How computers learn to recognize objects instantly | Joseph Redmon

Tradutor: Maurício Kakuei Tanaka Revisor: Maricene Crus

Ten years ago,

Há dez anos, os pesquisadores da visão computacional

computer vision researchers thought that getting a computer

achavam que fazer um computador distinguir um cão de um gato

to tell the difference between a cat and a dog

would be almost impossible,

seria quase impossível,

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

mesmo com o avanço significativo da inteligência artificial.

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

Agora podemos fazer isso com precisão superior a 99%.

This is called image classification --

Chamamos de classificação de imagem:

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

fornecer ao computador uma imagem, atribuir a ela um rótulo,

and computers know thousands of other categories as well.

e os computadores também reconhecem milhares de outras categorias.

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

Sou aluno da Universidade de Washington,

and I work on a project called Darknet,

e trabalho no projeto "Darknet",

which is a neural network framework

uma estrutura de rede neural para preparar e testar modelos de visão computacional.

for training and testing computer vision models.

So let's just see what Darknet thinks

Vamos ver o que o Darknet acha desta imagem que temos.

of this image that we have.

When we run our classifier

Quando executamos nosso classificador nela,

on this image,

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

não sabemos apenas se é um cão ou um gato,

we actually get specific breed predictions.

obtemos realmente a raça específica.

That's the level of granularity we have now.

É o nível de detalhe que temos agora.

And it's correct.

E está correto:

My dog is in fact a malamute.

meu cachorro é mesmo um malamute.

So we've made amazing strides in image classification,

Temos feito avanços incríveis na classificação de imagens,

but what happens when we run our classifier

mas o que acontece quando executamos o classificador em uma imagem como esta?

on an image that looks like this?

Well ...

Bem...

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

Vemos que o classificador retorna um prognóstico bastante semelhante.

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

Está certo: há um malamute na imagem.

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

Mas só com este rótulo, não sabemos realmente muito a respeito

about what's going on in the image.

do que está acontecendo na imagem.

We need something more powerful.

Precisamos de algo mais convincente.

I work on a problem called object detection,

Trabalho com um assunto chamado detecção de objetos,

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

em que analisamos a imagem e tentamos achar todos os objetos,

put bounding boxes around them

colocamos molduras ao redor deles e dizemos o que eles são.

and say what those objects are.

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

Isso é o que acontece quando executamos um detector nesta imagem.

Now, with this kind of result,

Com este tipo de resultado,

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

podemos fazer muito mais com a visão computacional.

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

Vemos que o detector identifica que há um gato e um cachorro.

It knows their relative locations,

Sabe a posição relativa e o tamanho deles.

their size.

It may even know some extra information.

Pode até identificar algumas informações extras, como um livro ao fundo.

There's a book sitting in the background.

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

Se quiserem construir um sistema atualizado de visão computacional,

say a self-driving vehicle or a robotic system,

como um veículo autodirigível ou um sistema robótico,

this is the kind of information that you want.

este é o tipo de informação que vocês precisam.

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

Precisam de algo para poder interagir com o mundo físico.

Now, when I started working on object detection,

Quando comecei a detectar objetos,

it took 20 seconds to process a single image.

demorava 20 segundos para processar uma única imagem.

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

Para ter uma ideia da importância da velocidade nesta área,

here's an example of an object detector

aqui está um exemplo de um detector de objetos

that takes two seconds to process an image.

que leva dois segundos para processar uma imagem.

So this is 10 times faster

É dez vezes mais rápido

than the 20-seconds-per-image detector,

que o detector de 20 segundos por imagem.

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

Você podem ver que, quando são feitos os prognósticos, tudo mudou,

the entire state of the world has changed,

and this wouldn't be very useful

o que não seria muito útil para uma aplicação.

for an application.

If we speed this up by another factor of 10,

Se aumentarmos a velocidade em dez vezes,

this is a detector running at five frames per second.

teremos um detector executando a cinco quadros por segundo.

This is a lot better,

Isso é muito melhor, mas, por exemplo,

but for example,

if there's any significant movement,

se houver algum movimento significativo,

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

eu não gostaria de um sistema como esse dirigindo meu carro.

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

Este é nosso sistema de detecção rodando em tempo real em meu laptop.

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

Ele acompanha suavemente meu movimento ao redor do quadro,

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

e é potente para uma grande variedade de mudanças de tamanho,

pose,

pose,

forward, backward.

para frente, para trás.

This is great.

Isso é ótimo.

É o que realmente precisamos

This is what we really need

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

se formos construir sistemas atualizados de visão computacional.

(Applause)

(Aplausos)

So in just a few years,

Em apenas alguns anos,

we've gone from 20 seconds per image

passamos de 20 segundos por imagem

to 20 milliseconds per image, a thousand times faster.

a 20 milissegundos, mil vezes mais rápido.

How did we get there?

Como chegamos lá?

Well, in the past, object detection systems

No passado, os sistemas de detecção de objetos

would take an image like this

pegavam uma imagem como esta,

and split it into a bunch of regions

dividiam-na em várias partes

and then run a classifier on each of these regions,

e depois executavam um classificador em cada uma delas.

and high scores for that classifier

As pontuações altas para esse classificador

would be considered detections in the image.

eram consideradas detecções na imagem.

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

Mas isso envolvia rodar um classificador milhares de vezes em uma imagem,

thousands of neural network evaluations to produce detection.

milhares de avaliações de rede neural para fazer a detecção.

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

Em vez disso, preparamos uma única rede para fazer toda a detecção para nós.

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

Ela cria todas as molduras e probabilidades de classe ao mesmo tempo.

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

Com nosso sistema, em vez de analisar uma imagem milhares de vezes

to produce detection,

para fazer a detecção, olhamos apenas uma vez.

you only look once,

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

Por isso, chamamos de método "YOLO" de detecção de objetos.

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

Com essa velocidade, não estamos limitados somente a imagens;

we can process video in real time.

podemos processar vídeos em tempo real.

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

Em vez de ver apenas aquele gato e cachorro,

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

podemos ver o movimento e a interação entre eles.

This is a detector that we trained

Este é um detector que desenvolvemos

on 80 different classes

em 80 classes diferentes

in Microsoft's COCO dataset.

no conjunto de dados "COCO" da Microsoft.

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

Ele contém todo tipo de coisas, como colher, garfo, tigela,

common objects like that.

objetos comuns assim.

It has a variety of more exotic things:

Contém uma variedade de coisas mais exóticas:

animals, cars, zebras, giraffes.

animais, carros, zebras, girafas.

And now we're going to do something fun.

Agora vamos fazer algo divertido.

We're just going to go out into the audience

Iremos para a plateia e veremos que tipo de coisas podemos detectar.

and see what kind of things we can detect.

Alguém quer um bicho de pelúcia?

Does anyone want a stuffed animal?

There are some teddy bears out there.

Há alguns ursinhos de pelúcia por aí.

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

Podemos diminuir um pouco nossa tolerância de detecção,

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

para poder encontrar mais de vocês na plateia.

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

Vamos ver se conseguirmos pegar os sinais de PARE.

We find some backpacks.

Encontramos algumas mochilas.

Let's just zoom in a little bit.

Vamos ampliar um pouco.

And this is great.

Isso é ótimo.

And all of the processing is happening in real time

Todo o processamento acontece em tempo real no laptop.

on the laptop.

And it's important to remember

É importante lembrar

that this is a general purpose object detection system,

que este é um sistema de detecção de objetos de uso geral.

so we can train this for any image domain.

Podemos desenvolver isso para qualquer domínio de imagem.

The same code that we use

O mesmo código que usamos

to find stop signs or pedestrians,

para encontrar sinais de PARE ou pedestres,

bicycles in a self-driving vehicle,

bicicletas em um veículo autodirigível,

can be used to find cancer cells

pode ser usado para encontrar células cancerígenas

in a tissue biopsy.

em uma biópsia de tecido.

And there are researchers around the globe already using this technology

Existem pesquisadores em todo o mundo que já utilizam esta tecnologia

for advances in things like medicine, robotics.

para avanços em coisas como medicina, robótica.

This morning, I read a paper

Esta manhã, li um artigo

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

sobre um recenseamento de animais no Nairobi National Park

with YOLO as part of this detection system.

utilizando o YOLO como parte deste sistema de detecção.

And that's because Darknet is open source

Isso porque o Darknet tem o código aberto

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

de domínio público, gratuito para qualquer um usar.

(Applause)

(Aplausos)

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

Mas queríamos tornar a detecção ainda mais acessível e utilizável.

so through a combination of model optimization,

Então, por meio de uma combinação de otimização de modelo,

network binarization and approximation,

aproximação e binarização de redes,

we actually have object detection running on a phone.

temos realmente a detecção de objetos sendo executada em um celular.

(Applause)

(Aplausos)

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

Estou realmente animado, pois temos uma solução muito potente

to this low-level computer vision problem,

para esta questão de visão computacional.

and anyone can take it and build something with it.

Qualquer um pode pegar e construir algo com ele.

So now the rest is up to all of you

O restante depende agora de vocês

and people around the world with access to this software,

e das pessoas em todo o mundo com acesso a este software.

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

Mal posso esperar para ver o que elas farão com essa tecnologia.

Thank you.

Obrigado.

(Applause)

(Aplausos)