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

ג'וזף רדמון: כיצד מחשב לומד לזהות אובייקטים באופן מיידי

Filmed:
2,471,805 views

לפני עשר שנים, חוקרים חשבו שלגרום למחשב להבדיל בין חתול לכלב יהיה כמעט בלתי אפשרי. כיום, מערכות ראייה ממוחשבת עושות זאת עם למעלה מ 99 אחוזי דיוק. כיצד? ג'וזף רדמון עובד על מערכת YOLO (אתה רק רואה פעם אחת), שיטת קוד פתוח לזיהוי אובייקטים, שיכולה לזהות אובייקטים בתמונות ובווידאו - מזברות ועד סימני עצור - במהירות הבזק. בהדגמה חיה להפליא, רדמון מראה את הצעד החשוב הזה קדימה עבור יישומים כמו מכוניות בנהיגה עצמית, רובוטיקה, ואפילו גילוי סרטן.
- 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
Tenעשר yearsשנים agoלִפנֵי,
0
825
1151
לפני עשר שנים,
00:14
computerמַחשֵׁב visionחָזוֹן researchersחוקרים
thought that gettingמקבל a computerמַחשֵׁב
1
2000
2776
מדעני ראייה ממוחשבת חשבו שלגרום למחשב
00:16
to tell the differenceהֶבדֵל
betweenבֵּין a catחתול and a dogכֶּלֶב
2
4800
2696
להבדיל בין חתול לכלב
00:19
would be almostכִּמעַט impossibleבלתי אפשרי,
3
7520
1976
יהיה כמעט בלתי אפשרי,
00:21
even with the significantמשמעותי advanceלְקַדֵם
in the stateמדינה of artificialמְלָאכוּתִי intelligenceאינטליגנציה.
4
9520
3696
אפילו עם התקדמות משמעותית
במצב של הבינה המלאכותית.
00:25
Now we can do it at a levelרָמָה
greaterגדול יותר than 99 percentאָחוּז accuracyדיוק.
5
13240
3560
עכשיו אנחנו יכולים לעשות זאת
ברמת דיוק של למעלה מ 99 אחוז.
00:29
This is calledשקוראים לו imageתמונה classificationמִיוּן --
6
17680
1856
זה נקרא סיווג תמונה --
00:31
give it an imageתמונה,
put a labelתווית to that imageתמונה --
7
19560
3096
מעלים תמונה ושמים עליה תווית --
00:34
and computersמחשבים know
thousandsאלפים of other categoriesקטגוריות as well.
8
22680
3040
ומחשבים מכירים אלפי קטגוריות אחרות גם כן.
00:38
I'm a graduateבוגר studentתלמיד
at the Universityאוּנִיבֶרְסִיטָה of Washingtonוושינגטון,
9
26680
2896
אני סטודנט לתואר שני
באוניברסיטת וושינגטון,
00:41
and I work on a projectפּרוֹיֶקט calledשקוראים לו Darknetכהה,
10
29600
1896
ואני עובד על פרויקט שנקרא "דארקנט",
00:43
whichאיזה is a neuralעֲצַבִּי networkרֶשֶׁת frameworkמִסגֶרֶת
11
31520
1696
שהוא מסגרת של רשת עצבית
00:45
for trainingהַדְרָכָה and testingבדיקה
computerמַחשֵׁב visionחָזוֹן modelsמודלים.
12
33240
2816
להכשרה ובדיקת מודלים של ראייה ממוחשבת.
00:48
So let's just see what Darknetכהה thinksחושב
13
36080
2976
אז בואו ונראה מה "דארקנט" חושבת
00:51
of this imageתמונה that we have.
14
39080
1760
על תמונה זו שיש לנו.
00:54
When we runלָרוּץ our classifierמסווג
15
42520
2336
כאשר אנו מפעילים את המסווג שלנו
00:56
on this imageתמונה,
16
44880
1216
על התמונה הזו,
00:58
we see we don't just get
a predictionנְבוּאָה of dogכֶּלֶב or catחתול,
17
46120
2456
רואים שלא רק מקבלים חיזוי של כלב או חתול,
01:00
we actuallyלמעשה get
specificספֵּצִיפִי breedגֶזַע predictionsתחזיות.
18
48600
2336
אנחנו למעשה מקבלים תחזיות של גזע ספציפי.
01:02
That's the levelרָמָה
of granularityפירוט we have now.
19
50960
2176
זוהי רמת הפירוט שיש לנו עכשיו.
01:05
And it's correctנכון.
20
53160
1616
והיא נכונה.
01:06
My dogכֶּלֶב is in factעוּבדָה a malamuteכֶּלֶב אֶסקִימוֹאִי.
21
54800
1840
הכלב שלי למעשה הוא מלמוט.
01:09
So we'veיש לנו madeעָשׂוּי amazingמדהים stridesצעדים
in imageתמונה classificationמִיוּן,
22
57040
4336
אז עשינו צעדים מדהימים בסיווג תמונות,
01:13
but what happensקורה
when we runלָרוּץ our classifierמסווג
23
61400
2000
אבל מה קורה כשאנו מפעילים את המסווג
01:15
on an imageתמונה that looksנראה like this?
24
63424
1960
על תמונה שנראית כמו זו?
01:19
Well ...
25
67080
1200
טוב ...
01:24
We see that the classifierמסווג comesבא back
with a prettyיפה similarדוֹמֶה predictionנְבוּאָה.
26
72640
3896
אנו רואים שהמסווג נותן תחזית די דומה.
01:28
And it's correctנכון,
there is a malamuteכֶּלֶב אֶסקִימוֹאִי in the imageתמונה,
27
76560
3096
וזה נכון. יש מלמוט בתמונה.
01:31
but just givenנָתוּן this labelתווית,
we don't actuallyלמעשה know that much
28
79680
3696
אבל רק בהתחשב בתווית זו,
איננו ממש יודעים כל כך הרבה
01:35
about what's going on in the imageתמונה.
29
83400
1667
על מה שקורה בתמונה.
01:37
We need something more powerfulחָזָק.
30
85091
1560
אנחנו צריכים משהו חזק יותר.
01:39
I work on a problemבְּעָיָה
calledשקוראים לו objectלְהִתְנַגֵד detectionאיתור,
31
87240
2616
אני עובד על בעיה שנקראת זיהוי אובייקט,
01:41
where we look at an imageתמונה
and try to find all of the objectsחפצים,
32
89880
2936
שבה אנו מסתכלים על תמונה
ומנסים למצוא את כל האובייקטים,
01:44
put boundingחסום boxesתיבות around them
33
92840
1456
שמים קופסאות תוחמות סביבם
01:46
and say what those objectsחפצים are.
34
94320
1520
ואומרים מה הם אובייקטים אלה:
01:48
So here'sהנה what happensקורה
when we runלָרוּץ a detectorגַלַאִי on this imageתמונה.
35
96400
3280
אז זה מה שקורה כשאנו מפעילים
גלאי על התמונה הזאת.
01:53
Now, with this kindסוג of resultתוֹצָאָה,
36
101240
2256
עכשיו, עם סוג זה של תוצאה,
01:55
we can do a lot more
with our computerמַחשֵׁב visionחָזוֹן algorithmsאלגוריתמים.
37
103520
2696
נוכל לעשות הרבה יותר עם
האלגוריתמים של הראייה הממוחשבת.
01:58
We see that it knowsיודע
that there's a catחתול and a dogכֶּלֶב.
38
106240
2976
אנחנו רואים שהוא מזהה שיש חתול וכלב.
02:01
It knowsיודע theirשֶׁלָהֶם relativeקרוב משפחה locationsמיקומים,
39
109240
2256
הוא יודע את המקומות היחסיים שלהם,
02:03
theirשֶׁלָהֶם sizeגודל.
40
111520
1216
את גודלם.
02:04
It mayמאי even know some extraתוֹסֶפֶת informationמֵידָע.
41
112760
1936
הוא אולי אפילו יודע עוד מידע נוסף כלשהו.
02:06
There's a bookסֵפֶר sittingיְשִׁיבָה in the backgroundרקע כללי.
42
114720
1960
יש ספר שמונח ברקע.
02:09
And if you want to buildלִבנוֹת a systemמערכת
on topחלק עליון of computerמַחשֵׁב visionחָזוֹן,
43
117280
3256
ואם רוצים לבנות שיטה על גבי ראייה ממוחשבת,
02:12
say a self-drivingנהיגה עצמית vehicleרכב
or a roboticרובוטית systemמערכת,
44
120560
3456
למשל, רכב נהיגה עצמית או מערכת רובוטית,
02:16
this is the kindסוג
of informationמֵידָע that you want.
45
124040
2456
זה סוג המידע שמעונינים בו.
02:18
You want something so that
you can interactאינטראקציה with the physicalגוּפָנִי worldעוֹלָם.
46
126520
3239
רוצים משהו שיאפשר לתקשר עם העולם הפיזי.
02:22
Now, when I startedהתחיל workingעובד
on objectלְהִתְנַגֵד detectionאיתור,
47
130759
2257
עכשיו, כשהתחלתי לעבוד על זיהוי אובייקט,
02:25
it tookלקח 20 secondsשניות
to processתהליך a singleיחיד imageתמונה.
48
133040
3296
לקח 20 שניות כדי לעבד תמונה בודדת.
02:28
And to get a feel for why
speedמְהִירוּת is so importantחָשׁוּב in this domainתְחוּם,
49
136360
3880
וכדי לקבל תחושה לסיבה שמהירות
כה חשובה בתחום זה,
02:33
here'sהנה an exampleדוגמא of an objectלְהִתְנַגֵד detectorגַלַאִי
50
141120
2536
הנה דוגמה של גלאי אובייקט
02:35
that takes two secondsשניות
to processתהליך an imageתמונה.
51
143680
2416
שלוקח לו שתי שניות לעבד תמונה.
02:38
So this is 10 timesפִּי fasterמהיר יותר
52
146120
2616
אז זה פי 10 מהר יותר
02:40
than the 20-seconds-per-image-Seconds-per-image detectorגַלַאִי,
53
148760
3536
מה20 שניות לתמונה של גלאי תמונה,
02:44
and you can see that by the time
it makesעושה predictionsתחזיות,
54
152320
2656
ואתם יכולים לראות שעד שזה עושה תחזיות,
02:47
the entireשלם stateמדינה of the worldעוֹלָם has changedהשתנה,
55
155000
2040
המצב כולו של העולם השתנה,
02:49
and this wouldn'tלא be very usefulמוֹעִיל
56
157880
2416
וזה לא יהיה מאוד שימושי
02:52
for an applicationיישום.
57
160320
1416
עבור יישום.
02:53
If we speedמְהִירוּת this up
by anotherאַחֵר factorגורם of 10,
58
161760
2496
אם נאיץ את זה
לפי מקדם נוסף של 10,
02:56
this is a detectorגַלַאִי runningרץ
at fiveחָמֵשׁ framesמסגרות perלְכָל secondשְׁנִיָה.
59
164280
2816
זה יהיה גלאי שרץ בחמש מסגרות לשנייה.
02:59
This is a lot better,
60
167120
1536
זה הרבה יותר טוב,
03:00
but for exampleדוגמא,
61
168680
1976
אבל לדוגמה,
03:02
if there's any significantמשמעותי movementתְנוּעָה,
62
170680
2296
אם יש תנועה משמעותית,
03:05
I wouldn'tלא want a systemמערכת
like this drivingנְהִיגָה my carאוטו.
63
173000
2560
לא הייתי רוצה שמערכת כזו תנהג במכונית שלי.
03:09
This is our detectionאיתור systemמערכת
runningרץ in realאמיתי time on my laptopמחשב נייד.
64
177120
3240
זוהי מערכת האיתור שלנו שרצה
בזמן אמת על המחשב הנייד שלי.
03:13
So it smoothlyבצורה חלקה tracksמסלולים me
as I moveמהלך \ לזוז \ לעבור around the frameמִסגֶרֶת,
65
181000
3136
כך היא עוקבת אחרי בצורה חלקה
כשאני זז סביב המסגרת,
03:16
and it's robustחָסוֹן to a wideרָחָב varietyמגוון
of changesשינויים in sizeגודל,
66
184160
3720
והיא חסינה למגוון רחב של שינויים בגודל,
03:21
poseפּוֹזָה,
67
189440
1200
העמדה,
03:23
forwardקָדִימָה, backwardלְאָחוֹר.
68
191280
1856
קדימה, אחורה.
03:25
This is great.
69
193160
1216
זה נהדר.
03:26
This is what we really need
70
194400
1736
זה מה שאנחנו באמת צריכים
03:28
if we're going to buildלִבנוֹת systemsמערכות
on topחלק עליון of computerמַחשֵׁב visionחָזוֹן.
71
196160
2896
אם אנחנו הולכים לבנות מערכות
על גבי ראייה ממוחשבת.
03:31
(Applauseתְשׁוּאוֹת)
72
199080
4000
(מחיאות כפיים)
03:36
So in just a fewמְעַטִים yearsשנים,
73
204280
2176
אז תוך שנים אחדות,
03:38
we'veיש לנו goneנעלם from 20 secondsשניות perלְכָל imageתמונה
74
206480
2656
עברנו מ -20 שניות לתמונה
03:41
to 20 millisecondsמיליונים perלְכָל imageתמונה,
a thousandאלף timesפִּי fasterמהיר יותר.
75
209160
3536
ל 20 אלפיות השנייה, פי אלף יותר מהר.
03:44
How did we get there?
76
212720
1416
איך הגענו לזה?
03:46
Well, in the pastעבר,
objectלְהִתְנַגֵד detectionאיתור systemsמערכות
77
214160
3016
בעבר, מערכות לאיתור אובייקטים

03:49
would take an imageתמונה like this
78
217200
1936
היו לוקחות תמונה כמו זו
03:51
and splitלְפַצֵל it into a bunchצְרוֹר of regionsאזורים
79
219160
2456
ומפצלות אותה לקבוצה של אזורים
03:53
and then runלָרוּץ a classifierמסווג
on eachכל אחד of these regionsאזורים,
80
221640
3256
ולאחר מכן מפעילות מסווג
על כל אחד מאזורים אלה,
03:56
and highגָבוֹהַ scoresציונים for that classifierמסווג
81
224920
2536
וציונים גבוהים עבור מסווג זה
03:59
would be consideredנחשב
detectionsגילוי in the imageתמונה.
82
227480
3136
ייחשבו זיהויים בתמונה.
04:02
But this involvedמְעוּרָב runningרץ a classifierמסווג
thousandsאלפים of timesפִּי over an imageתמונה,
83
230640
4056
אבל זה כרוך בהפעלת מסווג
אלפי פעמים על תמונה,
04:06
thousandsאלפים of neuralעֲצַבִּי networkרֶשֶׁת evaluationsהערכות
to produceליצר detectionאיתור.
84
234720
2920
אלפי הערכות של רשת עצבית
כדי לייצר זיהוי.
04:11
Insteadבמקום זאת, we trainedמְאוּמָן a singleיחיד networkרֶשֶׁת
to do all of detectionאיתור for us.
85
239240
4536
במקום זה, הכשרנו רשת אחת
לעשות את כל הזיהוי עבורנו.
04:15
It producesייצור all of the boundingחסום boxesתיבות
and classמעמד probabilitiesהסתברויות simultaneouslyבּוֹ זְמַנִית.
86
243800
4280
היא מייצרת את כל תיבות התחימה
ואת סוג ההסתברויות בו זמנית.
04:20
With our systemמערכת, insteadבמקום זאת of looking
at an imageתמונה thousandsאלפים of timesפִּי
87
248680
3496
עם המערכת שלנו, במקום להסתכל
על תמונה אלפי פעמים
04:24
to produceליצר detectionאיתור,
88
252200
1456
כדי לייצר זיהוי,
04:25
you only look onceפַּעַם,
89
253680
1256
מסתכלים רק פעם אחת,
04:26
and that's why we call it
the YOLOאתה חי רק פעם אחת methodשִׁיטָה of objectלְהִתְנַגֵד detectionאיתור.
90
254960
2920
ולכן אנחנו קוראים לזה
שיטת YOLO לזיהוי אובייקט.
04:31
So with this speedמְהִירוּת,
we're not just limitedמוגבל to imagesתמונות;
91
259360
3976
אז עם מהירות זו, איננו מוגבלים רק לתמונות;
04:35
we can processתהליך videoוִידֵאוֹ in realאמיתי time.
92
263360
2416
אנו יכולים לעבד וידאו בזמן אמת.
04:37
And now, insteadבמקום זאת of just seeingרְאִיָה
that catחתול and dogכֶּלֶב,
93
265800
3096
ועכשיו, במקום לראות רק
את החתול והכלב האלה,
04:40
we can see them moveמהלך \ לזוז \ לעבור around
and interactאינטראקציה with eachכל אחד other.
94
268920
2960
אנחנו יכולים לראות אותם נעים סביב
ומתקשרים אחד עם השני.
04:46
This is a detectorגַלַאִי that we trainedמְאוּמָן
95
274560
2056
זהו גלאי שאימנו
04:48
on 80 differentשונה classesשיעורים
96
276640
4376
על 80 סוגים שונים
04:53
in Microsoft'sשל מיקרוסופט COCOCOCO datasetמערך נתונים.
97
281040
3256
במערך הנתונים COCO של מיקרוסופט.
04:56
It has all sortsמיני of things
like spoonכף and forkמזלג, bowlקְעָרָה,
98
284320
3336
יש בו כל מיני דברים כמו כף ומזלג, קערה,
04:59
commonמשותף objectsחפצים like that.
99
287680
1800
חפצים רגילים כאלה.
05:02
It has a varietyמגוון of more exoticאקזוטי things:
100
290360
3096
יש לו מגוון של דברים אקזוטיים יותר:
05:05
animalsבעלי חיים, carsמכוניות, zebrasזברות, giraffesג'ירפות.
101
293480
3256
חיות, מכוניות, זברות, ג'ירפות.
05:08
And now we're going to do something funכֵּיף.
102
296760
1936
ועכשיו אנחנו הולכים לעשות משהו מהנה.
05:10
We're just going to go
out into the audienceקהל
103
298720
2096
אנחנו פשוט יוצאים אל הקהל
05:12
and see what kindסוג of things we can detectלזהות.
104
300840
2016
כדי לראות איזה סוג של דברים
נוכל לזהות.
05:14
Does anyoneכֹּל אֶחָד want a stuffedמְמוּלָא animalבעל חיים?
105
302880
1620
האם מישהו רוצה בובת חיה?
05:18
There are some teddyדובי bearsדובים out there.
106
306000
1762
יש כמה בובות דובי שם.
05:22
And we can turnלפנות down
our thresholdסף for detectionאיתור a little bitbit,
107
310040
4536
ואנחנו יכול להנמיך מעט את סף הזיהוי שלנו,
05:26
so we can find more of you guys
out in the audienceקהל.
108
314600
3400
כדי שנוכל למצוא יותר אנשים מביניכם, בקהל.
05:31
Let's see if we can get these stop signsשלטים.
109
319560
2336
בואו ונראה אם נוכל לתפוס תמרורי עצור אלה.
05:33
We find some backpacksתיקי גב.
110
321920
1880
אנחנו מוצאים כמה תרמילי גב.
05:37
Let's just zoomזום in a little bitbit.
111
325880
1840
בואו פשוט נגדיל קצת.
05:42
And this is great.
112
330320
1256
וזה נהדר.
05:43
And all of the processingמעבד
is happeningמתרחש in realאמיתי time
113
331600
3176
וכל העיבוד קורה בזמן אמת
05:46
on the laptopמחשב נייד.
114
334800
1200
על המחשב הנייד.
05:49
And it's importantחָשׁוּב to rememberלִזכּוֹר
115
337080
1456
וחשוב לזכור
05:50
that this is a generalכללי purposeמַטָרָה
objectלְהִתְנַגֵד detectionאיתור systemמערכת,
116
338560
3216
שזוהי מערכת זיהוי אובייקט למטרה כללית,
05:53
so we can trainרכבת this for any imageתמונה domainתְחוּם.
117
341800
5000
כך שנוכל להכשיר אותה עבור תמונה מכל תחום.
06:00
The sameאותו codeקוד that we use
118
348320
2536
אותו קוד שבו אנו משתמשים
06:02
to find stop signsשלטים or pedestriansהולכי רגל,
119
350880
2456
כדי למצוא שלטי עצור או הולכי רגל,
06:05
bicyclesאופניים in a self-drivingנהיגה עצמית vehicleרכב,
120
353360
1976
אופניים ברכב לנהיגה עצמית,
06:07
can be used to find cancerמחלת הסרטן cellsתאים
121
355360
2856
יכול לשמש כדי למצוא תאים סרטניים
06:10
in a tissueרִקמָה biopsyבִּיוֹפְּסִיָה.
122
358240
3016
בביופסיה של רקמה.
06:13
And there are researchersחוקרים around the globeגלוֹבּוּס
alreadyכְּבָר usingמבנה יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוניפים יוני this technologyטֶכנוֹלוֹגִיָה
123
361280
4040
ויש חוקרים ברחבי העולם
שכבר משתמשים בטכנולוגיה זו
06:18
for advancesההתקדמות in things
like medicineתרופה, roboticsרובוטיקה.
124
366240
3416
לקדם תחומים כמו רפואה, ורובוטיקה.
06:21
This morningשַׁחַר, I readלקרוא a paperעיתון
125
369680
1376
הבוקר קראתי עיתון
06:23
where they were takingלְקִיחָה a censusמִפקָד
of animalsבעלי חיים in Nairobiניירובי Nationalלאומי Parkפָּארק
126
371080
4576
שבו ערכו מפקד של בעלי חיים
בפארק הלאומי של ניירובי
06:27
with YOLOאתה חי רק פעם אחת as partחֵלֶק
of this detectionאיתור systemמערכת.
127
375680
3136
עם YOLO כחלק של מערכת זיהוי זו.
06:30
And that's because Darknetכהה is openלִפְתוֹחַ sourceמָקוֹר
128
378840
3096
וזה בגלל ש "דארקנט" הוא קוד פתוח
06:33
and in the publicפּוּמְבֵּי domainתְחוּם,
freeחופשי for anyoneכֹּל אֶחָד to use.
129
381960
2520
עבור רשות הרבים, וללא תשלום,
לכל מי שרוצה להשתמש,
06:37
(Applauseתְשׁוּאוֹת)
130
385600
5696
(מחיאות כפיים)
06:43
But we wanted to make detectionאיתור
even more accessibleנגיש and usableשָׁמִישׁ,
131
391320
4936
אבל רצינו לעשות את הזיהוי
לאפילו יותר נגיש ושמיש,
06:48
so throughדרך a combinationקוֹמבִּינַצִיָה
of modelדֶגֶם optimizationאופטימיזציה,
132
396280
4056
כך שבאמצעות שילוב
של אופטימיזציה של המודל,
06:52
networkרֶשֶׁת binarizationבינריזציה and approximationאוּמדָן,
133
400360
2296
בינאריזציה ואומדנות של רשת,
06:54
we actuallyלמעשה have objectלְהִתְנַגֵד detectionאיתור
runningרץ on a phoneטלפון.
134
402680
3920
יש לנו למעשה זיהוי אובייקט שרץ בטלפון.
07:04
(Applauseתְשׁוּאוֹת)
135
412800
5320
(מחיאות כפיים)
07:10
And I'm really excitedנִרגָשׁ because
now we have a prettyיפה powerfulחָזָק solutionפִּתָרוֹן
136
418960
5056
ואני באמת מתרגש כי
עכשיו יש לנו פתרון די חזק
07:16
to this low-levelרמה נמוכה computerמַחשֵׁב visionחָזוֹן problemבְּעָיָה,
137
424040
2296
לבעיית ראייה ממוחשבת ברמה נמוכה זו.
07:18
and anyoneכֹּל אֶחָד can take it
and buildלִבנוֹת something with it.
138
426360
3856
וכל אחד יכול לקחת את זה ולבנות עם זה משהו.
07:22
So now the restמנוחה is up to all of you
139
430240
3176
אז עכשיו כל השאר תלוי בכם
07:25
and people around the worldעוֹלָם
with accessגִישָׁה to this softwareתוֹכנָה,
140
433440
2936
ובאנשים ברחבי העולם עם גישה לתוכנה זו,
07:28
and I can't wait to see what people
will buildלִבנוֹת with this technologyטֶכנוֹלוֹגִיָה.
141
436400
3656
ואני לא יכול לחכות לראות מה אנשים
יבנו עם טכנולוגיה זו.
07:32
Thank you.
142
440080
1216
תודה רבה.
07:33
(Applauseתְשׁוּאוֹת)
143
441320
3440
(מחיאות כפיים)
Translated by zeeva Livshitz
Reviewed by Ido Dekkers

▲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