CDA數(shù)據(jù)分析師 出品

編譯：Mika

【導(dǎo)讀】

十年前，研究人員認(rèn)為讓計(jì)算機(jī)來區(qū)分貓和狗幾乎是不可能的。如今，計(jì)算機(jī)視覺識別的準(zhǔn)確率已超過99%。Joseph Redmon通過一個(gè)叫YOLO的開源目標(biāo)檢測方法，可以迅速識別圖像和視頻中的目標(biāo)。

10年前，計(jì)算機(jī)視覺研究者認(rèn)為，要讓一臺電腦去分辨出一只貓和狗的不同之處，這幾乎是不可能的，即便是在當(dāng)時(shí)人工智能已經(jīng)取得了重大突破的情況下。

Joseph Redmon家養(yǎng)的貓

Joseph Redmon家養(yǎng)的狗

但如今我們已經(jīng)可以做到讓它的正確率在99%以上。這個(gè)方法叫做圖像分類，給它一張圖，再給這張圖貼上標(biāo)簽。通過這種方式，計(jì)算機(jī)就可以知道數(shù)千種的分類。

我是華盛頓大學(xué)的一名研究生，我正致力于一個(gè)名叫Darknet的項(xiàng)目，這是一個(gè)用來訓(xùn)練和測試計(jì)算機(jī)視覺模型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

Joseph Redmon所進(jìn)行的Darknet項(xiàng)目

讓我們來看看Darknet是如何看待這張圖片。

當(dāng)我們在這張圖片上運(yùn)行識別器時(shí)，我們注意到，它不僅能判斷出圖片上是貓是狗，還能給出它是哪個(gè)品種的預(yù)測。這就是我們目前所達(dá)到的粒度級別。

它的預(yù)測是正確的，我的狗的確是一只阿拉斯加雪橇犬。

很明顯，我們在圖像識別上取得了驚人的進(jìn)步。但是如果我們對這樣一張圖片運(yùn)行識別器，會如何呢？

看一下，我們看到識別器給出了一個(gè)非常相似的預(yù)測。而且是正確的，圖中是有一只阿拉斯加雪橇犬。但只使用這一個(gè)標(biāo)簽，我們并不能真正的了解這張圖片，我們需要更強(qiáng)大的檢測器。

我正在研究一個(gè)叫做目標(biāo)檢測的問題，也就是嘗試將一張圖上的所有目標(biāo)物都找出來，然后將它們分別框起來，再加上標(biāo)注。

這就是我們對這張照片運(yùn)行檢測器時(shí)所發(fā)生的?；谶@樣的結(jié)果，我們可以用計(jì)算機(jī)視覺算法做更多的事情。

我們發(fā)現(xiàn)，它知道這里有一只貓和一只狗。知道它們的相對位置，它們的大小，甚至還知道一些額外的信息，例如背景里有一本書。

如果你想建立一個(gè)基于計(jì)算機(jī)視覺的系統(tǒng)，比如說無人駕駛汽車或者機(jī)器人系統(tǒng)，這就是你想要得到的信息。你需要一個(gè)能與物質(zhì)世界互動(dòng)的系統(tǒng)。

速度對于目標(biāo)檢測至關(guān)重要

當(dāng)我最開始開展目標(biāo)檢測項(xiàng)目時(shí)，它要花20秒去處理一張圖片。

為了理解為什么速度在這個(gè)領(lǐng)域是如此重要。舉一個(gè)例子，這是一個(gè)2秒鐘就能處理一張圖片的檢測器。這個(gè)檢測器的速度要比處理每張圖需要20秒的檢測器快10倍?？梢钥吹皆谒龀鲱A(yù)測的時(shí)候，被檢測的世界已經(jīng)發(fā)生變化了。這對于一個(gè)應(yīng)用來說是沒有多大用處的。

每2秒處理一張圖

如果我們將它的速度再提升10倍，這個(gè)檢測器每秒可處理5張畫面，這就好很多了。

每秒處理5張圖

但是，舉個(gè)例子。如果有任何重大的移動(dòng)，它就反應(yīng)不過來了。我可不想讓這樣的一個(gè)系統(tǒng)來駕駛我的汽車。

這是在我電腦上運(yùn)行的實(shí)時(shí)檢測系統(tǒng)。當(dāng)我在移動(dòng)時(shí)，它能順利地追蹤我。而且它強(qiáng)大到能適應(yīng)不同的物體大小、姿勢、向前、向后的改變，很了不起。

實(shí)時(shí)檢測系統(tǒng)

如果我們想要建造一個(gè)基于計(jì)算機(jī)視覺的系統(tǒng)，那么這就是我們真正需要的。

僅僅是幾年的時(shí)間，我們就從每張圖20秒提升到了每張圖20毫秒，速度提高了1000倍。我們是如何做到的呢？

目標(biāo)檢測將圖片分成小區(qū)域進(jìn)行識別

過去，目標(biāo)檢測系統(tǒng)會將這張圖片分成很多小區(qū)域，然后在每一塊區(qū)域運(yùn)行一下識別器。在識別器中獲得最高分?jǐn)?shù)的輸出就會被認(rèn)為是這張圖片的檢測結(jié)果。這涉及到要在一張圖片上運(yùn)行數(shù)千次識別器，以及數(shù)千次的神經(jīng)網(wǎng)絡(luò)評估才能獲得檢測結(jié)果。

而現(xiàn)在，我們訓(xùn)練了可以做出所有檢測的單一網(wǎng)絡(luò)，它能同時(shí)生成邊界盒和類別概率。

使用我們的系統(tǒng)，不需要為了生成檢測結(jié)果去重復(fù)上千數(shù)次地看同一張圖片，只看一次就行了。這也是為什么我們稱之為，目標(biāo)檢測的"YOLO(you only look once)法"(只看一次)。

有了這個(gè)速度，我們就不僅限于識別圖像了，還可以實(shí)時(shí)處理視頻?，F(xiàn)在我們不僅看到了貓和狗，還能看到它們走來走去，互相嘻戲。

這是一個(gè)我們在微軟的COCO數(shù)據(jù)庫上，用80種不同種類的物品訓(xùn)練過的檢測器。包含了各種東西，像勺子、叉子、碗等常見物品。

還有各種奇特的東西，動(dòng)物、汽車、斑馬、長頸鹿。

現(xiàn)在我們要做點(diǎn)兒有趣的事情，我們的攝像頭將要對準(zhǔn)觀眾區(qū)看看能檢測出什么。

我們把檢測閥值調(diào)低一點(diǎn)，這樣就可以找出更多的觀眾。看下我們能不能找出這些停車標(biāo)志，我們發(fā)現(xiàn)了一些背包。所有這些都是在電腦上實(shí)時(shí)處理的。

請大家記住，這是一個(gè)通用的目標(biāo)檢測系統(tǒng)。因此我們可以將它訓(xùn)練用于任何領(lǐng)域的圖像識別。

拓展到自動(dòng)駕駛汽車、機(jī)器人甚至癌癥檢測等應(yīng)用領(lǐng)域

我們在無人駕駛汽車中，用來發(fā)現(xiàn)停車標(biāo)志 行人和自行車的代碼，同樣可以用于在組織活檢中找出癌細(xì)胞。全球已經(jīng)有很多研究者正在利用這一技術(shù)在醫(yī)學(xué)、機(jī)器人學(xué)等方面取得了進(jìn)展。

今天早上，我剛讀到一篇文章，人們在內(nèi)羅畢國家公園對動(dòng)物數(shù)量進(jìn)行普查，使用了YOLO作為檢測系統(tǒng)的一部分。因?yàn)镈arknet是一個(gè)開源項(xiàng)目，在公共領(lǐng)域任何人都可以免費(fèi)使用。

但是我們想要讓檢測器能被更多人使用，也更好用因此通過結(jié)合模型優(yōu)化，網(wǎng)絡(luò)二值化和近似法，我們實(shí)際上已經(jīng)可以在手機(jī)上進(jìn)行目標(biāo)檢測了。

我真的很激動(dòng)，因?yàn)槲覀冊诔跫?a href='/map/jisuanjishijue/' style='color:#000;font-size:inherit;'>計(jì)算機(jī)視覺問題上有了強(qiáng)大的解決方案，同時(shí)任何人都可以使用它來做些什么。

接下來就看所有在座的各位，以及世界上所有能夠使用這個(gè)軟件的人了。我已經(jīng)等不及想要看看，人們會用這一技術(shù)創(chuàng)造出什么來了，謝謝大家。