ImageNet

ImageNet es una base de datos de más de 14 millones de imágenes, cada una etiquetada con uno de los 21.841 conceptos nominales de la jerarquía léxica de WordNet, creada por el equipo de Fei-Fei Li en Princeton y Stanford y presentada en 2009. En el uso cotidiano, «ImageNet» suele referirse a ImageNet-1k, el conjunto de datos de 1.000 clases del ImageNet Large Scale Visual Recognition Challenge de 2012 (ILSVRC), con 1.281.167 imágenes de entrenamiento, 50.000 imágenes de validación y 100.000 imágenes de prueba. ImageNet-1k es el conjunto de datos de referencia estándar para la clasificación de imágenes, y las redes entrenadas con él son un punto de partida habitual para el aprendizaje por transferencia en visión artificial.

Cómo se organiza ImageNet#

Cada concepto de WordNet, llamado synset, agrupa las palabras que lo nombran y depende de conceptos más generales: golden retriever depende de perro, que a su vez depende de animal. El equipo de ImageNet recopiló imágenes candidatas para cada synset mediante búsquedas de imágenes en la web y pidió a trabajadores de Amazon Mechanical Turk que verificaran cada una, con el objetivo de reunir entre 500 y 1.000 imágenes limpias por concepto. ImageNet-1k conserva 1.000 synsets, en su mayoría categorías específicas de los niveles inferiores de la jerarquía en lugar de categorías amplias: 118 de sus clases son razas de perros, así que un modelo debe distinguir un husky siberiano de un malamute de Alaska, además de un autobús escolar de un jilguero. La versión completa, con los 21.841 synsets, se llama ImageNet-21k o ImageNet-22k y se utiliza principalmente para el preentrenamiento a gran escala.

El desafío ILSVRC y AlexNet#

ILSVRC se celebró cada año de 2010 a 2017 y clasificó las propuestas de clasificación según el error top-5: la proporción de imágenes de prueba cuya clase real no aparece entre las cinco predicciones con mayor puntuación de un modelo. La precisión top-1, que solo cuenta la mejor predicción, se convirtió en la cifra más habitual a medida que mejoraban los modelos. En 2012, AlexNet, una red neuronal convolucional (CNN) con 60 millones de parámetros entrenada con dos GPU, ganó con un error top-5 del 15,3 %, frente al 26,2 % del segundo clasificado, que se basaba en características diseñadas manualmente. Esa diferencia orientó la investigación en visión artificial hacia el aprendizaje profundo. Los ganadores posteriores siguieron reduciendo el error y, en 2015, un conjunto de modelos de redes residuales (ResNet) alcanzó el 3,57 %, por debajo del error top-5 del 5,1 % medido en un anotador humano formado, según el artículo de ILSVRC.

Preentrenamiento y aprendizaje por transferencia#

Una red entrenada con ImageNet-1k aprende características visuales generales en sus primeras capas, como bordes, texturas y formas sencillas, y características más específicas de objetos en las capas posteriores. Reutilizar esos pesos como red troncal y ajustarlos con un conjunto de datos más pequeño permite converger más rápido y lograr una mayor precisión que entrenar con pesos aleatorios, con las mayores mejoras cuando hay pocas imágenes etiquetadas. Los modelos de clasificación de YOLO26 se entrenan con ImageNet-1k a 224 píxeles y alcanzan precisiones top-1 de validación que van del 71,4 % de YOLO26n-cls al 79,9 % de YOLO26x-cls; al entrenar uno con un conjunto de datos personalizado, se sustituye su capa de salida de 1.000 clases por otra adaptada a las nuevas clases.

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}")

El modelo puntúa las 1.000 clases y el bucle imprime las cinco con mayor puntuación: la misma lista de las cinco primeras que se compara con la etiqueta real en la métrica de error de ILSVRC.

Los modelos de visión más grandes ahora se preentrenan con conjuntos mucho mayores y más ruidosos, como los 400 millones de pares de imagen y texto que hay detrás de CLIP. Aun así, ImageNet-1k sigue siendo una prueba estándar de la calidad de las características aprendidas, ya sea mediante ajuste fino, clasificación de cero disparo o sondeo lineal, que entrena únicamente un clasificador lineal sobre características congeladas.

Limitaciones y conjuntos de datos posteriores#

• Errores de etiquetado: Al menos el 6 % de las etiquetas de validación de ImageNet-1k son incorrectas, y muchas imágenes contienen varios objetos, pero solo tienen una etiqueta. Las etiquetas ReaL volvieron a anotar el conjunto de validación con todas las clases válidas de cada imagen.
• ImageNetV2: Un nuevo conjunto de prueba recopilado al repetir el proceso original. Los modelos perdieron entre un 11 % y un 14 % de precisión en este conjunto, aunque mantuvieron prácticamente la misma clasificación relativa. Los autores atribuyen esta caída a que las imágenes son algo más difíciles, no a los años de reutilización del conjunto de prueba original.
• Privacidad e imparcialidad: En 2019, el equipo de ImageNet filtró 2.702 synsets de la rama de personas del conjunto de datos completo y, en 2021, publicó una versión de los datos de ILSVRC con los rostros desenfocados, que apenas reduce la precisión. El filtrado de la rama de personas no afectó a las 1.000 clases de ILSVRC.
• Condiciones de acceso: ImageNet no posee los derechos de autor de sus imágenes y solo permite el acceso con fines de investigación y educación no comerciales. Las imágenes de entrenamiento y validación de ImageNet-1k ocupan aproximadamente 144 GB.

ImageNet frente a conjuntos de datos relacionados#

• COCO: Cajas, máscaras y puntos clave de 80 categorías de objetos, con muchos objetos etiquetados por imagen; es el benchmark estándar para la detección de objetos y la segmentación.
• CIFAR-10: 60.000 imágenes de 32×32 píxeles distribuidas en 10 clases, un tamaño adecuado para experimentos que se entrenan en minutos en una sola GPU.