TED2017
Joseph Redmon: How computers learn to recognize objects instantly
Joseph Redmon: Comment enseigner à un ordinateur la reconnaissance instantanée des objets
Filmed:
Readability: 4.5
2,471,805 views
Il y a dix ans de cela, les chercheurs en vision artificielle pensaient que demander à un ordinateur de différencier un chat et un chien
relevait presque de l'impossible, et ce malgré les nets progrès
réalisés en intelligence artificielle. Nous y parvenons dorénavant
avec une fiabilité supérieure à 99 %. Comment ? Joseph Redmon développe le système YOLO (You Only Look Once), une méthode open source de détection d'objets capable d'identifier des objets sur des images et des vidéos, qu'il s'agisse d'un panneau stop ou d'un zèbre, à la vitesse de la lumière. Avec cette brillante démonstration en direct, Redmon met en lumière cette avancée d'importance pour des applications telles les voitures autoguidées, la robotique et même la détection de cancers.
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
Il y a dix ans de cela,
00:14
computer vision researchers
thought that getting a computer
thought that getting a computer
1
2000
2776
les chercheurs
en vision artificielle pensaient
en vision artificielle pensaient
00:16
to tell the difference
between a cat and a dog
between a cat and a dog
2
4800
2696
que faire différencier à l'ordinateur
un chat d'un chien
un chat d'un chien
00:19
would be almost impossible,
3
7520
1976
relevait presque de l'impossible,
00:21
even with the significant advance
in the state of artificial intelligence.
in the state of artificial intelligence.
4
9520
3696
et ce malgré les nets progrès
réalisés en intelligence artificielle.
réalisés en intelligence artificielle.
00:25
Now we can do it at a level
greater than 99 percent accuracy.
greater than 99 percent accuracy.
5
13240
3560
Nous y parvenons dorénavant
avec une fiabilité supérieure à 99 %.
avec une fiabilité supérieure à 99 %.
00:29
This is called image classification --
6
17680
1856
C'est appelé
la classification d'images.
la classification d'images.
00:31
give it an image,
put a label to that image --
put a label to that image --
7
19560
3096
On prend une image, qu'on étiquette...
00:34
and computers know
thousands of other categories as well.
thousands of other categories as well.
8
22680
3040
L'ordinateur connaît également
des milliers d'autres catégories.
des milliers d'autres catégories.
00:38
I'm a graduate student
at the University of Washington,
at the University of Washington,
9
26680
2896
Je suis diplômé et j'étudie
à l'université de Washington,
à l'université de Washington,
00:41
and I work on a project called Darknet,
10
29600
1896
et je travaille sur le projet Darknet,
00:43
which is a neural network framework
11
31520
1696
une structure en réseau neuronal
00:45
for training and testing
computer vision models.
computer vision models.
12
33240
2816
pour entraîner et tester
les modèles numériques de vision.
les modèles numériques de vision.
00:48
So let's just see what Darknet thinks
13
36080
2976
Voyons ce que Darknet pense
00:51
of this image that we have.
14
39080
1760
de cette image.
00:54
When we run our classifier
15
42520
2336
Si nous analysons cette image
00:56
on this image,
16
44880
1216
à l'aide du classifieur
00:58
we see we don't just get
a prediction of dog or cat,
a prediction of dog or cat,
17
46120
2456
nous obtenons
la prédiction « chat » ou « chien »
la prédiction « chat » ou « chien »
01:00
we actually get
specific breed predictions.
specific breed predictions.
18
48600
2336
mais aussi la race spécifique.
01:02
That's the level
of granularity we have now.
of granularity we have now.
19
50960
2176
Voici le niveau de granularité actuel.
01:05
And it's correct.
20
53160
1616
Et c'est exact.
01:06
My dog is in fact a malamute.
21
54800
1840
Mon chien est un malamute.
01:09
So we've made amazing strides
in image classification,
in image classification,
22
57040
4336
Nos avancées en classification d'images
sont donc incroyables.
sont donc incroyables.
01:13
but what happens
when we run our classifier
when we run our classifier
23
61400
2000
Mais que se passe-t-il
si notre classifieur
si notre classifieur
01:15
on an image that looks like this?
24
63424
1960
analyse une image de ce genre ?
01:19
Well ...
25
67080
1200
Eh bien...
01:24
We see that the classifier comes back
with a pretty similar prediction.
with a pretty similar prediction.
26
72640
3896
Il fournit une prédiction
relativement similaire.
relativement similaire.
01:28
And it's correct,
there is a malamute in the image,
there is a malamute in the image,
27
76560
3096
Et c'est exact,
l'image contient un malamute.
l'image contient un malamute.
01:31
but just given this label,
we don't actually know that much
we don't actually know that much
28
79680
3696
Mais cette information
n'indique pas grand-chose
n'indique pas grand-chose
01:35
about what's going on in the image.
29
83400
1667
sur ce qui se passe dans l'image.
01:37
We need something more powerful.
30
85091
1560
Il faudrait aller plus loin.
01:39
I work on a problem
called object detection,
called object detection,
31
87240
2616
Je travaille sur la détection d'objets.
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
Il s'agit de trouver tous les objets
présents sur une image,
présents sur une image,
01:44
put bounding boxes around them
33
92840
1456
de les circonscrire
01:46
and say what those objects are.
34
94320
1520
et de les identifier.
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
Voyons ce qui se passe quand
le détecteur analyse cette image.
le détecteur analyse cette image.
01:53
Now, with this kind of result,
36
101240
2256
Ce genre de résultats démultiplient
01:55
we can do a lot more
with our computer vision algorithms.
with our computer vision algorithms.
37
103520
2696
les capacités de nos algorithmes
de vision artificielle.
de vision artificielle.
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
On voit qu'il a reconnu
la présence du chat et du chien.
la présence du chat et du chien.
02:01
It knows their relative locations,
39
109240
2256
Il sait où chacun se situe
02:03
their size.
40
111520
1216
et leur taille.
02:04
It may even know some extra information.
41
112760
1936
Il peut même savoir d'autres choses.
02:06
There's a book sitting in the background.
42
114720
1960
Un livre se trouve au fond.
02:09
And if you want to build a system
on top of computer vision,
on top of computer vision,
43
117280
3256
Si l'on veut concevoir un système
basé sur la vision artificielle,
basé sur la vision artificielle,
02:12
say a self-driving vehicle
or a robotic system,
or a robotic system,
44
120560
3456
tel un véhicule autoguidé
ou un système robotisé,
ou un système robotisé,
02:16
this is the kind
of information that you want.
of information that you want.
45
124040
2456
on recherche ce genre d'informations.
02:18
You want something so that
you can interact with the physical world.
you can interact with the physical world.
46
126520
3239
On cherche à pourvoir interagir
avec le monde physique.
avec le monde physique.
02:22
Now, when I started working
on object detection,
on object detection,
47
130759
2257
Quand j'ai débuté
dans la détection d'objets,
dans la détection d'objets,
02:25
it took 20 seconds
to process a single image.
to process a single image.
48
133040
3296
il fallait 20 secondes
pour analyser une seule image.
pour analyser une seule image.
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
Pour que vous saisissiez l'importance
de la rapidité dans ce domaine,
de la rapidité dans ce domaine,
02:33
here's an example of an object detector
50
141120
2536
voici un exemple de détecteur d'objets
02:35
that takes two seconds
to process an image.
to process an image.
51
143680
2416
qui analyse une image en deux secondes
02:38
So this is 10 times faster
52
146120
2616
soit dix fois plus rapidement
02:40
than the 20-seconds-per-image detector,
53
148760
3536
que celui à 20 secondes par image.
02:44
and you can see that by the time
it makes predictions,
it makes predictions,
54
152320
2656
On voit que le temps
qu'il fasse des prédictions,
qu'il fasse des prédictions,
02:47
the entire state of the world has changed,
55
155000
2040
l'état des choses a changé,
02:49
and this wouldn't be very useful
56
157880
2416
et son application
02:52
for an application.
57
160320
1416
serait peu utile.
02:53
If we speed this up
by another factor of 10,
by another factor of 10,
58
161760
2496
En l'accélérant encore
d'un facteur de dix,
d'un facteur de dix,
02:56
this is a detector running
at five frames per second.
at five frames per second.
59
164280
2816
le détecteur analyse
cinq images par seconde.
cinq images par seconde.
02:59
This is a lot better,
60
167120
1536
C'est bien mieux.
03:00
but for example,
61
168680
1976
Par contre,
03:02
if there's any significant movement,
62
170680
2296
si un mouvement important se produit,
03:05
I wouldn't want a system
like this driving my car.
like this driving my car.
63
173000
2560
je ne veux pas que ce système
conduise ma voiture.
conduise ma voiture.
03:09
This is our detection system
running in real time on my laptop.
running in real time on my laptop.
64
177120
3240
Voici notre système de détection
en temps réel sur mon PC portable.
en temps réel sur mon PC portable.
03:13
So it smoothly tracks me
as I move around the frame,
as I move around the frame,
65
181000
3136
Il suit aisément
mes déplacements dans le cadre,
mes déplacements dans le cadre,
03:16
and it's robust to a wide variety
of changes in size,
of changes in size,
66
184160
3720
il supporte une grande variété
de changements de taille,
de changements de taille,
03:21
pose,
67
189440
1200
de postures,
03:23
forward, backward.
68
191280
1856
si j'avance, recule.
03:25
This is great.
69
193160
1216
C'est formidable.
03:26
This is what we really need
70
194400
1736
C'est ce qu'il nous faut réellement
03:28
if we're going to build systems
on top of computer vision.
on top of computer vision.
71
196160
2896
pour concevoir des systèmes
basés sur la vision artificielle.
basés sur la vision artificielle.
03:31
(Applause)
72
199080
4000
(Applaudissements)
03:36
So in just a few years,
73
204280
2176
En quelques années seulement,
03:38
we've gone from 20 seconds per image
74
206480
2656
on est passés de 20 secondes par image
03:41
to 20 milliseconds per image,
a thousand times faster.
a thousand times faster.
75
209160
3536
à 20 millisecondes par image.
Mille fois plus vite.
Mille fois plus vite.
03:44
How did we get there?
76
212720
1416
Comment avons-nous fait ?
03:46
Well, in the past,
object detection systems
object detection systems
77
214160
3016
Avant, les systèmes de détection d'objets
03:49
would take an image like this
78
217200
1936
prenaient une image similaire
03:51
and split it into a bunch of regions
79
219160
2456
et la découpaient en zones,
03:53
and then run a classifier
on each of these regions,
on each of these regions,
80
221640
3256
puis un classifieur
analysait chacune d'elles,
analysait chacune d'elles,
03:56
and high scores for that classifier
81
224920
2536
et on considérait qu'il était performant
03:59
would be considered
detections in the image.
detections in the image.
82
227480
3136
s'il détectait des objets.
04:02
But this involved running a classifier
thousands of times over an image,
thousands of times over an image,
83
230640
4056
Mais ça signifiait analyser une image
des milliers de fois
des milliers de fois
04:06
thousands of neural network evaluations
to produce detection.
to produce detection.
84
234720
2920
autant d'évaluations en réseau neuronal
pour une détection.
pour une détection.
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
On a alors entraîné un réseau unique
à réaliser ces détections.
à réaliser ces détections.
04:15
It produces all of the bounding boxes
and class probabilities simultaneously.
and class probabilities simultaneously.
86
243800
4280
Il produit les délimitations et
les probabilités de classes simultanément.
les probabilités de classes simultanément.
04:20
With our system, instead of looking
at an image thousands of times
at an image thousands of times
87
248680
3496
Notre système n'observe
plus une image des milliers de fois
plus une image des milliers de fois
04:24
to produce detection,
88
252200
1456
afin de réaliser une détection
04:25
you only look once,
89
253680
1256
mais une fois seulement.
04:26
and that's why we call it
the YOLO method of object detection.
the YOLO method of object detection.
90
254960
2920
D'où la méthode de détection YOLO
pour « You Only Look Once ».
pour « You Only Look Once ».
04:31
So with this speed,
we're not just limited to images;
we're not just limited to images;
91
259360
3976
Cette rapidité ne nous limite plus
aux seules images
aux seules images
04:35
we can process video in real time.
92
263360
2416
et nous pouvons analyser
des vidéos en temps réel.
des vidéos en temps réel.
04:37
And now, instead of just seeing
that cat and dog,
that cat and dog,
93
265800
3096
Et au lieu de voir un chat et un chien,
04:40
we can see them move around
and interact with each other.
and interact with each other.
94
268920
2960
on les voit se déplacer et interagir.
04:46
This is a detector that we trained
95
274560
2056
Nous avons entraîné ce détecteur
04:48
on 80 different classes
96
276640
4376
sur 80 classes différentes
04:53
in Microsoft's COCO dataset.
97
281040
3256
de la base COCO de Microsoft.
04:56
It has all sorts of things
like spoon and fork, bowl,
like spoon and fork, bowl,
98
284320
3336
Elle contient un peu de tout,
de la cuillère à la fourchette et au bol.
de la cuillère à la fourchette et au bol.
04:59
common objects like that.
99
287680
1800
Ce genre d'objets usuels.
05:02
It has a variety of more exotic things:
100
290360
3096
Elle contient diverses choses
plus inhabituelles :
plus inhabituelles :
05:05
animals, cars, zebras, giraffes.
101
293480
3256
des animaux, des voitures,
des zèbres, des girafes.
des zèbres, des girafes.
05:08
And now we're going to do something fun.
102
296760
1936
Faisons une chose amusante.
05:10
We're just going to go
out into the audience
out into the audience
103
298720
2096
Parcourons le public
05:12
and see what kind of things we can detect.
104
300840
2016
et voyons le genre d'objets détectés.
05:14
Does anyone want a stuffed animal?
105
302880
1620
Quelqu'un veut-il une peluche ?
05:18
There are some teddy bears out there.
106
306000
1762
Il y a des ours en peluche ici.
05:22
And we can turn down
our threshold for detection a little bit,
our threshold for detection a little bit,
107
310040
4536
Repoussons un peu notre seuil de détection
05:26
so we can find more of you guys
out in the audience.
out in the audience.
108
314600
3400
afin d'en trouver plus dans le public.
05:31
Let's see if we can get these stop signs.
109
319560
2336
Voyons si on trouve ces panneaux.
05:33
We find some backpacks.
110
321920
1880
On a des sacs à dos.
05:37
Let's just zoom in a little bit.
111
325880
1840
Zoomons juste un peu.
05:42
And this is great.
112
330320
1256
C'est formidable.
05:43
And all of the processing
is happening in real time
is happening in real time
113
331600
3176
L'analyse entière se déroule en temps réel
05:46
on the laptop.
114
334800
1200
sur l'ordinateur.
05:49
And it's important to remember
115
337080
1456
Il faut garder à l'esprit
05:50
that this is a general purpose
object detection system,
object detection system,
116
338560
3216
qu'il s'agit d'un système de détection
d'objets à usage général.
d'objets à usage général.
05:53
so we can train this for any image domain.
117
341800
5000
On peut donc l'entraîner
pour tout domaine visuel.
pour tout domaine visuel.
06:00
The same code that we use
118
348320
2536
Le même code employé
06:02
to find stop signs or pedestrians,
119
350880
2456
pour détecter
des panneaux stop, des piétons
des panneaux stop, des piétons
06:05
bicycles in a self-driving vehicle,
120
353360
1976
ou des vélos par un véhicule autoguidé
06:07
can be used to find cancer cells
121
355360
2856
peut être employé
pour détecter des cellules cancéreuses
pour détecter des cellules cancéreuses
06:10
in a tissue biopsy.
122
358240
3016
dans une biopsie.
06:13
And there are researchers around the globe
already using this technology
already using this technology
123
361280
4040
Dans le monde, des chercheurs utilisent
déjà cette technologie
déjà cette technologie
06:18
for advances in things
like medicine, robotics.
like medicine, robotics.
124
366240
3416
pour progresser dans des domaines
comme la médecine ou la robotique.
comme la médecine ou la robotique.
06:21
This morning, I read a paper
125
369680
1376
Ce matin, j'ai lu un article
06:23
where they were taking a census
of animals in Nairobi National Park
of animals in Nairobi National Park
126
371080
4576
qui traitait d'un recensement
de la faune du parc national de Nairobi
de la faune du parc national de Nairobi
06:27
with YOLO as part
of this detection system.
of this detection system.
127
375680
3136
qui utilisait YOLO
pour son système de détection.
pour son système de détection.
06:30
And that's because Darknet is open source
128
378840
3096
Cela est possible
car Darknet est en open source
car Darknet est en open source
06:33
and in the public domain,
free for anyone to use.
free for anyone to use.
129
381960
2520
et dans le domaine public.
Il est libre d'utilisation.
Il est libre d'utilisation.
06:37
(Applause)
130
385600
5696
(Applaudissements)
06:43
But we wanted to make detection
even more accessible and usable,
even more accessible and usable,
131
391320
4936
On a voulu rendre la détection
encore plus accessible et pratique.
encore plus accessible et pratique.
06:48
so through a combination
of model optimization,
of model optimization,
132
396280
4056
Grâce à la combinaison
de l'optimisation de modèles
de l'optimisation de modèles
06:52
network binarization and approximation,
133
400360
2296
la binarisation du réseau
et l'approximation,
et l'approximation,
06:54
we actually have object detection
running on a phone.
running on a phone.
134
402680
3920
on peut utiliser la détection d'objets
sur un téléphone.
sur un téléphone.
07:04
(Applause)
135
412800
5320
(Applaudissements)
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
Je suis ravi, car nous disposons
dorénavant d'une solution puissante
dorénavant d'une solution puissante
07:16
to this low-level computer vision problem,
137
424040
2296
pour ce problème
de vision artificielle faible.
de vision artificielle faible.
07:18
and anyone can take it
and build something with it.
and build something with it.
138
426360
3856
Il peut servir à quiconque
pour concevoir ce qu'il veut.
pour concevoir ce qu'il veut.
07:22
So now the rest is up to all of you
139
430240
3176
Pour le reste, à vous de jouer
07:25
and people around the world
with access to this software,
with access to this software,
140
433440
2936
ainsi qu'à ceux dans le monde
qui ont accès à ce logiciel.
qui ont accès à ce logiciel.
07:28
and I can't wait to see what people
will build with this technology.
will build with this technology.
141
436400
3656
J'ai hâte de voir ce que les gens
feront de cette technologie.
feront de cette technologie.
07:32
Thank you.
142
440080
1216
Merci.
07:33
(Applause)
143
441320
3440
(Applaudissements)
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