ImageNet

ImageNet est une base de données de plus de 14 millions d’images, chacune étiquetée avec l’un des 21 841 concepts nominaux de la hiérarchie lexicale WordNet. Créée par l’équipe de Fei-Fei Li à Princeton et Stanford, elle a été présentée en 2009. Dans le langage courant, « ImageNet » désigne généralement ImageNet-1k, le jeu de données de 1 000 classes du défi ImageNet 2012 de reconnaissance visuelle à grande échelle (ILSVRC), qui comprend 1 281 167 images d’entraînement, 50 000 images de validation et 100 000 images de test. ImageNet-1k est le jeu de données de référence standard pour la classification d’images, et les réseaux entraînés sur ce jeu sont un point de départ courant pour l’apprentissage par transfert en vision par ordinateur.

Organisation d’ImageNet#

Chaque concept WordNet, appelé synset, regroupe les mots qui le désignent et dépend de concepts plus généraux ; le golden retriever relève donc de la catégorie « chien », elle-même incluse dans « animal ». L’équipe ImageNet a recherché sur le Web des images candidates pour chaque synset et a demandé à des travailleurs d’Amazon Mechanical Turk de les vérifier une par une, en visant de 500 à 1 000 images propres par concept. ImageNet-1k comprend 1 000 synsets, principalement des catégories fines situées au bas de la hiérarchie plutôt que des catégories générales : 118 de ses classes sont des races de chiens. Un modèle doit ainsi distinguer un husky de Sibérie d’un malamute d’Alaska, tout comme un autobus scolaire d’un chardonneret. La version complète, qui comprend les 21 841 synsets, s’appelle ImageNet-21k ou ImageNet-22k et sert principalement au préentraînement à grande échelle.

Le défi ILSVRC et AlexNet#

L’ILSVRC a eu lieu chaque année de 2010 à 2017 et classait les modèles de classification selon leur taux d’erreur top-5, c’est-à-dire la proportion d’images de test pour lesquelles la vraie classe ne figurait pas parmi les cinq prédictions ayant obtenu les meilleurs scores. La précision top-1, qui ne compte que la meilleure prédiction, est devenue la mesure la plus courante avec les progrès des modèles. En 2012, AlexNet, un réseau neuronal convolutif (CNN) de 60 millions de paramètres entraîné sur deux GPU, a remporté le défi avec un taux d’erreur top-5 de 15,3 %, contre 26,2 % pour le deuxième, qui reposait sur des caractéristiques conçues à la main. Cet écart a orienté la recherche en vision par ordinateur vers l’apprentissage profond. Les gagnants suivants ont continué à réduire le taux d’erreur et, en 2015, un ensemble de réseaux résiduels (ResNet) a atteint 3,57 %, soit un taux inférieur à l’erreur top-5 de 5,1 % mesurée pour un annotateur humain entraîné dans l’article de l’ILSVRC.

Préentraînement et apprentissage par transfert#

Un réseau entraîné sur ImageNet-1k apprend des caractéristiques visuelles générales dans ses premières couches, comme les contours, les textures et les formes simples, puis des caractéristiques plus spécifiques aux objets dans les couches suivantes. Réutiliser ces poids comme réseau dorsal et les ajuster sur un jeu de données plus petit permet une convergence plus rapide et une meilleure précision qu’un entraînement à partir de poids aléatoires, les gains étant les plus importants lorsque le nombre d’images étiquetées est faible. Les modèles de classification YOLO26 sont entraînés sur ImageNet-1k à 224 pixels et atteignent des précisions top-1 en validation allant de 71,4 % pour YOLO26n-cls à 79,9 % pour YOLO26x-cls. L’entraînement sur un jeu de données personnalisé remplace leur couche de sortie à 1 000 classes par une couche adaptée aux nouvelles classes.

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}")

Le modèle attribue un score aux 1 000 classes, et la boucle affiche les cinq meilleurs résultats, soit la même liste des cinq premiers que celle utilisée par la métrique d’erreur ILSVRC pour la comparer à l’étiquette réelle.

Les plus grands modèles de vision sont désormais préentraînés sur des collections beaucoup plus vastes et plus bruitées, comme les 400 millions de paires image-texte utilisées pour CLIP. Pourtant, ImageNet-1k reste une référence pour évaluer la qualité des caractéristiques apprises, par ajustement fin, classification zero-shot ou sondage linéaire, qui entraîne uniquement un classificateur linéaire sur des caractéristiques figées.

Limites et jeux de données complémentaires#

• Erreurs d’étiquetage : Au moins 6 % des étiquettes de validation d’ImageNet-1k sont erronées, et de nombreuses images contiennent plusieurs objets, mais n’ont qu’une seule étiquette. Les étiquettes ReaL sont le résultat d’un nouvel étiquetage de l’ensemble de validation, avec toutes les classes valides pour chaque image.
• ImageNetV2 : Un nouveau jeu de test constitué en répétant le processus d’origine. Les modèles y ont perdu de 11 % à 14 % de précision tout en conservant presque le même classement, une baisse que les auteurs attribuent à des images légèrement plus difficiles plutôt qu’à des années de réutilisation de l’ensemble de test d’origine.
• Vie privée et équité : En 2019, l’équipe d’ImageNet a filtré 2 702 synsets de la sous-arborescence consacrée aux personnes dans le jeu de données complet. En 2021, elle a publié une version des données ILSVRC où les visages sont floutés, avec une perte de précision minime. Le filtrage de la sous-arborescence des personnes n’a pas affecté les 1 000 classes ILSVRC.
• Conditions d’accès : ImageNet ne détient pas les droits d’auteur sur ses images et n’en autorise l’accès qu’à des fins de recherche non commerciale et d’enseignement. Les images d’entraînement et de validation d’ImageNet-1k représentent environ 144 Go.

ImageNet et les jeux de données apparentés#

• COCO : Des boîtes, des masques et des points clés pour 80 catégories d’objets, avec de nombreux objets étiquetés par image. C’est la référence pour la détection d’objets et la segmentation.
• CIFAR-10 : 60 000 images de 32 × 32 pixels réparties en 10 classes, suffisamment petites pour réaliser des expériences qui s’entraînent en quelques minutes sur un seul GPU.