ABOUT THE SPEAKER
Joseph Redmon - Computer scientist
Joseph Redmon works on the YOLO algorithm, which combines the simple face detection of your phone camera with a cloud-based AI -- in real time.

Why you should listen

Computer scientist Joseph Redmon is working on the YOLO (You Only Look Once) algorithm, which has a simple goal: to deliver image recognition and object detection at a speed that would seem science-fictional only a few years ago. The algorithm looks like the simple face detection of a camera app but with the level complexity of systems like Google's Deep Mind Cloud Vision, using Convolutional Deep Neural Networks to crunch object detection in realtime. It's the kind of technology that will be embedded on all smartphones in the next few years.

Redmon is also internet-famous for his resume.

More profile about the speaker
Joseph Redmon | Speaker | TED.com
TED2017

Joseph Redmon: How computers learn to recognize objects instantly

约瑟夫·雷德蒙: 计算机如何学会快速识别物体

Filmed:
2,471,805 views

十年前,研究者认为让电脑去分辨一只猫和一只狗几乎是不可能的。今天,计算机视觉系统的正确率已经达到了99%以上。这是怎么做到的呢?约瑟夫·雷德蒙致力于YOLO(只看一眼)系统,这是一个开源的目标检测方法,可以分辨出图片和视频中的物体——从斑马到停车标志——以快如闪电般的速度。在一个卓越的现场演示中,雷德蒙展示了这一对于像无人驾驶汽车、机器人甚至癌症检测这些应用来说,向前迈进的重要一步。
- Computer scientist
Joseph Redmon works on the YOLO algorithm, which combines the simple face detection of your phone camera with a cloud-based AI -- in real time. Full bio

Double-click the English transcript below to play the video.

00:12
Ten years年份 ago,
0
825
1151
10年前,
计算机视觉研究者认为
要让一台电脑
00:14
computer电脑 vision视力 researchers研究人员
thought that getting得到 a computer电脑
1
2000
2776
去分辨出一只猫和狗的不同之处
00:16
to tell the difference区别
between之间 a cat and a dog
2
4800
2696
00:19
would be almost几乎 impossible不可能,
3
7520
1976
几乎是不可能的,
00:21
even with the significant重大 advance提前
in the state of artificial人造 intelligence情报.
4
9520
3696
即便是在人工智能已经取得了
重大突破的情况下。
00:25
Now we can do it at a level水平
greater更大 than 99 percent百分 accuracy准确性.
5
13240
3560
现在我们已经可以做到
让它的正确率在99%以上。
00:29
This is called image图片 classification分类 --
6
17680
1856
这个方法叫做图像分类——
00:31
give it an image图片,
put a label标签 to that image图片 --
7
19560
3096
给它一张图,再给这张图贴上标签——
00:34
and computers电脑 know
thousands数千 of other categories类别 as well.
8
22680
3040
通过这种方式,电脑就可以知道
数千种的分类。
00:38
I'm a graduate毕业 student学生
at the University大学 of Washington华盛顿,
9
26680
2896
我是华盛顿大学的一名研究生,
我致力于一个名叫“暗网”的项目,
00:41
and I work on a project项目 called Darknet基于暗网,
10
29600
1896
00:43
which哪一个 is a neural神经 network网络 framework骨架
11
31520
1696
这是一个用来训练和测试
计算机视觉模型的
00:45
for training训练 and testing测试
computer电脑 vision视力 models楷模.
12
33240
2816
神经网络结构。
00:48
So let's just see what Darknet基于暗网 thinks
13
36080
2976
让我们来看看暗网是如何看待
00:51
of this image图片 that we have.
14
39080
1760
我们手上的这张图片。
00:54
When we run our classifier分类
15
42520
2336
当我们在这张图片上
00:56
on this image图片,
16
44880
1216
运行识别器时,
00:58
we see we don't just get
a prediction预测 of dog or cat,
17
46120
2456
我们注意到,它不仅能判断出
图片上是猫是狗,
01:00
we actually其实 get
specific具体 breed品种 predictions预测.
18
48600
2336
还能给出它是哪个品种的预测。
这就是我们目前所达到的粒度级别。
01:02
That's the level水平
of granularity粒度 we have now.
19
50960
2176
01:05
And it's correct正确.
20
53160
1616
而且它的预测是正确的。
01:06
My dog is in fact事实 a malamute雪橇犬.
21
54800
1840
我的狗的确是一只
阿拉斯加雪橇犬。
01:09
So we've我们已经 made制作 amazing惊人 strides进步
in image图片 classification分类,
22
57040
4336
很明显,我们在图像识别上
取得了惊人的进步,
但是如果我们对这样一张图片上
01:13
but what happens发生
when we run our classifier分类
23
61400
2000
01:15
on an image图片 that looks容貌 like this?
24
63424
1960
运行识别器,会如何呢?
01:19
Well ...
25
67080
1200
看一下。。。。。
01:24
We see that the classifier分类 comes back
with a pretty漂亮 similar类似 prediction预测.
26
72640
3896
我们看到识别器给出了一个
非常相似的预测。
01:28
And it's correct正确,
there is a malamute雪橇犬 in the image图片,
27
76560
3096
而且是正确的,图中是有一只
阿拉斯加雪橇犬,
01:31
but just given特定 this label标签,
we don't actually其实 know that much
28
79680
3696
但只使用这一个标签,
我们并不能真正的了解
01:35
about what's going on in the image图片.
29
83400
1667
这张图片里的故事。
01:37
We need something more powerful强大.
30
85091
1560
我们需要更强大的检测器。
01:39
I work on a problem问题
called object目的 detection发现,
31
87240
2616
我正在研究一个叫做
目标检测的问题,
01:41
where we look at an image图片
and try to find all of the objects对象,
32
89880
2936
也就是我们尝试
将一张图上的所有目标物都找出来,
然后将它们分别框起来,
01:44
put bounding边界 boxes盒子 around them
33
92840
1456
再加上标注。
01:46
and say what those objects对象 are.
34
94320
1520
01:48
So here's这里的 what happens发生
when we run a detector探测器 on this image图片.
35
96400
3280
这就是我们对这张照片
运行检测器时所发生的。
01:53
Now, with this kind of result结果,
36
101240
2256
基于这样的结果,
01:55
we can do a lot more
with our computer电脑 vision视力 algorithms算法.
37
103520
2696
我们可以用计算机视觉算法
做更多的事情。
我们发现,它知道
这里有一只猫和一只狗。
01:58
We see that it knows知道
that there's a cat and a dog.
38
106240
2976
02:01
It knows知道 their relative相对的 locations地点,
39
109240
2256
它知道它们的相对位置,
它们的大小。
02:03
their size尺寸.
40
111520
1216
它可能甚至还知道一些
额外的信息。
02:04
It may可能 even know some extra额外 information信息.
41
112760
1936
例如背景里有一本书。
02:06
There's a book sitting坐在 in the background背景.
42
114720
1960
02:09
And if you want to build建立 a system系统
on top最佳 of computer电脑 vision视力,
43
117280
3256
如果你想建立一个
基于计算机视觉的系统,
02:12
say a self-driving自驾车 vehicle车辆
or a robotic机器人 system系统,
44
120560
3456
比如说无人驾驶汽车
或者机器人系统,
02:16
this is the kind
of information信息 that you want.
45
124040
2456
那么这就是你想要得到的那类信息。
02:18
You want something so that
you can interact相互作用 with the physical物理 world世界.
46
126520
3239
你要一个能与物质世界互动的系统。
02:22
Now, when I started开始 working加工
on object目的 detection发现,
47
130759
2257
当我最开始开展目标检测项目时,
它要花20秒去处理一张图片。
02:25
it took 20 seconds
to process处理 a single image图片.
48
133040
3296
02:28
And to get a feel for why
speed速度 is so important重要 in this domain,
49
136360
3880
为了感受一下为什么速度
在这个领域是如此重要,
02:33
here's这里的 an example of an object目的 detector探测器
50
141120
2536
举一个例子,这是一个2秒钟
02:35
that takes two seconds
to process处理 an image图片.
51
143680
2416
就能处理一张图片的检测器。
02:38
So this is 10 times faster更快
52
146120
2616
这个检测器的速度要比
02:40
than the 20-seconds-per-image-seconds每次图像 detector探测器,
53
148760
3536
处理每张图需要20秒的
检测器快10倍,
你还可以看到
在它做出预测的时候,
02:44
and you can see that by the time
it makes品牌 predictions预测,
54
152320
2656
02:47
the entire整个 state of the world世界 has changed,
55
155000
2040
被检测的世界已经发生变化了,
02:49
and this wouldn't不会 be very useful有用
56
157880
2416
这对于一个应用来说
是没有多大用处的。
02:52
for an application应用.
57
160320
1416
02:53
If we speed速度 this up
by another另一个 factor因子 of 10,
58
161760
2496
如果我们将它的速度再提升10倍,
02:56
this is a detector探测器 running赛跑
at five frames per second第二.
59
164280
2816
这个检测器每秒可处理5张画面。
02:59
This is a lot better,
60
167120
1536
这就好很多了,
03:00
but for example,
61
168680
1976
但是,举个例子
03:02
if there's any significant重大 movement运动,
62
170680
2296
如果有任何重大的移动
(它就反应不过来了),
03:05
I wouldn't不会 want a system系统
like this driving主动 my car汽车.
63
173000
2560
我可不想让这样的一个系统
来驾驶我的汽车。
03:09
This is our detection发现 system系统
running赛跑 in real真实 time on my laptop笔记本电脑.
64
177120
3240
这是在我电脑上运行的
实时检测系统。
03:13
So it smoothly顺利 tracks轨道 me
as I move移动 around the frame,
65
181000
3136
当我在移动时,它能顺利地追踪我,
03:16
and it's robust强大的 to a wide variety品种
of changes变化 in size尺寸,
66
184160
3720
而且它强大到能适应不同的大小、
03:21
pose提出,
67
189440
1200
姿势、
03:23
forward前锋, backward落后.
68
191280
1856
向前、向后的改变。
很了不起。
03:25
This is great.
69
193160
1216
如果我们想要建造一个
03:26
This is what we really need
70
194400
1736
基于计算机视觉的系统,
那么这就是我们真正需要的。
03:28
if we're going to build建立 systems系统
on top最佳 of computer电脑 vision视力.
71
196160
2896
(掌声)
03:31
(Applause掌声)
72
199080
4000
03:36
So in just a few少数 years年份,
73
204280
2176
仅仅是几年的时间,
03:38
we've我们已经 gone走了 from 20 seconds per image图片
74
206480
2656
我们就从每张图20秒,
提升到了每张图20毫秒,
速度提高了1000倍。
03:41
to 20 milliseconds毫秒 per image图片,
a thousand times faster更快.
75
209160
3536
我们是如何做到的呢?
03:44
How did we get there?
76
212720
1416
事实上在过去,目标检测系统
03:46
Well, in the past过去,
object目的 detection发现 systems系统
77
214160
3016
会将这张图片
03:49
would take an image图片 like this
78
217200
1936
03:51
and split分裂 it into a bunch of regions地区
79
219160
2456
分成很多小区域,
03:53
and then run a classifier分类
on each of these regions地区,
80
221640
3256
然后在每一块区域运行一下识别器,
在识别器中获得最高分数(的输出)
03:56
and high scores分数 for that classifier分类
81
224920
2536
03:59
would be considered考虑
detections检测 in the image图片.
82
227480
3136
就会被认为是这张图片的检测结果。
这涉及到要在一张图片上
运行数千次识别器,
04:02
But this involved参与 running赛跑 a classifier分类
thousands数千 of times over an image图片,
83
230640
4056
以及数千次的神经网络评估
才能获得检测结果。
04:06
thousands数千 of neural神经 network网络 evaluations评估
to produce生产 detection发现.
84
234720
2920
04:11
Instead代替, we trained熟练 a single network网络
to do all of detection发现 for us.
85
239240
4536
而现在,我们训练了可以做出
所有检测的单一网络。
04:15
It produces产生 all of the bounding边界 boxes盒子
and class probabilities概率 simultaneously同时.
86
243800
4280
它能同时生成边界盒和类别概率。
04:20
With our system系统, instead代替 of looking
at an image图片 thousands数千 of times
87
248680
3496
使用我们的系统,
不需要为了生成检测结果
去重复上千数次地看同一张图片,
04:24
to produce生产 detection发现,
88
252200
1456
04:25
you only look once一旦,
89
253680
1256
“只看一次”就行了,
这也是为什么我们称之为
目标检测的“YOLO”法。
04:26
and that's why we call it
the YOLOYOLO method方法 of object目的 detection发现.
90
254960
2920
04:31
So with this speed速度,
we're not just limited有限 to images图片;
91
259360
3976
有了这个速度,我们就
不仅限于识别图像了,
还可以实时处理视频。
04:35
we can process处理 video视频 in real真实 time.
92
263360
2416
现在,我们不仅看到了猫和狗,
04:37
And now, instead代替 of just seeing眼看
that cat and dog,
93
265800
3096
还能看到它们走来走去,互相嘻戏。
04:40
we can see them move移动 around
and interact相互作用 with each other.
94
268920
2960
04:46
This is a detector探测器 that we trained熟练
95
274560
2056
这是一个我们在微软的
COCO数据库上,
04:48
on 80 different不同 classes
96
276640
4376
用80种不同种类的物品
04:53
in Microsoft's微软的 COCO可可 dataset数据集.
97
281040
3256
训练过的检测器。
包含了各种东西,
像勺子、叉子、碗
04:56
It has all sorts排序 of things
like spoon and fork叉子, bowl,
98
284320
3336
等常见物品。
04:59
common共同 objects对象 like that.
99
287680
1800
05:02
It has a variety品种 of more exotic异国情调 things:
100
290360
3096
还有各种奇特的东西:
05:05
animals动物, cars汽车, zebras斑马, giraffes长颈鹿.
101
293480
3256
动物、汽车、斑马、长颈鹿。
现在我们要做点儿有趣的事情。
05:08
And now we're going to do something fun开玩笑.
102
296760
1936
我们的摄像头将要对准观众区,
05:10
We're just going to go
out into the audience听众
103
298720
2096
看看能检测出什么。
05:12
and see what kind of things we can detect检测.
104
300840
2016
谁想要一个毛绒动物玩具?
05:14
Does anyone任何人 want a stuffed填充的 animal动物?
105
302880
1620
05:18
There are some teddy泰迪熊 bears out there.
106
306000
1762
观众席里有了一些泰迪熊。
05:22
And we can turn down
our threshold for detection发现 a little bit,
107
310040
4536
我们把检测阀值调低一点,
这样就可以找出更多的观众。
05:26
so we can find more of you guys
out in the audience听众.
108
314600
3400
05:31
Let's see if we can get these stop signs迹象.
109
319560
2336
看下我们能不能找出这些停车标志。
05:33
We find some backpacks背包.
110
321920
1880
我们找到了一些背包。
05:37
Let's just zoom放大 in a little bit.
111
325880
1840
再放大一点。
05:42
And this is great.
112
330320
1256
非常棒。
所有这些都是在电脑上
05:43
And all of the processing处理
is happening事件 in real真实 time
113
331600
3176
实时处理的。
05:46
on the laptop笔记本电脑.
114
334800
1200
05:49
And it's important重要 to remember记得
115
337080
1456
请大家记住:
这是一个通用的目标检测系统,
05:50
that this is a general一般 purpose目的
object目的 detection发现 system系统,
116
338560
3216
05:53
so we can train培养 this for any image图片 domain.
117
341800
5000
因此我们可以将它训练
用于任何领域的图像识别。
06:00
The same相同 code that we use
118
348320
2536
我们在无人驾驶汽车中
用来发现停车标志、行人
06:02
to find stop signs迹象 or pedestrians行人,
119
350880
2456
06:05
bicycles自行车 in a self-driving自驾车 vehicle车辆,
120
353360
1976
和自行车的代码,
06:07
can be used to find cancer癌症 cells细胞
121
355360
2856
同样可以用于在组织活检中
06:10
in a tissue组织 biopsy活检.
122
358240
3016
找出癌细胞。
06:13
And there are researchers研究人员 around the globe地球
already已经 using运用 this technology技术
123
361280
4040
全球已经有很多研究者
正在利用这一技术
06:18
for advances进步 in things
like medicine医学, robotics机器人.
124
366240
3416
在医学、机器人学等方面取得了进展。
今天早上,我刚读到一篇文章,
06:21
This morning早上, I read a paper
125
369680
1376
人们在内罗毕国家公园
对动物数量进行普查,
06:23
where they were taking服用 a census人口调查
of animals动物 in Nairobi内罗毕 National国民 Park公园
126
371080
4576
使用了YOLO作为检测系统的一部分。
06:27
with YOLOYOLO as part部分
of this detection发现 system系统.
127
375680
3136
06:30
And that's because Darknet基于暗网 is open打开 source资源
128
378840
3096
这是因为暗网是一个开源项目,
在公共领域,任何人都可以免费使用。
06:33
and in the public上市 domain,
free自由 for anyone任何人 to use.
129
381960
2520
06:37
(Applause掌声)
130
385600
5696
(掌声)
但是我们想要让检测器
能被更多人使用、也更好用,
06:43
But we wanted to make detection发现
even more accessible无障碍 and usable可用,
131
391320
4936
因此通过结合模型优化,
06:48
so through通过 a combination组合
of model模型 optimization优化,
132
396280
4056
网络二值化和近似法,
06:52
network网络 binarization二值化 and approximation近似,
133
400360
2296
我们实际上已经可以
在手机上进行目标检测了。
06:54
we actually其实 have object目的 detection发现
running赛跑 on a phone电话.
134
402680
3920
07:04
(Applause掌声)
135
412800
5320
(掌声)
07:10
And I'm really excited兴奋 because
now we have a pretty漂亮 powerful强大 solution
136
418960
5056
我真的很激动,
因为我们在这个低级的
07:16
to this low-level低级别 computer电脑 vision视力 problem问题,
137
424040
2296
计算机视觉问题上
有了一个强大的解决方案,
而且任何人都可以
使用它来做些什么。
07:18
and anyone任何人 can take it
and build建立 something with it.
138
426360
3856
07:22
So now the rest休息 is up to all of you
139
430240
3176
所以接下来就看所有在座的各位
07:25
and people around the world世界
with access访问 to this software软件,
140
433440
2936
以及世界上所有
能够使用这个软件的人了,
而我已经等不及想要看看,
人们会用这一技术造出什么来了。
07:28
and I can't wait to see what people
will build建立 with this technology技术.
141
436400
3656
谢谢。
07:32
Thank you.
142
440080
1216
(掌声)
07:33
(Applause掌声)
143
441320
3440
Translated by chunhua zhang
Reviewed by Yi-Fan Yu

▲Back to top

ABOUT THE SPEAKER
Joseph Redmon - Computer scientist
Joseph Redmon works on the YOLO algorithm, which combines the simple face detection of your phone camera with a cloud-based AI -- in real time.

Why you should listen

Computer scientist Joseph Redmon is working on the YOLO (You Only Look Once) algorithm, which has a simple goal: to deliver image recognition and object detection at a speed that would seem science-fictional only a few years ago. The algorithm looks like the simple face detection of a camera app but with the level complexity of systems like Google's Deep Mind Cloud Vision, using Convolutional Deep Neural Networks to crunch object detection in realtime. It's the kind of technology that will be embedded on all smartphones in the next few years.

Redmon is also internet-famous for his resume.

More profile about the speaker
Joseph Redmon | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee