| 全球搶用的物件偵測演算法上線，最神速精準一眼揪出你有沒有超速！ |
| |
|
| |
|
 |
2973 |
|
| 最後更新時間：7月 | 7日 , 2022 |
|
| |
 |
 |
|
|
| 臺灣參與人工智慧跨國研究取得重大突破！中央研究院資訊科學研究所與俄羅斯開發者博科夫斯基(Alexey Bochkovskiy)共同研發出目前世界上最快最準的物件偵測演算法(YOLOv4)，平均正確率(Average Precision, AP)達43.5%，比前一代(YOLOv3)提高10%，更一舉超越其他種影像辨識技術。同時也運用該技術與義隆電子合作開發「智慧城市交通車流解決方案」，目前已佈設於桃園、新竹，在路口就能進行交通影像辨識及車流分析。 |
| |
YOLOv4是一種利用人工智慧執行即時物件偵測(Object Detection)的技術，能偵測物件、追蹤及判斷，可應用於交通車流計算、自駕車研發、工廠瑕疵檢測、醫療影像分析、五官定位等。自今(109)年4月以開放原始碼免費釋出後，全世界已有數萬人測試應用；廖弘源研究團隊亦於今(2)日記者會中現場操作示範此項技術，說明物件偵測演算法如何識別圖片或影像裡的物件。
過去訓練電腦識別一張照片裡的物件，須執行幾千次的識別指令。YOLO1是「You only look once」的簡稱，顧名思義，只需訓練一個網路模型，電腦只要看一眼，就能判斷照片或影像裡的物件類別與位置，大大提升辨識速度。自104年推出第一代版本後2，深受開發者喜愛，為電腦視覺(Computer vision)技術立下重要的里程碑。改良後的YOLOv4性能更強大，經微軟開源影像資料庫(MSCOCO) 3測試，辨識物件的速度及精確度皆大幅提升，堪稱是目前世界上辨識速度最快、最精準的物件偵測演算法。
中央研究院資訊科學研究所王建堯博士表示，物件偵測技術追求速度和精準，二者缺一不可，卻難以兼備。他從去年開始改良YOLOv3，一改過去多採「降速求控球」，即降低或犧牲速度來換取準確度提升；轉而從YOLO所運行的人工智慧模型著手，改善網路識別物件的回傳機制，優化傳輸路徑，以減少演算法的計算量，因此能增加運算內容的多樣性及運算速度4。他的成果引起YOLO網路架構維護者博科夫斯基(Alexey Bochkovskiy)的興趣，主動聯繫王建堯，雙方自去年11月攜手合作。經過五個多月日以繼夜地開發，今(109)年4月宣布完成新一代的YOLOv4演算法。
深度學習演算法的計算複雜度高，YOLOv4也突破過去的技術限制，擁有輕盈的系統架構、高效率的演算法等優勢，使用一般的圖形處理器(GPU)就能運算，「像是用算盤打出計算機的速度！」王建堯表示，團隊的開發初衷，即希望打造一個親民、好用的偵測系統，降低硬體成本，讓每個人都能以此技術創造更多有趣的應用。
中央研究院資訊科學研究所研究員廖弘源指出，YOLOv4使用的關鍵技術源自該團隊承接科技部人工智慧專案計畫，與義隆電子合作開發的「智慧城市交通車流解決方案」。為建置智慧車流分析系統，需要結合影像感測器和電腦視覺，在每個路口就能即時偵測車輛、停等車列及車速。團隊藉由著手改良YOLO演算法，發展更輕量、精準、快速的物件偵測核心技術，以實際應用於交通影像辨識。
YOLOv4自今年4月在Github(原始碼代管平台)公開後，任何人都可免費使用，在電腦視覺領域裡引起全球廣泛討論，各式自製的教學影片、各種應用層出不窮。廖弘源表示，在臺灣，以YOLOv4技術開發的智慧車流分析系統，目前已佈設於桃園、新竹等地，全世界已有許多研發單位以此為基礎，發展相關的系統或產品。例如在COVID-19防疫期間，可結合YOLO辨識物件的功能，用來偵測未戴口罩者，或是計算人們有無保持社交距離等，應用在許多產業和產品上。
附註:
1YOLO(You only look once,簡稱YOLO)是關於物件偵測(object detection)的類神經網路演算法 ，可框出影像中的每個物件，進行物件偵測、追蹤及判斷。
2第一代YOLO的主要開發者為Joseph Redmon，他一直開發至第三代YOLOv3，卻於今年2月宣布退出電腦視覺領域研究。
3由微軟建立的開源影像資料庫(Common Object in Context，簡稱COCO)，提供龐大的圖片、物件等，提供技術人員進行物體偵測和影像分割等測試。 |
| |
| ※本文圖文非經授權不得轉載，洽詢授權，請E-Mail至contact@aimag.tw[ iDS智慧安防雜誌聲明 ]※ |
| |
| |
|
| |
