How computers learn to recognize objects instantly | Joseph Redmon

Çeviri: Esra Çakmak Gözden geçirme: Figen Ergürbüz

Ten years ago,

On yıl evvel,

computer vision researchers thought that getting a computer

bilgisayarlı görme araştırmacıları,

to tell the difference between a cat and a dog

bir bilgisayara bir köpekle kedi arasında ayrım yaptırmanın

would be almost impossible,

neredeyse imkânsız olacağını düşünürdü,

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

hem de yapay zekâ alanındaki büyük gelişmelere rağmen.

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

Şu anda bunu, yüzde 99'ı aşkın doğruluk payı ile tamamlayabiliyoruz.

This is called image classification --

Buna görüntü sınıflandırması deniyor;

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

bir görüntü yükleyin, bu görüntüyü etiketleyin

and computers know thousands of other categories as well.

ve bilgisayarlar binlerce diğer sınıflandırmaları da biliyor.

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

Washington Üniversitesi mezunuyum

and I work on a project called Darknet,

ve bilgisayarlı görme modellerini

which is a neural network framework

test etmek ve geliştirmek için kurulan,

for training and testing computer vision models.

sinirsel ağ sistemi olan ''Darknet'' adlı bir proje üzerinde çalışıyorum.

So let's just see what Darknet thinks

Darknet'in şu fotoğraf hakkında

of this image that we have.

neler düşündüğüne bir göz atalım.

When we run our classifier

Bu fotoğraf için sınıflandırıcımızı

on this image,

aktifleştirdiğimizde,

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

sadece kedi veya köpek tahmini elde etmiyoruz,

we actually get specific breed predictions.

belirli tür tahminleri de sonuç veriyor.

That's the level of granularity we have now.

Şu anda, öğe boyu seviyesini görüyorsunuz.

And it's correct.

Ve doğru.

My dog is in fact a malamute.

Köpeğimin cinsi gerçekten Alaska Malamutu.

So we've made amazing strides in image classification,

Görüntü sınıflandırmasında büyük yol katettik,

but what happens when we run our classifier

fakat sınıflandırıcımızı, şöyle bir fotoğrafta aktifleştirirsek

on an image that looks like this?

ne olur dersiniz?

Well ...

Evet...

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

Sınıflandırıcının oldukça benzer bir tahmin sunduğunu görebiliriz.

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

Sonuç doğru, görüntüde Alaska Malamutu var,

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

fakat yalnızca bu etiket ile birlikte,

görüntüde neler olduğunu çok iyi anlayamıyoruz.

about what's going on in the image.

We need something more powerful.

Daha güçlü bir şeye ihtiyacımız var.

I work on a problem called object detection,

Nesne belirleme dediğimiz konu üzerine çalışmaktayım;

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

görüntüye bakıp içerisindeki bütün nesneleri bulmaya çalışıyor,

put bounding boxes around them

etrafına sınırlayıcı kutu koyup

and say what those objects are.

nesneleri tanımlıyoruz.

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

Bu görüntü üzerinde saptama uygulaması yapalım.

Now, with this kind of result,

Bu tarz bir bulgu ile,

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

bilgisayarlı görme algoritması bizi daha ileriye taşıyabilir.

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

Kedi ve köpek olduğunu saptadığını biliyoruz.

It knows their relative locations,

Birbirleri arasındaki mesafeyi,

their size.

onların boyutlarını biliyor.

It may even know some extra information.

Daha fazlasını bile biliyor olabilir.

There's a book sitting in the background.

Arka planda bir kitap var.

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

Bilgisayarlı görme üzerine bir sistem kurmak isterseniz,

say a self-driving vehicle or a robotic system,

sürücüsüz araç veya robot sistemi gibi,

this is the kind of information that you want.

bu tarz bir bilgiye ihtiyacınız olacaktır.

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

Dış dünya ile temas kurabileceğiniz bir şey olması gerekir.

Now, when I started working on object detection,

Nesne belirleme üzerine çalışmaya başladığımda,

it took 20 seconds to process a single image.

tek bir görüntüyü işlemesi 20 saniye sürüyordu.

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

Hızın bu alanda neden bu denli önemli olduğundan bahsedecek olursak;

here's an example of an object detector

bir görüntüyü işlemesi 2 saniye süren

that takes two seconds to process an image.

bir nesne belirleyicisine göz atalım.

So this is 10 times faster

20 saniyede resmi işleyebilene göre,

than the 20-seconds-per-image detector,

10 kat daha hızlı çalışıyor

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

ve gördüğünüz üzere, o tahmin edene kadar,

the entire state of the world has changed,

dünyadaki bütün durum değişmiş oluyor

and this wouldn't be very useful

ve uygulamada

pek de fayda sağlamıyor.

for an application.

If we speed this up by another factor of 10,

Bir 10 kat daha hızlandıracak olursak,

this is a detector running at five frames per second.

bu işlemci her saniye 5 kare saptama gücüne sahip.

This is a lot better,

Durum çok daha iyi,

but for example,

ama örneğin;

if there's any significant movement,

kayda değer bir hareket durumu mevcutsa,

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

böyle bir sistemin arabamı sürmesini istemezdim.

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

Gördüğünüz, bilgisayarımdaki eş zamanlı belirleme sistemimiz.

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

Kare etrafında hareket ederken, usulca beni takip ediyor;

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

boyut, duruş, ileri, geri gibi çok çeşitli değişkenlere

pose,

kolayca

forward, backward.

adapte olabiliyor.

This is great.

Harika.

This is what we really need

Bilgisayarlı görme üzerine sistem ekleyeceksek,

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

işte tam da buna ihtiyacımız var.

(Applause)

(Alkış)

So in just a few years,

Birkaç yıl içinde,

we've gone from 20 seconds per image

kare başına 20 saniyeden

to 20 milliseconds per image, a thousand times faster.

kare başına 20 milisaniyeye geçtik, bu bin kat daha hızlı demek oluyor.

How did we get there?

Bunu nasıl başardık?

Well, in the past, object detection systems

Önceleri nesne belirleme sistemleri

would take an image like this

böyle bir kareyi alıp

and split it into a bunch of regions

onu birçok alana bölerdi

and then run a classifier on each of these regions,

ve bu bölgelerde sınıflandırıcı etklinleştirirdi

and high scores for that classifier

ve sınıflandırıcı daha çok çentiklenen kısmı,

would be considered detections in the image.

o karenin belirlenen alanı olarak kabul ediyordu.

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

Bunu yapabilmek için o kare üzerinde sınıflandırıcıyı bin kez işlemeniz gerek,

thousands of neural network evaluations to produce detection.

belirleme yapabilmek için binlerce sinir ağı değerlendirmesi.

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

Bunun yerine, bütün belirlemeyi yapabilen tek bir ağ tasarladık.

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

Bütün sınırlayıcı kutuları oluşturuyor ve aynı anda olasılıkları sınıflandırıyor.

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

Bu sistemle birlikte, tek bir kareye belirleme oluşturabilmek için

to produce detection,

bin kez bakmak yerine,

you only look once,

yalnızca bir kez bakıyorsunuz

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

ve bu yüzden bu nesne belirleme sistemine YOLO adını verdik.

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

Bu hız görüntülerle sınırlı kalmıyor,

we can process video in real time.

videoları eş zamanlı olarak işleyebiliyoruz.

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

Ve artık sadece kedi ve köpek görmenin yanı sıra,

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

etrafta hareket edip birbirleriyle iletişimini de görebiliyoruz.

This is a detector that we trained

Microsoft'un COCO verisetindeki

on 80 different classes

80 farklı sınıfta

in Microsoft's COCO dataset.

bu belirleyiciyi geliştirdik.

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

Kaşık, çatal, kase gibi her türlü sıradan nesneyi

common objects like that.

bünyesinde barındırıyor.

It has a variety of more exotic things:

Daha egzotik çeşitlilikleri de algılıyor;

animals, cars, zebras, giraffes.

hayvanlar, arabalar, zebralar, zürafalar.

And now we're going to do something fun.

Şimdi eğlenceli bir şey yapacağız.

We're just going to go out into the audience

Seyirciye yönelteceğiz

and see what kind of things we can detect.

ve neler belirleyeceğimize bir bakalım.

Does anyone want a stuffed animal?

Peluş hayvan isteyen var mı?

There are some teddy bears out there.

Ayısı olanlar var.

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

Belirleme eşiğimizi birazcık düşürelim,

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

böylece sizleri daha çok görmüş oluruz.

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

DUR işaretlerini algılayacak mı bakalım.

We find some backpacks.

Sırt çantaları görüyoruz.

Let's just zoom in a little bit.

Biraz daha yakınlaştıralım.

And this is great.

Harika.

And all of the processing is happening in real time

Bütün işlemler, bilgisayarda eş zamanlı olarak

on the laptop.

eşleşiyor.

And it's important to remember

Bu, genel kullanım amaçlı bir

that this is a general purpose object detection system,

nesne belirme sistemi,

so we can train this for any image domain.

dolayısıyla herhangi bir resim işleme alanında geliştirilebilir.

The same code that we use

DUR işaretlerini veya yayaları,

to find stop signs or pedestrians,

sürücüsüz araçları ve bisikletleri

bicycles in a self-driving vehicle,

belirlemede kullandığımız aynı kod,

can be used to find cancer cells

doku biyopsisinde kanser hücrelerini

in a tissue biopsy.

tespit etmede kullanılabilir.

And there are researchers around the globe already using this technology

Tıp, robotik gibi alanlarda ilerleme kaydetmek adına

for advances in things like medicine, robotics.

dünya çapında bu teknolojiyi kullanan araştırmacılar var.

This morning, I read a paper

Bu sabah gazetede,

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

Nairobi Milli Parkındaki hayvanların sayımını

with YOLO as part of this detection system.

YOLO belirleme sistemini kullanarak gerçekleştirdiklerini okudum.

And that's because Darknet is open source

Darknet açık kaynak olduğu için gerçekleşen bir hadise bu,

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

kamuya açık, erişime ücretsiz açık.

(Applause)

(Alkış)

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

Fakat biz daha erişilebilir ve kullanışlı bir belirleme sağlamak istedik,

so through a combination of model optimization,

model uyumlaştırma düzeni,

network binarization and approximation,

ağ ikilileştirme ve uyum düzeni ile

we actually have object detection running on a phone.

telefonda kullanılabilen nesne belirleme sistemi geliştirdik.

(Applause)

(Alkış)

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

Bu beni gerçekten heyecanlandırıyor, çünkü artık düşük seviyeli bilgisayarlı

to this low-level computer vision problem,

görme sorununa, oldukça güçlü bir çözüm bulmuş durumdayız

and anyone can take it and build something with it.

ve herkes kullanabilir ve bununla bir şey geliştirebilir.

So now the rest is up to all of you

Artık kalanı sizlere

and people around the world with access to this software,

ve dünya çapında bu yazılıma erişimi olanlara kalmış

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

ve insanların bu teknolojiyi kullanarak

neler ortaya koyacağını sabırsızlıkla bekliyorum.

Thank you.

Teşekkürler.

(Applause)

(Alkış)