया

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

यह एक साथ सभी बक्सों और श्रेणी संभावनाओं को बनाता है

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

हमारे सिस्टम से एक छवि को हजारों बार देखने की बजाय

to produce detection,

उसका पता लगाने के लिए,

you only look once,

आप केवल एक बार देखते हैं,

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

यही कारण है कि हम इसे कहते हैं वस्तु का पता लगाने की योलो विधि

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

तो इस गति के साथ, हम सिर्फ छवियों तक सीमित नहीं हैं;

we can process video in real time.

हम वास्तविक समय में वीडियो संसाधित कर सकते हैं

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

और अब, सिर्फ देखने के बजाय कि बिल्ली और कुत्ते,

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

हम उन्हें चारों ओर घूमते देख सकते हैं और एक दूसरे के साथ बातचीत करते हुए।

This is a detector that we trained

यह एक डिटेक्टर है जिसे हमने प्रशिक्षित किया है

on 80 different classes

80 विभिन्न वर्गों पर

in Microsoft's COCO dataset.

माइक्रोसॉफ्ट के कोको डाटासेट में

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

इसमें सभी प्रकार की चीजें हैं जैसे चम्मच और कांटा, कटोरा,

common objects like that.

उस तरह की सामान्य वस्तुएं

It has a variety of more exotic things:

इसमें कई प्रकार की विदेशी चीजें हैं:

animals, cars, zebras, giraffes.

जानवर, कार, ज़ेबरा, जिराफ

And now we're going to do something fun.

और अब हम कुछ मज़ा करने वाले हैं

We're just going to go out into the audience

अब हम दर्शकों के बीच जाने वाले हैं

and see what kind of things we can detect.

देखें किस प्रकार की चीजों का पता लगाते हैं

Does anyone want a stuffed animal?

क्या कोई भरवां पशु चाहता है?

There are some teddy bears out there.

वहाँ कुछ टेडी भालू हैं

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

और हम पता लगाने की अपनी सीमा थोड़ी सी नीचे कर सकते हैं

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

ताकि हम अधिक लोगों को दर्शकों में ढूंढ सकते हैं

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

चलो देखते हैं कि हम रोकने के संकेत प्राप्त कर सकते हैं।

We find some backpacks.

हमें कुछ बैकपैक मिलते हैं

Let's just zoom in a little bit.

चलो थोड़ा सा साइज बड़ा करें

And this is great.

और यह बढ़िया है

And all of the processing is happening in real time

और सभी प्रसंस्करण वास्तविक समय में हो रहा है

on the laptop.

लैपटॉप पर

And it's important to remember

और यह याद रखना महत्वपूर्ण है ¶

that this is a general purpose object detection system,

कि यह एक सामान्य उद्देश्य है ऑब्जेक्ट डिटेक्शन सिस्टम,

so we can train this for any image domain.

इसलिए हम इसे किसी भी छवि डोमेन के लिए प्रशिक्षित कर सकते हैं।

The same code that we use

उसी कोड का, जिसका हम उपयोग करते हैं

to find stop signs or pedestrians,

रोकने के संकेत या पैदल चलने वालों को ढूंढने के लिए,

bicycles in a self-driving vehicle,

स्वयं संचालित वाहन में साईकलों का,

can be used to find cancer cells

कैंसर कोशिकाओं को खोजने के लिए इस्तेमाल किया जा सकता है

in a tissue biopsy.

ऊतक बायोप्सी में

And there are researchers around the globe already using this technology

और दुनिया भर के शोधकर्ता पहले से ही इस तकनीक का इस्तेमाल

for advances in things like medicine, robotics.

दवाइओं ,रोबोटिक्स जैसी चीजों की प्रगति के लिए कर रहे हैं

This morning, I read a paper

आज सुबह, मैंने एक पेपर पढ़ा

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

जहां वे नैरोबी राष्ट्रीय उद्यान में पशुओं की जनगणना कर रहे थे

with YOLO as part of this detection system.

योलो पहचान प्रणाली के साथ जो इसका हिस्सा रहा

And that's because Darknet is open source

और इसका कारण यह है कि डार्कनेट खुला स्रोत है

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

और सार्वजनिक डोमेन में है, जो सभी के लिए नि:शुल्क है

(Applause)

(तालियां) ¶

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

हमने पड़ताल को और भी पहुँच वाला व उपयोगी बनाना चाहा¶

so through a combination of model optimization,

मॉडल अनुकूलन की नेटवर्क बिनारिजेशन और सन्निकटन के

network binarization and approximation,

संयोजन माध्यम से,

we actually have object detection running on a phone.

हमारी वस्तु जाँच प्रणाली एक फोन पर चल रही है

(Applause)

(तालियां) ¶

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

और मैं वास्तव में उत्साहित हूँ क्योंकि अब हमारे पास एक बहुत शक्तिशाली समाधान है¶

to this low-level computer vision problem,

इस निम्न स्तरीय कंप्यूटर दृष्टि समस्या के लिए,

and anyone can take it and build something with it.

कोई भी इसे ले सकता है और कुछ निर्माण कर सकता है

So now the rest is up to all of you

अतः बाकी सब आप व दुनिया भर के लोगों पर,

and people around the world with access to this software,

इस सॉफ़्टवेयर की पहुंच के साथ, निर्भर करता है

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

और मैं इंतजार नहीं कर सकता कि लोग इस तकनीक से क्या बनायेगें

Thank you.

धन्यवाद। ¶

(Applause)