How computers learn to recognize objects instantly | Joseph Redmon

Traduttore: Elisabetta Siagri Revisore: Maria Carmina Distratto

Ten years ago,

Dieci anni fa,

computer vision researchers thought that getting a computer

i ricercatori di visione artificiale pensavano

che fare in modo che un computer

to tell the difference between a cat and a dog

riuscisse a differenziare un gatto e un cane

would be almost impossible,

sarebbe stato quasi impossibile,

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

nonostante il progresso significativo nel campo dell'intelligenza artificiale.

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

Ora possiamo farlo a un livello di precisione superiore al 99 per cento.

This is called image classification --

Questa è chiamata classificazione d'immagini --

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

dategli un'immagine, etichettate quell'immagine --

and computers know thousands of other categories as well.

e i computer riconoscono anche migliaia di altre categorie.

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

Sono un dottorando della University of Washington,

and I work on a project called Darknet,

e lavoro su un progetto chiamato Darknet,

which is a neural network framework

che è un framework di rete neurale

for training and testing computer vision models.

per sviluppare e testare i modelli di visione artificiale.

So let's just see what Darknet thinks

Quindi vediamo cosa ne pensa Darknet

of this image that we have.

di quest'immagine.

When we run our classifier

Quando eseguiamo il nostro classificatore

on this image,

su quest'immagine,

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

vediamo che non otteniamo solo la previsione di un cane o di un gatto,

we actually get specific breed predictions.

ma la previsione della razza specifica.

That's the level of granularity we have now.

Questo è il livello di precisione attuale.

And it's correct.

Ed è corretto.

My dog is in fact a malamute.

Infatti, il mio cane è un Alaskan Malamute.

So we've made amazing strides in image classification,

Abbiamo fatto dei passi da gigante nella classificazione di immagini,

but what happens when we run our classifier

ma cosa succede quando passiamo il nostro classificatore

on an image that looks like this?

su un'immagine come questa?

Well ...

Beh...

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

Vediamo che il classificatore ritorna con una predizione abbastanza simile.

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

Ed è corretto, c'è un Alaskan Malamute sull'immagine,

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

ma con questa sola etichetta, non ne sappiamo poi molto

about what's going on in the image.

di quello che succede nell'immagine.

We need something more powerful.

Abbiamo bisogno di qualcosa di più potente.

I work on a problem called object detection,

Io lavoro su un problema chiamato riconoscimento di oggetti,

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

dove guardiamo un'immagine e cerchiamo di trovare gli oggetti,

put bounding boxes around them

li delimitiamo con dei "bounding boxes"

and say what those objects are.

e definiamo quegli oggetti.

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

Questo è quello che succede

quando passiamo un rilevatore su quest'immagine.

Now, with this kind of result,

Ora, con questo tipo di risultato,

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

possiamo fare molto di più

con i nostri algoritmi di visione artificiale.

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

Vediamo che riconosce che ci sono un gatto e un cane.

It knows their relative locations,

Conosce la loro posizione,

their size.

la loro taglia.

It may even know some extra information.

Potrebbe addirittura conoscere informazioni extra.

There's a book sitting in the background.

C'è un libro sullo sfondo.

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

Se vuoi costruire un sistema basato sulla visione artificiale,

say a self-driving vehicle or a robotic system,

diciamo un'auto senza pilota o un sistema robotico,

this is the kind of information that you want.

questo è il tipo di informazione che vuoi.

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

Vuoi qualcosa per poter interagire con il mondo fisico.

Now, when I started working on object detection,

Quando ho iniziato a lavorare sul riconoscimento di oggetti,

it took 20 seconds to process a single image.

servivano 20 secondi per processare una sola immagine.

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

E per capire quanto è importante la velocità in questo settore,

here's an example of an object detector

ecco un esempio di un rilevatore di oggetti

that takes two seconds to process an image.

che impiega due secondi per processare un'immagine.

So this is 10 times faster

Quindi questo è 10 volte più veloce

than the 20-seconds-per-image detector,

del rilevatore a 20 secondi a immagine,

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

e potete vedere che nel momento in cui fa le sue predizioni

the entire state of the world has changed,

l'aspetto del mondo è cambiato,

and this wouldn't be very useful

e questo non sarebbe utile

for an application.

per un'applicazione.

If we speed this up by another factor of 10,

Se velocizziamo di un altro fattore 10,

this is a detector running at five frames per second.

questo è un rilevatore che funziona a cinque immagini al secondo.

This is a lot better,

È molto meglio,

but for example,

ma, ad esempio,

if there's any significant movement,

se c'è un qualsiasi movimento significativo,

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

non vorrei un sistema come questo mentre guido.

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

Questo è il nostro sistema di riconoscimento

in funzione in tempo reale sul mio computer.

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

Quindi mi identifica senza problemi mentre mi muovo sull'immagine,

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

ed è efficace anche quando cambiano la taglia,

pose,

la posa,

forward, backward.

avanti, indietro.

This is great.

È fantastico.

This is what we really need

Questo è ciò di cui abbiamo davvero bisogno

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

se vogliamo costruire sistemi basati sulla visione artificiale.

(Applause)

(Applausi)

So in just a few years,

Quindi in pochi anni,

we've gone from 20 seconds per image

siamo passati da 20 secondi a immagine

to 20 milliseconds per image, a thousand times faster.

a 20 millisecondi a immagine, mille volte più veloce.

How did we get there?

Come ci siamo riusciti?

Well, in the past, object detection systems

In passato, i sistemi di riconoscimento di oggetti

would take an image like this

avrebbero preso un'immagine come questa

and split it into a bunch of regions

e l'avrebbero divisa in un insieme di regioni

and then run a classifier on each of these regions,

e poi passato un classificatore su ognuna di queste regioni,

and high scores for that classifier

e punteggi elevati per quel classificatore

would be considered detections in the image.

sarebbero stati considerati come riconoscimenti nell'immagine.

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

Ma questo voleva dire

passare un classificatore migliaia di volte su un'immagine,

thousands of neural network evaluations to produce detection.

migliaia di valutazioni di rete neurale per produrre il riconoscimento.

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

Invece, abbiamo allenato una singola rete a fare tutto il riconoscimento per noi.

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

Produce tutti i bounding boxes e ordina le probabilità simultaneamente.

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

Con il nostro sistema, invece di guardare un'immagine migliaia di volte

to produce detection,

per ottenere il riconoscimento,

you only look once,

guardi una volta sola,

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

ed è per questo che lo chiamiamo

il metodo YOLO del riconoscimento d'oggetti.

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

Con questa velocità possiamo quindi non limitarci alle immagini;

we can process video in real time.

ma possiamo processare video in tempo reale.

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

E ora, invece di vedere solo il cane e il gatto,

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

possiamo vederli muovere e interagire tra loro.

This is a detector that we trained

Questo è un rilevatore che abbiamo allenato

on 80 different classes

su 80 classi diverse

in Microsoft's COCO dataset.

nel dataset COCO di Microsoft.

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

Contiene di tutto come cucchiaio e forchetta, ciotola,

common objects like that.

oggetti comuni come questi.

It has a variety of more exotic things:

Ma anche una varietà di cose più esotiche:

animals, cars, zebras, giraffes.

animali, auto, zebre, giraffe.

And now we're going to do something fun.

E adesso facciamo qualcosa di divertente.

We're just going to go out into the audience

Ci metteremo in mezzo al pubblico

and see what kind of things we can detect.

per vedere che tipo di oggetti possiamo identificare.

Does anyone want a stuffed animal?

Qualcuno vuole un peluche?

There are some teddy bears out there.

Ci sono degli orsacchiotti lì in mezzo.

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

E possiamo abbassare un po' la nostra soglia di riconoscimento,

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

così possiamo riconoscervi meglio in mezzo al pubblico.

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

Vediamo se riusciamo a trovare dei segnali di stop.

We find some backpacks.

Troviamo degli zaini.

Let's just zoom in a little bit.

Facciamo uno zoom.

And this is great.

Ed è fantastico.

And all of the processing is happening in real time

E tutto il processo avviene in tempo reale

on the laptop.

sul computer.

And it's important to remember

Ed è importante ricordare

that this is a general purpose object detection system,

che questo è un sistema di riconoscimento di oggetti

di uso generale,

so we can train this for any image domain.

quindi lo possiamo allenare per qualsiasi settore di immagini.

The same code that we use

Lo stesso codice che usiamo

to find stop signs or pedestrians,

per trovare segnali di stop o pedoni,

bicycles in a self-driving vehicle,

biciclette in un veicolo con pilota automatico,

can be used to find cancer cells

può essere usato per trovare cellule cancerose

in a tissue biopsy.

durante una biopsia.

And there are researchers around the globe already using this technology

E ci sono ricercatori in tutto il mondo che stanno già usando questa tecnologia

for advances in things like medicine, robotics.

per fare passi avanti in campi come la medicina, la robotica.

This morning, I read a paper

Questa mattina, ho letto un articolo

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

in cui si parlava di un censimento degli animali al Nairobi National Park

with YOLO as part of this detection system.

con YOLO integrato nel sistema di riconoscimento.

And that's because Darknet is open source

Ed è perché Darknet è open source

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

ed è di dominio pubblico, e chiunque può utilizzarlo liberamente.

(Applause)

(Applausi)

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

Ma volevamo rendere il riconoscimento ancora più accessibile e fruibile,

so through a combination of model optimization,

e attraverso una combinazione di ottimizzazione del modello,

network binarization and approximation,

binarizzazione di rete e approssimazione,

we actually have object detection running on a phone.

abbiamo un riconoscimento di oggetti che funziona su un telefono.

(Applause)

(Applausi)

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

E sono davvero contento perché abbiamo una soluzione piuttosto efficace

to this low-level computer vision problem,

a questo problema di visione di computer di basso livello,

and anyone can take it and build something with it.

e chiunque può prenderlo e costruirci qualcosa.

So now the rest is up to all of you

Quindi il resto è nelle vostre mani

e in quelle delle persone nel mondo che hanno accesso a questo software,

and people around the world with access to this software,

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

e sono impaziente di vedere

cosa le persone faranno con questa tecnologia.

Thank you.

Grazie.

(Applause)

(Applausi)