ImageNet

ImageNet قاعدة بيانات تضم أكثر من 14 مليون صورة، موسومة كل منها بأحد 21,841 مفهومًا اسميًا من التسلسل الهرمي المعجمي WordNet، وقد أنشأتها مجموعة Fei-Fei Li في جامعتي برينستون وستانفورد وطُرحت في عام 2009. ويُقصد بـ«ImageNet» في الاستخدام اليومي عادةً ImageNet-1k، وهي مجموعة البيانات ذات الألف فئة ضمن تحدي ImageNet للتعرّف البصري واسع النطاق لعام 2012 (ILSVRC)، وتضم 1,281,167 صورة تدريب و50,000 صورة تحقق و100,000 صورة اختبار. وتُعد ImageNet-1k مجموعة البيانات المعيارية القياسية لـتصنيف الصور، كما تمثل الشبكات المدرّبة عليها نقطة انطلاق شائعة لـالتعلّم بالنقل في الرؤية الحاسوبية.

تنظيم ImageNet#

يجمع كل مفهوم من مفاهيم WordNet، ويُسمى مجموعة مرادفات، الكلمات التي تدل عليه، ويندرج تحت مفاهيم أعم، لذا يندرج كلب جولدن ريتريفر تحت الكلاب، التي تندرج بدورها تحت الحيوانات. وجمع فريق ImageNet الصور المرشحة لكل مجموعة مرادفات من خلال البحث عن الصور على الويب، وطلب من عاملين في Amazon Mechanical Turk التحقق من كل صورة، مستهدفًا 500 إلى 1,000 صورة سليمة لكل مفهوم. وتضم ImageNet-1k ألف مجموعة مرادفات، معظمها فئات فرعية دقيقة في أسفل التسلسل الهرمي، لا فئات عامة؛ فـ118 من فئاتها هي سلالات كلاب، لذا ينبغي للنموذج التمييز بين كلب هاسكي سيبيري وكلب مالاموت ألاسكي، وكذلك بين حافلة مدرسية وعصفور الحسون. ويُسمى الإصدار الكامل الذي يضم مجموعات المرادفات الـ21,841 كلها ImageNet-21k أو ImageNet-22k، ويُستخدم أساسًا للتدريب المسبق واسع النطاق.

تحدي ILSVRC وAlexNet#

أُقيم ILSVRC سنويًا من 2010 إلى 2017، وصنّف المشاركات في مهمة التصنيف وفق معدل الخطأ ضمن أعلى خمس مراتب، أي نسبة صور الاختبار التي لا تظهر فئتها الصحيحة بين التوقعات الخمسة الأعلى تقييمًا للنموذج. وأصبحت الدقة ضمن المرتبة الأولى، التي تحتسب أفضل تخمين واحد فقط، المقياس الأكثر شيوعًا مع تحسن النماذج. وفي عام 2012، فاز AlexNet، وهي شبكة عصبية التفافية (CNN) تضم 60 مليون معلمة ودُرّبت على وحدتي GPU، بمعدل خطأ ضمن أعلى خمس مراتب بلغ 15.3%، مقابل 26.2% للمنافس التالي الذي اعتمد على سمات هندست يدويًا. ووجّه هذا الفارق أبحاث الرؤية الحاسوبية نحو التعلّم العميق. وواصل الفائزون اللاحقون خفض معدل الخطأ، وفي عام 2015 بلغ المعدل 3.57% لدى مجموعة نماذج من الشبكات المتبقية (ResNet)، وهو أقل من معدل الخطأ البالغ 5.1% ضمن أعلى خمس مراتب الذي سجله مُعلِّق بشري مدرّب في ورقة ILSVRC.

التدريب المسبق والتعلّم بالنقل#

تتعلم الشبكة المدرّبة على ImageNet-1k سمات بصرية عامة في طبقاتها المبكرة، مثل الحواف والأنسجة والأشكال البسيطة، وسمات أكثر ارتباطًا بالكائنات في طبقاتها اللاحقة. وتؤدي إعادة استخدام تلك الأوزان بوصفها شبكة أساسية ثم ضبطها دقيقًا على مجموعة بيانات أصغر إلى تقارب أسرع ودقة أعلى مقارنةً بالتدريب من أوزان عشوائية، وتكون المكاسب الأكبر عندما يقل عدد الصور الموسومة. وتُدرّب نماذج تصنيف YOLO26 على ImageNet-1k بدقة 224 بكسل، وتحقق دقة تحقق ضمن المرتبة الأولى تتراوح من 71.4% لـYOLO26n-cls إلى 79.9% لـYOLO26x-cls. ويؤدي تدريب أحدها على مجموعة بيانات مخصصة إلى استبدال طبقة الإخراج ذات الفئات الألف بطبقة تناسب عدد الفئات الجديدة.

from ultralytics import YOLO

# Load a YOLO26 nano classifier trained on the 1,000 ImageNet-1k classes
model = YOLO("yolo26n-cls.pt")

# Classify an image and select the result for that image
results = model("https://ultralytics.com/images/bus.jpg")
result = results[0]

# Print the five most likely ImageNet classes with their probabilities
for index, probability in zip(result.probs.top5, result.probs.top5conf.tolist()):
    print(f"{result.names[index]}: {probability:.3f}")

يقيّم النموذج الفئات الألف كلها، وتطبع الحلقة أعلى خمس فئات، وهي قائمة أفضل 5 نفسها التي يقارن بها مقياس الخطأ ILSVRC التسمية الصحيحة.

تُجري أكبر نماذج الرؤية الآن تدريبًا مسبقًا على مجموعات أكبر بكثير وأكثر ضجيجًا، مثل أزواج الصور والنصوص البالغ عددها 400 مليونًا التي تقف وراء CLIP، ومع ذلك يظل ImageNet-1k اختبارًا معياريًا لجودة الميزات التي تعلمتها هذه النماذج، من خلال الضبط الدقيق أو التصنيف دون أمثلة أو الاستقصاء الخطي، الذي لا يدرّب سوى مصنّف خطي على ميزات مجمّدة.

القيود ومجموعات البيانات اللاحقة#

• أخطاء التسميات: ما لا يقل عن 6% من تسميات التحقق في ImageNet-1k خاطئة، كما تحتوي صور كثيرة على عدة أجسام لكنها تحمل تسمية واحدة. أعادت تسميات ReaL وسم مجموعة التحقق، مع إدراج كل فئة صحيحة لكل صورة.
• ImageNetV2: مجموعة اختبار جديدة جُمعت بتكرار العملية الأصلية. انخفضت دقة النماذج فيها بنسبة تتراوح بين 11% و14% مع احتفاظها بترتيب شبه مماثل؛ ويعزو المؤلفون هذا الانخفاض إلى كون الصور أصعب قليلًا، لا إلى سنوات من إعادة استخدام مجموعة الاختبار الأصلية.
• الخصوصية والإنصاف: في عام 2019، استبعد فريق ImageNet عدد 2,702 من مجموعات المرادفات من فرع الأشخاص في مجموعة البيانات الكاملة، وفي عام 2021 أصدر نسخة مطموسة الوجوه من بيانات ILSVRC، مع خسارة طفيفة في الدقة فقط. ولم تتأثر فئات ILSVRC الألف بعملية الاستبعاد من فرع الأشخاص.
• شروط الوصول: لا تملك ImageNet حقوق الطبع والنشر لصورها، وتمنح حق الوصول لأغراض البحث والتعليم غير التجاريين فقط. ويبلغ إجمالي حجم صور التدريب والتحقق في ImageNet-1k نحو 144 GB.

ImageNet مقارنةً بمجموعات البيانات ذات الصلة#

• COCO: مربعات وأقنعة ونقاط رئيسية لـ80 فئة من الأجسام، مع أجسام عديدة موسومة في كل صورة؛ وهو المعيار المرجعي لـكشف الأجسام والتجزئة.
• CIFAR-10: 60,000 صورة بحجم 32×32 بكسل ضمن 10 فئات، وهو حجم صغير بما يكفي لإجراء تجارب لا يستغرق تدريبها سوى دقائق على GPU واحد.