TED2017
Joseph Redmon: How computers learn to recognize objects instantly
Joseph Redmon: Como um computador aprende a reconhecer objetos instantaneamente
Filmed:
Readability: 4.5
2,471,805 views
Há dez anos, os pesquisadores achavam que fazer um computador distinguir um gato de um cachorro seria quase impossível. Hoje, os sistemas de visão computacional fazem isso com uma precisão superior a 99%. Como? Joseph Redmon trabalha com o sistema YOLO (You Only Look Once), um método de código aberto para detecção de objetos que pode identificar objetos em imagens e vídeos - de zebras a sinais de PARE - com velocidade extremamente rápida. Em uma extraordinária demonstração ao vivo, Redmon mostra este importante passo adiante para aplicações como carros autodirigíveis, robótica e até detecção de câncer.
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. Full bio
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 ago,
0
825
1151
Há dez anos, os pesquisadores
da visão computacional
da visão computacional
00:14
computer vision researchers
thought that getting a computer
thought that getting a computer
1
2000
2776
achavam que fazer um computador
distinguir um cão de um gato
distinguir um cão de um gato
00:16
to tell the difference
between a cat and a dog
between a cat and a dog
2
4800
2696
00:19
would be almost impossible,
3
7520
1976
seria quase impossível,
00:21
even with the significant advance
in the state of artificial intelligence.
in the state of artificial intelligence.
4
9520
3696
mesmo com o avanço significativo
da inteligência artificial.
da inteligência artificial.
00:25
Now we can do it at a level
greater than 99 percent accuracy.
greater than 99 percent accuracy.
5
13240
3560
Agora podemos fazer isso
com precisão superior a 99%.
com precisão superior a 99%.
00:29
This is called image classification --
6
17680
1856
Chamamos de classificação de imagem:
fornecer ao computador uma imagem,
atribuir a ela um rótulo,
atribuir a ela um rótulo,
00:31
give it an image,
put a label to that image --
put a label to that image --
7
19560
3096
00:34
and computers know
thousands of other categories as well.
thousands of other categories as well.
8
22680
3040
e os computadores também reconhecem
milhares de outras categorias.
milhares de outras categorias.
00:38
I'm a graduate student
at the University of Washington,
at the University of Washington,
9
26680
2896
Sou aluno da Universidade de Washington,
00:41
and I work on a project called Darknet,
10
29600
1896
e trabalho no projeto "Darknet",
00:43
which is a neural network framework
11
31520
1696
uma estrutura de rede neural para preparar
e testar modelos de visão computacional.
e testar modelos de visão computacional.
00:45
for training and testing
computer vision models.
computer vision models.
12
33240
2816
00:48
So let's just see what Darknet thinks
13
36080
2976
Vamos ver o que o Darknet
acha desta imagem que temos.
acha desta imagem que temos.
00:51
of this image that we have.
14
39080
1760
00:54
When we run our classifier
15
42520
2336
Quando executamos
nosso classificador nela,
nosso classificador nela,
00:56
on this image,
16
44880
1216
não sabemos apenas se é um cão ou um gato,
00:58
we see we don't just get
a prediction of dog or cat,
a prediction of dog or cat,
17
46120
2456
obtemos realmente a raça específica.
01:00
we actually get
specific breed predictions.
specific breed predictions.
18
48600
2336
01:02
That's the level
of granularity we have now.
of granularity we have now.
19
50960
2176
É o nível de detalhe que temos agora.
01:05
And it's correct.
20
53160
1616
E está correto:
01:06
My dog is in fact a malamute.
21
54800
1840
meu cachorro é mesmo um malamute.
01:09
So we've made amazing strides
in image classification,
in image classification,
22
57040
4336
Temos feito avanços incríveis
na classificação de imagens,
na classificação de imagens,
01:13
but what happens
when we run our classifier
when we run our classifier
23
61400
2000
mas o que acontece quando executamos
o classificador em uma imagem como esta?
o classificador em uma imagem como esta?
01:15
on an image that looks like this?
24
63424
1960
01:19
Well ...
25
67080
1200
Bem...
01:24
We see that the classifier comes back
with a pretty similar prediction.
with a pretty similar prediction.
26
72640
3896
Vemos que o classificador retorna
um prognóstico bastante semelhante.
um prognóstico bastante semelhante.
01:28
And it's correct,
there is a malamute in the image,
there is a malamute in the image,
27
76560
3096
Está certo: há um malamute na imagem.
01:31
but just given this label,
we don't actually know that much
we don't actually know that much
28
79680
3696
Mas só com este rótulo, não sabemos
realmente muito a respeito
realmente muito a respeito
01:35
about what's going on in the image.
29
83400
1667
do que está acontecendo na imagem.
01:37
We need something more powerful.
30
85091
1560
Precisamos de algo mais convincente.
01:39
I work on a problem
called object detection,
called object detection,
31
87240
2616
Trabalho com um assunto
chamado detecção de objetos,
chamado detecção de objetos,
01:41
where we look at an image
and try to find all of the objects,
and try to find all of the objects,
32
89880
2936
em que analisamos a imagem
e tentamos achar todos os objetos,
e tentamos achar todos os objetos,
01:44
put bounding boxes around them
33
92840
1456
colocamos molduras ao redor deles
e dizemos o que eles são.
e dizemos o que eles são.
01:46
and say what those objects are.
34
94320
1520
01:48
So here's what happens
when we run a detector on this image.
when we run a detector on this image.
35
96400
3280
Isso é o que acontece quando executamos
um detector nesta imagem.
um detector nesta imagem.
01:53
Now, with this kind of result,
36
101240
2256
Com este tipo de resultado,
01:55
we can do a lot more
with our computer vision algorithms.
with our computer vision algorithms.
37
103520
2696
podemos fazer muito mais
com a visão computacional.
com a visão computacional.
01:58
We see that it knows
that there's a cat and a dog.
that there's a cat and a dog.
38
106240
2976
Vemos que o detector identifica
que há um gato e um cachorro.
que há um gato e um cachorro.
02:01
It knows their relative locations,
39
109240
2256
Sabe a posição relativa e o tamanho deles.
02:03
their size.
40
111520
1216
02:04
It may even know some extra information.
41
112760
1936
Pode até identificar algumas informações
extras, como um livro ao fundo.
extras, como um livro ao fundo.
02:06
There's a book sitting in the background.
42
114720
1960
02:09
And if you want to build a system
on top of computer vision,
on top of computer vision,
43
117280
3256
Se quiserem construir um sistema
atualizado de visão computacional,
atualizado de visão computacional,
02:12
say a self-driving vehicle
or a robotic system,
or a robotic system,
44
120560
3456
como um veículo autodirigível
ou um sistema robótico,
ou um sistema robótico,
02:16
this is the kind
of information that you want.
of information that you want.
45
124040
2456
este é o tipo de informação
que vocês precisam.
que vocês precisam.
02:18
You want something so that
you can interact with the physical world.
you can interact with the physical world.
46
126520
3239
Precisam de algo para poder
interagir com o mundo físico.
interagir com o mundo físico.
02:22
Now, when I started working
on object detection,
on object detection,
47
130759
2257
Quando comecei a detectar objetos,
demorava 20 segundos
para processar uma única imagem.
para processar uma única imagem.
02:25
it took 20 seconds
to process a single image.
to process a single image.
48
133040
3296
02:28
And to get a feel for why
speed is so important in this domain,
speed is so important in this domain,
49
136360
3880
Para ter uma ideia da importância
da velocidade nesta área,
da velocidade nesta área,
02:33
here's an example of an object detector
50
141120
2536
aqui está um exemplo
de um detector de objetos
de um detector de objetos
02:35
that takes two seconds
to process an image.
to process an image.
51
143680
2416
que leva dois segundos
para processar uma imagem.
para processar uma imagem.
02:38
So this is 10 times faster
52
146120
2616
É dez vezes mais rápido
02:40
than the 20-seconds-per-image detector,
53
148760
3536
que o detector de 20 segundos por imagem.
02:44
and you can see that by the time
it makes predictions,
it makes predictions,
54
152320
2656
Você podem ver que, quando são feitos
os prognósticos, tudo mudou,
os prognósticos, tudo mudou,
02:47
the entire state of the world has changed,
55
155000
2040
02:49
and this wouldn't be very useful
56
157880
2416
o que não seria muito útil
para uma aplicação.
para uma aplicação.
02:52
for an application.
57
160320
1416
02:53
If we speed this up
by another factor of 10,
by another factor of 10,
58
161760
2496
Se aumentarmos a velocidade em dez vezes,
02:56
this is a detector running
at five frames per second.
at five frames per second.
59
164280
2816
teremos um detector executando
a cinco quadros por segundo.
a cinco quadros por segundo.
02:59
This is a lot better,
60
167120
1536
Isso é muito melhor, mas, por exemplo,
03:00
but for example,
61
168680
1976
03:02
if there's any significant movement,
62
170680
2296
se houver algum movimento significativo,
03:05
I wouldn't want a system
like this driving my car.
like this driving my car.
63
173000
2560
eu não gostaria de um sistema
como esse dirigindo meu carro.
como esse dirigindo meu carro.
03:09
This is our detection system
running in real time on my laptop.
running in real time on my laptop.
64
177120
3240
Este é nosso sistema de detecção
rodando em tempo real em meu laptop.
rodando em tempo real em meu laptop.
03:13
So it smoothly tracks me
as I move around the frame,
as I move around the frame,
65
181000
3136
Ele acompanha suavemente
meu movimento ao redor do quadro,
meu movimento ao redor do quadro,
03:16
and it's robust to a wide variety
of changes in size,
of changes in size,
66
184160
3720
e é potente para uma grande variedade
de mudanças de tamanho,
de mudanças de tamanho,
03:21
pose,
67
189440
1200
pose,
03:23
forward, backward.
68
191280
1856
para frente, para trás.
Isso é ótimo.
03:25
This is great.
69
193160
1216
É o que realmente precisamos
03:26
This is what we really need
70
194400
1736
03:28
if we're going to build systems
on top of computer vision.
on top of computer vision.
71
196160
2896
se formos construir sistemas
atualizados de visão computacional.
atualizados de visão computacional.
03:31
(Applause)
72
199080
4000
(Aplausos)
03:36
So in just a few years,
73
204280
2176
Em apenas alguns anos,
03:38
we've gone from 20 seconds per image
74
206480
2656
passamos de 20 segundos por imagem
03:41
to 20 milliseconds per image,
a thousand times faster.
a thousand times faster.
75
209160
3536
a 20 milissegundos, mil vezes mais rápido.
03:44
How did we get there?
76
212720
1416
Como chegamos lá?
03:46
Well, in the past,
object detection systems
object detection systems
77
214160
3016
No passado, os sistemas
de detecção de objetos
de detecção de objetos
03:49
would take an image like this
78
217200
1936
pegavam uma imagem como esta,
03:51
and split it into a bunch of regions
79
219160
2456
dividiam-na em várias partes
03:53
and then run a classifier
on each of these regions,
on each of these regions,
80
221640
3256
e depois executavam
um classificador em cada uma delas.
um classificador em cada uma delas.
03:56
and high scores for that classifier
81
224920
2536
As pontuações altas
para esse classificador
para esse classificador
03:59
would be considered
detections in the image.
detections in the image.
82
227480
3136
eram consideradas detecções na imagem.
04:02
But this involved running a classifier
thousands of times over an image,
thousands of times over an image,
83
230640
4056
Mas isso envolvia rodar um classificador
milhares de vezes em uma imagem,
milhares de vezes em uma imagem,
04:06
thousands of neural network evaluations
to produce detection.
to produce detection.
84
234720
2920
milhares de avaliações de rede neural
para fazer a detecção.
para fazer a detecção.
04:11
Instead, we trained a single network
to do all of detection for us.
to do all of detection for us.
85
239240
4536
Em vez disso, preparamos uma única rede
para fazer toda a detecção para nós.
para fazer toda a detecção para nós.
04:15
It produces all of the bounding boxes
and class probabilities simultaneously.
and class probabilities simultaneously.
86
243800
4280
Ela cria todas as molduras
e probabilidades de classe ao mesmo tempo.
e probabilidades de classe ao mesmo tempo.
04:20
With our system, instead of looking
at an image thousands of times
at an image thousands of times
87
248680
3496
Com nosso sistema, em vez de analisar
uma imagem milhares de vezes
uma imagem milhares de vezes
04:24
to produce detection,
88
252200
1456
para fazer a detecção,
olhamos apenas uma vez.
olhamos apenas uma vez.
04:25
you only look once,
89
253680
1256
04:26
and that's why we call it
the YOLO method of object detection.
the YOLO method of object detection.
90
254960
2920
Por isso, chamamos de método
"YOLO" de detecção de objetos.
"YOLO" de detecção de objetos.
04:31
So with this speed,
we're not just limited to images;
we're not just limited to images;
91
259360
3976
Com essa velocidade, não estamos
limitados somente a imagens;
limitados somente a imagens;
04:35
we can process video in real time.
92
263360
2416
podemos processar vídeos em tempo real.
04:37
And now, instead of just seeing
that cat and dog,
that cat and dog,
93
265800
3096
Em vez de ver apenas
aquele gato e cachorro,
aquele gato e cachorro,
04:40
we can see them move around
and interact with each other.
and interact with each other.
94
268920
2960
podemos ver o movimento
e a interação entre eles.
e a interação entre eles.
04:46
This is a detector that we trained
95
274560
2056
Este é um detector que desenvolvemos
04:48
on 80 different classes
96
276640
4376
em 80 classes diferentes
04:53
in Microsoft's COCO dataset.
97
281040
3256
no conjunto de dados "COCO" da Microsoft.
04:56
It has all sorts of things
like spoon and fork, bowl,
like spoon and fork, bowl,
98
284320
3336
Ele contém todo tipo de coisas,
como colher, garfo, tigela,
como colher, garfo, tigela,
04:59
common objects like that.
99
287680
1800
objetos comuns assim.
05:02
It has a variety of more exotic things:
100
290360
3096
Contém uma variedade
de coisas mais exóticas:
de coisas mais exóticas:
05:05
animals, cars, zebras, giraffes.
101
293480
3256
animais, carros, zebras, girafas.
05:08
And now we're going to do something fun.
102
296760
1936
Agora vamos fazer algo divertido.
Iremos para a plateia e veremos
que tipo de coisas podemos detectar.
que tipo de coisas podemos detectar.
05:10
We're just going to go
out into the audience
out into the audience
103
298720
2096
05:12
and see what kind of things we can detect.
104
300840
2016
Alguém quer um bicho de pelúcia?
05:14
Does anyone want a stuffed animal?
105
302880
1620
05:18
There are some teddy bears out there.
106
306000
1762
Há alguns ursinhos de pelúcia por aí.
05:22
And we can turn down
our threshold for detection a little bit,
our threshold for detection a little bit,
107
310040
4536
Podemos diminuir um pouco
nossa tolerância de detecção,
nossa tolerância de detecção,
05:26
so we can find more of you guys
out in the audience.
out in the audience.
108
314600
3400
para poder encontrar
mais de vocês na plateia.
mais de vocês na plateia.
05:31
Let's see if we can get these stop signs.
109
319560
2336
Vamos ver se conseguirmos
pegar os sinais de PARE.
pegar os sinais de PARE.
05:33
We find some backpacks.
110
321920
1880
Encontramos algumas mochilas.
05:37
Let's just zoom in a little bit.
111
325880
1840
Vamos ampliar um pouco.
05:42
And this is great.
112
330320
1256
Isso é ótimo.
Todo o processamento acontece
em tempo real no laptop.
em tempo real no laptop.
05:43
And all of the processing
is happening in real time
is happening in real time
113
331600
3176
05:46
on the laptop.
114
334800
1200
05:49
And it's important to remember
115
337080
1456
É importante lembrar
que este é um sistema de detecção
de objetos de uso geral.
de objetos de uso geral.
05:50
that this is a general purpose
object detection system,
object detection system,
116
338560
3216
05:53
so we can train this for any image domain.
117
341800
5000
Podemos desenvolver isso
para qualquer domínio de imagem.
para qualquer domínio de imagem.
06:00
The same code that we use
118
348320
2536
O mesmo código que usamos
06:02
to find stop signs or pedestrians,
119
350880
2456
para encontrar sinais
de PARE ou pedestres,
de PARE ou pedestres,
06:05
bicycles in a self-driving vehicle,
120
353360
1976
bicicletas em um veículo autodirigível,
06:07
can be used to find cancer cells
121
355360
2856
pode ser usado para encontrar
células cancerígenas
células cancerígenas
06:10
in a tissue biopsy.
122
358240
3016
em uma biópsia de tecido.
06:13
And there are researchers around the globe
already using this technology
already using this technology
123
361280
4040
Existem pesquisadores em todo o mundo
que já utilizam esta tecnologia
que já utilizam esta tecnologia
06:18
for advances in things
like medicine, robotics.
like medicine, robotics.
124
366240
3416
para avanços em coisas
como medicina, robótica.
como medicina, robótica.
06:21
This morning, I read a paper
125
369680
1376
Esta manhã, li um artigo
06:23
where they were taking a census
of animals in Nairobi National Park
of animals in Nairobi National Park
126
371080
4576
sobre um recenseamento
de animais no Nairobi National Park
de animais no Nairobi National Park
06:27
with YOLO as part
of this detection system.
of this detection system.
127
375680
3136
utilizando o YOLO como parte
deste sistema de detecção.
deste sistema de detecção.
06:30
And that's because Darknet is open source
128
378840
3096
Isso porque o Darknet tem o código aberto
06:33
and in the public domain,
free for anyone to use.
free for anyone to use.
129
381960
2520
de domínio público, gratuito
para qualquer um usar.
para qualquer um usar.
06:37
(Applause)
130
385600
5696
(Aplausos)
06:43
But we wanted to make detection
even more accessible and usable,
even more accessible and usable,
131
391320
4936
Mas queríamos tornar a detecção
ainda mais acessível e utilizável.
ainda mais acessível e utilizável.
06:48
so through a combination
of model optimization,
of model optimization,
132
396280
4056
Então, por meio de uma combinação
de otimização de modelo,
de otimização de modelo,
06:52
network binarization and approximation,
133
400360
2296
aproximação e binarização de redes,
06:54
we actually have object detection
running on a phone.
running on a phone.
134
402680
3920
temos realmente a detecção de objetos
sendo executada em um celular.
sendo executada em um celular.
07:04
(Applause)
135
412800
5320
(Aplausos)
07:10
And I'm really excited because
now we have a pretty powerful solution
now we have a pretty powerful solution
136
418960
5056
Estou realmente animado,
pois temos uma solução muito potente
pois temos uma solução muito potente
07:16
to this low-level computer vision problem,
137
424040
2296
para esta questão de visão computacional.
07:18
and anyone can take it
and build something with it.
and build something with it.
138
426360
3856
Qualquer um pode pegar
e construir algo com ele.
e construir algo com ele.
07:22
So now the rest is up to all of you
139
430240
3176
O restante depende agora de vocês
07:25
and people around the world
with access to this software,
with access to this software,
140
433440
2936
e das pessoas em todo o mundo
com acesso a este software.
com acesso a este software.
07:28
and I can't wait to see what people
will build with this technology.
will build with this technology.
141
436400
3656
Mal posso esperar para ver
o que elas farão com essa tecnologia.
o que elas farão com essa tecnologia.
07:32
Thank you.
142
440080
1216
Obrigado.
07:33
(Applause)
143
441320
3440
(Aplausos)
ABOUT THE SPEAKER
Joseph Redmon - Computer scientistJoseph 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.
Joseph Redmon | Speaker | TED.com