How computers learn to recognize objects instantly | Joseph Redmon

Translator: Mean Chow Reviewer: Ngoc Bui

Ten years ago,

Mười năm trước,

computer vision researchers thought that getting a computer

các nghiên cứu thị giác máy tính cho rằng để máy tính

to tell the difference between a cat and a dog

nhận biết được sự khác nhau giữa chó và mèo

would be almost impossible,

gần như là bất khả thi

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

cho dù với những tiến bộ đáng kể về trí tuệ nhân tạo.

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

Giờ đây, chúng ta có thể thực hiện được điều đó với hơn 99% độ chính xác.

This is called image classification --

Đây được gọi là Phân lớp hình ảnh

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

tức là cho một hình ảnh, dán nhãn cho hình ảnh đó

and computers know thousands of other categories as well.

và máy tính sẽ nhận diện hàng ngàn loại hình ảnh như vậy.

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

Tôi là cử nhân của Đại học Washington,

and I work on a project called Darknet,

và đang làm việc cho dự án Darknet

which is a neural network framework

nó là một khung mạng lưới nơ-ron

for training and testing computer vision models.

dùng để điều chỉnh và kiểm tra các mô hình thị giác máy tính

So let's just see what Darknet thinks

Vậy cùng xem Darknet thấy gì

of this image that we have.

về bức ảnh mà chúng ta có ở đây.

When we run our classifier

Khi ta khởi động bộ phân lớp

on this image,

cho hình ảnh này

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

ta thấy rằng ta không chỉ nhận được dự đoán về chó hay mèo

we actually get specific breed predictions.

mà thực sự còn có dự đoán về loài cụ thể.

That's the level of granularity we have now.

Đây là mức độ chi tiết chúng ta hiện có

And it's correct.

Và nó hoàn toàn chính xác.

My dog is in fact a malamute.

Con chó của tôi đúng là một con Malamute.

So we've made amazing strides in image classification,

Vậy chúng ta đã tạo ra một bước tiến vượt bậc trong phân lớp hình ảnh,

but what happens when we run our classifier

nhưng điều gì xảy ra khi khởi động bộ phân lớp

on an image that looks like this?

trên một hình ảnh như thế này?

Well ...

Ừm ...

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

Ta thấy rằng bộ phân lớp sẽ phản hồi với dự đoán tương tự như vậy.

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

Và nó hoàn toàn chính xác, đúng là có một con malamute trong bức ảnh,

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

nhưng nếu chỉ với thông tin này, chúng ta không thực sự hiểu rõ

about what's going on in the image.

về điều gì đang diễn ra trong bức ảnh đó.

We need something more powerful.

Chúng ta cần thứ gì đó mạnh mẽ hơn.

I work on a problem called object detection,

Tôi nghiên cứu về một vấn đề được gọi là Nhận diện vật thể

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

nghĩa là chúng ta nhìn vào bức ảnh và cố tìm ra tất cả các đồ vật,

put bounding boxes around them

đặt các hộp giới hạn xung quanh chúng

and say what those objects are.

và chỉ ra những vật đó là gì

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

Sau đây là những gì sẽ xảy ra khi chúng ta nhận diện bức ảnh này.

Now, with this kind of result,

Với kết quả này,

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

chúng ta có thể làm được nhiều điều hơn với những thuật toán thị giác máy tính.

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

Nó nhận ra trong ảnh có một con chó và một con mèo

It knows their relative locations,

Nó biết vị trí của chúng,

their size.

kích thước của chúng.

It may even know some extra information.

Thậm chí nó có thể biết thêm nhiều thông tin nữa.

There's a book sitting in the background.

ví dụ như có quyển sách ở phía sau

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

Và nếu bạn muốn xây dựng một hệ thống dựa vào thị giác máy tính,

say a self-driving vehicle or a robotic system,

như xe hơi tự lái hay hệ thống robot,

this is the kind of information that you want.

đây chính là thông tin mà bạn cần.

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

Bạn muốn thứ gì đó để bạn có thể tương tác với thế giới thực.

Now, when I started working on object detection,

Giờ, khi tôi bắt đầu khởi động nhận diện vật thể,

it took 20 seconds to process a single image.

sẽ mất 20 giây để xử lý một hình ảnh.

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

Và để hiểu tại sao tốc độ lại quan trọng đến thế,

here's an example of an object detector

đây sẽ là ví dụ: một bộ nhận diện vật thể

that takes two seconds to process an image.

mất 2 giây để xử lý tấm ảnh.

So this is 10 times faster

Vì thế nó nhanh gấp 10 lần

than the 20-seconds-per-image detector,

so với bộ nhận diện 20 giây/ảnh

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

và bạn có thể nhận ra rằng, vào lúc nó đưa ra dự đoán xong

the entire state of the world has changed,

thì tất cả các trạng thái đã thay đổi,

and this wouldn't be very useful

và vì thế nó sẽ không còn thực sự có ích

for an application.

cho một ứng dụng.

If we speed this up by another factor of 10,

Nếu chúng ta tăng tốc nó lên theo hệ số 10

this is a detector running at five frames per second.

nó sẽ nhận diện 5 ảnh/giây.

This is a lot better,

Nó thực sự vượt trội hơn nhiều,

but for example,

nhưng ví dụ,

if there's any significant movement,

nếu có bất kì chuyển động đáng kể nào,

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

tôi sẽ không muốn một hệ thống như này điều khiển chiếc xe của mình.

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

Đây là hệ thống nhận diện theo thời gian thực đang chạy trên laptop của tôi

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

Vì vậy nó dễ dàng theo dõi tôi khi tôi di chuyển xung quanh khung hình,

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

và nó rất nhanh nhạy với các thay đổi về kích thước,

pose,

tư thế,

forward, backward.

về phía trước, phía sau.

This is great.

Điều này thật tuyệt.

This is what we really need

Đây chính xác là gì chúng ta cần

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

nếu ta định xây dựng một hệ thống dựa trên thị giác máy tính.

(Applause)

(Tiếng vỗ tay)

So in just a few years,

Vì vậy chỉ trong vài năm,

we've gone from 20 seconds per image

chúng ta chuyển từ 20 giây/ảnh

to 20 milliseconds per image, a thousand times faster.

sang 20 phần nghìn giây/ảnh, nhanh gấp nghìn lần.

How did we get there?

Chúng ta đã tiến tới đó bằng cách nào?

Well, in the past, object detection systems

Trong quá khứ, các hệ thống nhận diện vật thể

would take an image like this

sẽ xử lí một hình ảnh như này,

and split it into a bunch of regions

và chia nó thành các vùng,

and then run a classifier on each of these regions,

sau đó chạy bộ nhận diện trên từng vùng,

and high scores for that classifier

điểm nổi trội nhất trong vùng nhận diện

would be considered detections in the image.

sẽ được tính là kết quả.

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

Nhưng điều này cũng đồng nghĩa với hàng nghìn lần nhận diện trên một hình,

thousands of neural network evaluations to produce detection.

hàng nghìn đánh giá của mạng lưới nơ-rôn để đi đến được kết quả.

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

Thay vào đó, chúng ta có một mạng lưới duy nhất tiến hành tất cả các nhận diện,

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

tạo ra đồng thời tất cả các hộp giới hạn và các khả năng

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

Với hệ thống của chúng tôi, thay vì "nhìn" bức ảnh hàng ngàn lần

to produce detection,

để đưa ra nhận diện,

you only look once,

You Only Look Once (Chỉ nhìn một lần)

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

Phương pháp YOLO để nhận diện vật thể.

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

Tốc độ này khiến ta không bị giới hạn chỉ trong Ảnh

we can process video in real time.

mà còn nhận diện trong Video theo thời gian thực.

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

Giờ, thay vì chỉ thấy chó và mèo,

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

ta còn thấy chúng di chuyển và đùa giỡn.

This is a detector that we trained

Đây là bộ nhận diện được phát triển

on 80 different classes

với 80 hạng mục khác nhau

in Microsoft's COCO dataset.

thuộc COCO dataset của Microsoft.

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

Có đủ thứ hết, như muỗng, nĩa, tô,...

common objects like that.

những vật dụng thông thường như vậy.

It has a variety of more exotic things:

Và có những mục thú vị:

animals, cars, zebras, giraffes.

động vật, xe hơi, ngựa vằn, hươu cao cổ.

And now we're going to do something fun.

Giờ đến trò vui nè

We're just going to go out into the audience

Tôi sẽ đến chỗ khán giả

and see what kind of things we can detect.

và xem nó nhận diện được những thứ gì nhé.

Does anyone want a stuffed animal?

Ai muốn thú nhồi bông nào?

There are some teddy bears out there.

Gấu bông nè.

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

Mở rộng khu vực nhận diện ra một chút

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

để thấy được nhiều người hơn.

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

Để xem, biển cấm này

We find some backpacks.

Tìm được vài cái balo

Let's just zoom in a little bit.

Phóng to một tí

And this is great.

Thật tuyệt.

And all of the processing is happening in real time

Tất cả các quá trình đang diễn ra trong thời gian thực

on the laptop.

trên laptop.

And it's important to remember

Điều quan trọng cần nhớ,

that this is a general purpose object detection system,

đây là hệ thống nhận diện cho-mọi-mục-đích

so we can train this for any image domain.

nên có thể áp dụng cho mọi ứng dụng khác.

The same code that we use

Cùng một đoạn code này

to find stop signs or pedestrians,

có thể tìm biển cấm, người đi bộ,

bicycles in a self-driving vehicle,

xe đạp,...nếu áp dụng cho xe tự lái;

can be used to find cancer cells

có thể dùng để tìm tế bào ung thư

in a tissue biopsy.

trong một sinh thiết mô.

And there are researchers around the globe already using this technology

Khắp thế giới đã có những nhà nghiên cứu áp dụng công nghệ này

for advances in things like medicine, robotics.

để phát triển trong ngành dược, chế tạo robot.

This morning, I read a paper

Sáng nay tôi đọc được tin

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

người ta điều tra số lượng cá thể động vật ở Công viên Quốc gia Nairobi

with YOLO as part of this detection system.

với sự đóng góp của YOLO trong hệ thống nhận dạng.

And that's because Darknet is open source

Và bởi vì Darknet là nguồn mở

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

thuộc miền công cộng và miễn phí cho tất cả mọi người

(Applause)

(Tiếng vỗ tay)

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

Nhưng chúng tôi muốn việc nhận diện trở nên dễ tiếp cận và dễ sử dụng hơn nữa

so through a combination of model optimization,

nên qua sự kết hợp của mô hình tối ưu hóa

network binarization and approximation,

nhị phân hóa hệ thống và phép xấp xỉ.

we actually have object detection running on a phone.

chúng ta thực sự đã có thể nhận diện vật thể bằng điện thoại.

(Applause)

(Tiếng vỗ tay)

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

Và tôi thực sự hào hứng vì giờ chúng ta đã có một giải pháp hữu hiệu

to this low-level computer vision problem,

cho vấn đề thị giác máy tính kém,

and anyone can take it and build something with it.

ai cũng có thể sở hữu và từ nó tạo nên những thứ khác nữa.

So now the rest is up to all of you

Vậy nên từ giờ phần còn lại phụ thuộc vào các bạn

and people around the world with access to this software,

và mọi người trên thế giới qua việc truy cập vào phần mềm này

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

tôi rất háo hức mong đợi những gì sẽ được tạo ra từ công nghệ này.

Thank you.

Xin cảm ơn.

(Applause)

(Tiếng vỗ tay)