从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？

CDA数据分析师 出品

编译：Mika

【导读】
十年前，研究人员认为让计算机来区分猫和狗几乎是不可能的。如今，计算机视觉识别的准确率已超过99%。Joseph Redmon通过一个叫YOLO的开源目标检测方法，可以迅速识别图像和视频中的目标。

10年前，计算机视觉研究者认为，要让一台电脑去分辨出一只猫和狗的不同之处，这几乎是不可能的，即便是在当时人工智能已经取得了重大突破的情况下。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
Joseph Redmon家养的猫

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
Joseph Redmon家养的狗

但如今我们已经可以做到让它的正确率在99%以上。这个方法叫做图像分类，给它一张图，再给这张图贴上标签。通过这种方式，计算机就可以知道数千种的分类。

我是华盛顿大学的一名研究生，我正致力于一个名叫Darknet的项目，这是一个用来训练和测试计算机视觉模型的神经网络结构。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
Joseph Redmon所进行的Darknet项目

让我们来看看Darknet是如何看待这张图片。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
当我们在这张图片上运行识别器时，我们注意到，它不仅能判断出图片上是猫是狗，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。

它的预测是正确的，我的狗的确是一只阿拉斯加雪橇犬。

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运行识别器，会如何呢？

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
看一下，我们看到识别器给出了一个非常相似的预测。而且是正确的，图中是有一只阿拉斯加雪橇犬。但只使用这一个标签，我们并不能真正的了解这张图片，我们需要更强大的检测器。

我正在研究一个叫做目标检测的问题，也就是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，再加上标注。

这就是我们对这张照片运行检测器时所发生的。基于这样的结果，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。知道它们的相对位置，它们的大小，甚至还知道一些额外的信息，例如背景里有一本书。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
如果你想建立一个基于计算机视觉的系统，比如说无人驾驶汽车或者机器人系统，这就是你想要得到的信息。你需要一个能与物质世界互动的系统。

速度对于目标检测至关重要
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。

为了理解为什么速度在这个领域是如此重要。举一个例子，这是一个2秒钟就能处理一张图片的检测器。这个检测器的速度要比处理每张图需要20秒的检测器快10倍。可以看到在它做出预测的时候，被检测的世界已经发生变化了。这对于一个应用来说是没有多大用处的。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
每2秒处理一张图

如果我们将它的速度再提升10倍，这个检测器每秒可处理5张画面，这就好很多了。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
每秒处理5张图

但是，举个例子。如果有任何重大的移动，它就反应不过来了。我可不想让这样的一个系统来驾驶我的汽车。

这是在我电脑上运行的实时检测系统。当我在移动时，它能顺利地追踪我。而且它强大到能适应不同的物体大小、姿势、向前、向后的改变，很了不起。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
实时检测系统

如果我们想要建造一个基于计算机视觉的系统，那么这就是我们真正需要的。

仅仅是几年的时间，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。我们是如何做到的呢？

目标检测将图片分成小区域进行识别
过去，目标检测系统会将这张图片分成很多小区域，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，以及数千次的神经网络评估才能获得检测结果。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
而现在，我们训练了可以做出所有检测的单一网络，它能同时生成边界盒和类别概率。

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，只看一次就行了。这也是为什么我们称之为，目标检测的"YOLO(you only look once)法"(只看一次)。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
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。现在我们不仅看到了猫和狗，还能看到它们走来走去，互相嘻戏。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
这是一个我们在微软的COCO数据库上，用80种不同种类的物品训练过的检测器。包含了各种东西，像勺子、叉子、碗等常见物品。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
还有各种奇特的东西，动物、汽车、斑马、长颈鹿。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
现在我们要做点儿有趣的事情，我们的摄像头将要对准观众区看看能检测出什么。

我们把检测阀值调低一点，这样就可以找出更多的观众。看下我们能不能找出这些停车标志，我们发现了一些背包。所有这些都是在电脑上实时处理的。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
请大家记住，这是一个通用的目标检测系统。因此我们可以将它训练用于任何领域的图像识别。

拓展到自动驾驶汽车、机器人甚至癌症检测等应用领域
我们在无人驾驶汽车中，用来发现停车标志 行人和自行车的代码，同样可以用于在组织活检中找出癌细胞。全球已经有很多研究者正在利用这一技术在医学、机器人学等方面取得了进展。

今天早上，我刚读到一篇文章，人们在内罗毕国家公园对动物数量进行普查，使用了YOLO作为检测系统的一部分。因为Darknet是一个开源项目，在公共领域任何人都可以免费使用。

但是我们想要让检测器能被更多人使用，也更好用因此通过结合模型优化，网络二值化和近似法，我们实际上已经可以在手机上进行目标检测了。

从猫狗不分到实时识别准确率超99%，计算机图像是如何做到的？
我真的很激动，因为我们在初级计算机视觉问题上有了强大的解决方案，同时任何人都可以使用它来做些什么。

接下来就看所有在座的各位，以及世界上所有能够使用这个软件的人了。我已经等不及想要看看，人们会用这一技术创造出什么来了，谢谢大家。