How computers learn to recognize objects instantly | Joseph Redmon

1,119,896 views ・ 2017-08-18

TED


下の英語字幕をダブルクリックすると動画を再生できます。

翻訳: Yasushi Aoki 校正: Claire Ghyselen
00:12
Ten years ago,
0
12645
1151
10年前
00:13
computer vision researchers thought that getting a computer
1
13820
2776
コンピュータービジョンの研究者は
コンピューターで 犬と猫を見分けるのは
00:16
to tell the difference between a cat and a dog
2
16620
2696
ほとんど無理だと 考えていました
00:19
would be almost impossible,
3
19340
1976
00:21
even with the significant advance in the state of artificial intelligence.
4
21340
3696
人工知能の大きな 発展にもかかわらずです
00:25
Now we can do it at a level greater than 99 percent accuracy.
5
25060
3560
現在では99%以上の精度で 見分けられるようになっています
00:29
This is called image classification --
6
29500
1856
これは「画像分類」と 呼ばれる問題で
00:31
give it an image, put a label to that image --
7
31380
3096
コンピューターに画像の ラベル付けをさせるものです
00:34
and computers know thousands of other categories as well.
8
34500
3040
コンピューターは何千種もの物を 識別できるようになっています
00:38
I'm a graduate student at the University of Washington,
9
38500
2896
私はワシントン大学の大学院生で
00:41
and I work on a project called Darknet,
10
41420
1896
Darknetというプロジェクトに 取り組んでいます
00:43
which is a neural network framework
11
43340
1696
コンピュータービジョンのモデルを トレーニングしテストするための
00:45
for training and testing computer vision models.
12
45060
2816
ニューラルネット・フレームワークです
00:47
So let's just see what Darknet thinks
13
47900
2976
Darknetが あの犬の画像を
何だと思うか 見てみましょう
00:50
of this image that we have.
14
50900
1760
00:54
When we run our classifier
15
54340
2336
あの画像を
私たちの画像分類 プログラムにかけると
00:56
on this image,
16
56700
1216
00:57
we see we don't just get a prediction of dog or cat,
17
57940
2456
犬か猫かだけでなく
01:00
we actually get specific breed predictions.
18
60420
2336
具体的な犬種まで 言い当てます
01:02
That's the level of granularity we have now.
19
62780
2176
そこまで細かいことが 分かるようになっています
01:04
And it's correct.
20
64980
1616
そして正しい答えを出しています [マラミュート犬 37% ハスキー犬 15% エスキモー犬 12%]
01:06
My dog is in fact a malamute.
21
66620
1840
私の犬は確かにマラミュート犬です [マラミュート犬 37% ハスキー犬 15% エスキモー犬 12%]
01:08
So we've made amazing strides in image classification,
22
68860
4336
画像分類は驚くほど 進歩しましたが
01:13
but what happens when we run our classifier
23
73220
2000
こういう複数の物が写った写真を 画像分類にかけたら
01:15
on an image that looks like this?
24
75244
1960
どうなるのでしょう?
01:18
Well ...
25
78900
1200
結果は—
01:24
We see that the classifier comes back with a pretty similar prediction.
26
84460
3896
前とほぼ同じになっています [マラミュート犬 7% エスキモー犬 6% ハスキー犬 6%]
01:28
And it's correct, there is a malamute in the image,
27
88380
3096
それは正しくて 画像の中には 確かにマラミュート犬がいますが
01:31
but just given this label, we don't actually know that much
28
91500
3696
そのラベルだけでは
この画像の中で どんなことが 起きているのか あまりわかりません
01:35
about what's going on in the image.
29
95220
1667
01:36
We need something more powerful.
30
96911
1560
もっと強力なものが ほしいところです
私は「物体検出」と呼ばれる 問題に取り組んでいて
01:39
I work on a problem called object detection,
31
99060
2616
01:41
where we look at an image and try to find all of the objects,
32
101700
2936
それは画像を見て その中にある物体をすべて検出し
01:44
put bounding boxes around them
33
104660
1456
それぞれの物を箱で囲って
01:46
and say what those objects are.
34
106140
1520
それが何か識別する という問題です
01:48
So here's what happens when we run a detector on this image.
35
108220
3280
この画像を物体検出プログラムにかけると どうなるか見てみましょう
01:53
Now, with this kind of result,
36
113060
2256
得られる結果は こういうもので
01:55
we can do a lot more with our computer vision algorithms.
37
115340
2696
色んなことができます
01:58
We see that it knows that there's a cat and a dog.
38
118060
2976
猫と犬がいることがわかり
02:01
It knows their relative locations,
39
121060
2256
相対的な位置や
02:03
their size.
40
123340
1216
大きさもわかります
02:04
It may even know some extra information.
41
124580
1936
おまけの情報もあります
02:06
There's a book sitting in the background.
42
126540
1960
向こうに本があるとか
02:09
And if you want to build a system on top of computer vision,
43
129100
3256
コンピュータービジョンを 使ったシステム
02:12
say a self-driving vehicle or a robotic system,
44
132380
3456
自動運転車や ロボットを 作ろうとするなら
02:15
this is the kind of information that you want.
45
135860
2456
これはまさに 欲しい情報でしょう
02:18
You want something so that you can interact with the physical world.
46
138340
3239
周りの世界と作用し合えるように してくれるものが欲しいのです
02:22
Now, when I started working on object detection,
47
142579
2257
私が物体検出に 取り組み始めた頃は
02:24
it took 20 seconds to process a single image.
48
144860
3296
1つの画像の処理に 20秒かかっていました
02:28
And to get a feel for why speed is so important in this domain,
49
148180
3880
この領域で なぜスピードが重要なのか 分かってもらうため
02:32
here's an example of an object detector
50
152940
2536
物体検出で画像の処理に 2秒かかると どんな具合か
02:35
that takes two seconds to process an image.
51
155500
2416
見ていただきましょう
02:37
So this is 10 times faster
52
157940
2616
これは画像1つにつき20秒かかる 画像検出プログラムより
02:40
than the 20-seconds-per-image detector,
53
160580
3536
10倍速いわけですが
02:44
and you can see that by the time it makes predictions,
54
164140
2656
プログラムが答えを 出したときには
02:46
the entire state of the world has changed,
55
166820
2040
状況は既に変わっているため
02:49
and this wouldn't be very useful
56
169700
2416
あまりアプリケーションの役には
02:52
for an application.
57
172140
1416
立ちません
02:53
If we speed this up by another factor of 10,
58
173580
2496
さらに10倍 高速化してみましょう
02:56
this is a detector running at five frames per second.
59
176100
2816
毎秒 5フレーム 処理しています
02:58
This is a lot better,
60
178940
1536
だいぶマシにはなりましたが
03:00
but for example,
61
180500
1976
何か大きな動きがあると
03:02
if there's any significant movement,
62
182500
2296
ズレが出ます
03:04
I wouldn't want a system like this driving my car.
63
184820
2560
このようなシステムに 自分の車を運転して欲しくはありません
03:08
This is our detection system running in real time on my laptop.
64
188940
3240
これは私たちの物体検出システムで ノートPC上でリアルタイムで動いています
03:12
So it smoothly tracks me as I move around the frame,
65
192820
3136
私が動き回っても スムーズに追尾します
03:15
and it's robust to a wide variety of changes in size,
66
195980
3720
様々な種類の変化にも対応できます 大きさとか
03:21
pose,
67
201260
1200
ポーズとか
03:23
forward, backward.
68
203100
1856
前向き 後ろ向き
03:24
This is great.
69
204980
1216
とてもいいです
03:26
This is what we really need
70
206220
1736
これこそコンピュータービジョンを 使ったシステムを作ろうというときに
03:27
if we're going to build systems on top of computer vision.
71
207980
2896
欲しいものです
03:30
(Applause)
72
210900
4000
(拍手)
03:36
So in just a few years,
73
216100
2176
ほんの数年で
03:38
we've gone from 20 seconds per image
74
218300
2656
1画像あたり20秒から 20ミリ秒へと
03:40
to 20 milliseconds per image, a thousand times faster.
75
220980
3536
1000倍 高速化しました
03:44
How did we get there?
76
224540
1416
どうやって実現したのか?
03:45
Well, in the past, object detection systems
77
225980
3016
以前の物体検出システムは
03:49
would take an image like this
78
229020
1936
このような画像を受け取ると
03:50
and split it into a bunch of regions
79
230980
2456
沢山の領域に分割し
03:53
and then run a classifier on each of these regions,
80
233460
3256
それぞれの領域を 分類プログラムにかけ
03:56
and high scores for that classifier
81
236740
2536
高いスコアが出たところに
03:59
would be considered detections in the image.
82
239300
3136
物体が検出されたと 見なしていました
04:02
But this involved running a classifier thousands of times over an image,
83
242460
4056
この方法だと1つの画像に対し 分類プログラムを何千回も走らせ
04:06
thousands of neural network evaluations to produce detection.
84
246540
2920
ニューラルネットによる評価が 何千回も必要になります
04:11
Instead, we trained a single network to do all of detection for us.
85
251060
4536
そうする代わりに 1つのニューラルネットで すべての検出を行うようトレーニングしました
04:15
It produces all of the bounding boxes and class probabilities simultaneously.
86
255620
4280
境界の箱や 分類の確からしさの確率を すべて同時に生成するのです
04:20
With our system, instead of looking at an image thousands of times
87
260500
3496
我々のシステムでは 物体検出を行うために
画像を何千回も見る代わりに
04:24
to produce detection,
88
264020
1456
04:25
you only look once,
89
265500
1256
たった一度しか見ないのです
04:26
and that's why we call it the YOLO method of object detection.
90
266780
2920
それがYOLO (You Only Look Once)の 名の所以です
04:31
So with this speed, we're not just limited to images;
91
271180
3976
これだけ速いと 画像だけでなく
04:35
we can process video in real time.
92
275180
2416
映像もリアルタイムで処理できます
04:37
And now, instead of just seeing that cat and dog,
93
277620
3096
猫と犬を検出するだけでなく
04:40
we can see them move around and interact with each other.
94
280740
2960
それぞれが動き回り 相手に反応しているのが分かります
04:46
This is a detector that we trained
95
286380
2056
この検出プログラムは
04:48
on 80 different classes
96
288460
4376
MicrosoftのCOCOデータセットにある 80種の物に対して
04:52
in Microsoft's COCO dataset.
97
292860
3256
トレーニングしてあります
04:56
It has all sorts of things like spoon and fork, bowl,
98
296140
3336
スプーンやフォークといった
04:59
common objects like that.
99
299500
1800
日常的な物もあれば
05:02
It has a variety of more exotic things:
100
302180
3096
もっと変わった物もあります
05:05
animals, cars, zebras, giraffes.
101
305300
3256
動物 車 シマウマ キリン
05:08
And now we're going to do something fun.
102
308580
1936
ちょっと面白いことをやりましょう
05:10
We're just going to go out into the audience
103
310540
2096
客席からどんなものが 検出できるか
05:12
and see what kind of things we can detect.
104
312660
2016
試してみます
05:14
Does anyone want a stuffed animal?
105
314700
1620
ぬいぐるみの動物が欲しい人?
05:17
There are some teddy bears out there.
106
317820
1762
そこかしこに テディベアがあります
05:21
And we can turn down our threshold for detection a little bit,
107
321860
4536
検出器の閾値を少し下げて
05:26
so we can find more of you guys out in the audience.
108
326420
3400
客席の皆さんを 検出できるようにしましょう
05:31
Let's see if we can get these stop signs.
109
331380
2336
「一時停止」の標識を 検出できるでしょうか
05:33
We find some backpacks.
110
333740
1880
バックパックが いくつかありますね
05:37
Let's just zoom in a little bit.
111
337700
1840
もう少しズームしましょう
05:42
And this is great.
112
342140
1256
素晴らしいです
05:43
And all of the processing is happening in real time
113
343420
3176
すべての処理が ノートPC上で
リアルタイムで 実行されています
05:46
on the laptop.
114
346620
1200
05:48
And it's important to remember
115
348900
1456
重要なのはこれが
05:50
that this is a general purpose object detection system,
116
350380
3216
汎用物体検出システム だということで
05:53
so we can train this for any image domain.
117
353620
5000
どのような領域の画像に対しても トレーニングできます
06:00
The same code that we use
118
360140
2536
自動運転車が
一時停止の標識や歩行者や 自転車を検知するのに使うのと
06:02
to find stop signs or pedestrians,
119
362700
2456
06:05
bicycles in a self-driving vehicle,
120
365180
1976
同じプログラムを
06:07
can be used to find cancer cells
121
367180
2856
組織生検でガンを 見つけるためにも
06:10
in a tissue biopsy.
122
370060
3016
使えるのです
すでに世界中の研究者達が この技術を使って
06:13
And there are researchers around the globe already using this technology
123
373100
4040
06:18
for advances in things like medicine, robotics.
124
378060
3416
医学やロボット工学を 前進させています
06:21
This morning, I read a paper
125
381500
1376
今朝 新聞で読んだんですが
06:22
where they were taking a census of animals in Nairobi National Park
126
382900
4576
ナイロビ国立公園では YOLOを検出システムとして使って
06:27
with YOLO as part of this detection system.
127
387500
3136
動物の個体数調査を しているそうです
06:30
And that's because Darknet is open source
128
390660
3096
それというのもDarknetはオープンソースで パブリックドメインなため
06:33
and in the public domain, free for anyone to use.
129
393780
2520
誰でも無料で使えるからです
06:37
(Applause)
130
397420
5696
(拍手)
06:43
But we wanted to make detection even more accessible and usable,
131
403140
4936
私たちは物体検出技術をさらに近づきやすく 使いやすいものにしたいと思い
06:48
so through a combination of model optimization,
132
408100
4056
モデルの最適化や ネットワーク・バイナリぜーション
06:52
network binarization and approximation,
133
412180
2296
近似を組み合わせることで
06:54
we actually have object detection running on a phone.
134
414500
3920
スマートフォン上で 動かせるようにしました
07:04
(Applause)
135
424620
5320
(拍手)
07:10
And I'm really excited because now we have a pretty powerful solution
136
430780
5056
私はすごくワクワクしています
いまやこの基本的なコンピュータービジョンの 問題に対して とても強力な解があり
07:15
to this low-level computer vision problem,
137
435860
2296
07:18
and anyone can take it and build something with it.
138
438180
3856
誰でもそれを使って 何か作り出すことができるんです
07:22
So now the rest is up to all of you
139
442060
3176
あとは皆さんや
このソフトウェアを使える 世界中の人々にかかっています
07:25
and people around the world with access to this software,
140
445260
2936
07:28
and I can't wait to see what people will build with this technology.
141
448220
3656
この技術を使ってみんなが どんなものを作ってくれるか楽しみです
07:31
Thank you.
142
451900
1216
ありがとうございました
07:33
(Applause)
143
453140
3440
(拍手)
このウェブサイトについて

このサイトでは英語学習に役立つYouTube動画を紹介します。世界中の一流講師による英語レッスンを見ることができます。各ビデオのページに表示される英語字幕をダブルクリックすると、そこからビデオを再生することができます。字幕はビデオの再生と同期してスクロールします。ご意見・ご要望がございましたら、こちらのお問い合わせフォームよりご連絡ください。

https://forms.gle/WvT1wiN1qDtmnspy7