ImageNet

ImageNet è un database di oltre 14 milioni di immagini, ciascuna etichettata con uno dei 21.841 concetti nominali della gerarchia lessicale WordNet, realizzato dal gruppo di Fei-Fei Li a Princeton e Stanford e presentato nel 2009. Nell'uso quotidiano, «ImageNet» indica di solito ImageNet-1k, il dataset di 1.000 classi della ImageNet Large Scale Visual Recognition Challenge del 2012, con 1.281.167 immagini di addestramento, 50.000 immagini di convalida e 100.000 immagini di test. ImageNet-1k è il dataset di benchmark standard per la classificazione delle immagini, e le reti addestrate su di esso costituiscono un punto di partenza comune per l'apprendimento per trasferimento nella visione artificiale.

Come è organizzato ImageNet#

Ogni concetto WordNet, detto synset, raggruppa le parole che lo designano e rientra in concetti più generali: il golden retriever rientra nella categoria dei cani, che a sua volta rientra in quella degli animali. Il team di ImageNet ha raccolto immagini candidate per ogni synset tramite ricerche di immagini sul web e ha incaricato i lavoratori di Amazon Mechanical Turk di verificarle tutte, puntando a ottenere da 500 a 1.000 immagini pulite per concetto. ImageNet-1k conserva 1.000 synset, perlopiù categorie specifiche ai livelli terminali della gerarchia anziché categorie generiche: 118 delle sue classi sono razze canine, quindi un modello deve distinguere un Siberian Husky da un Alaskan Malamute, così come un autobus scolastico da un cardellino. La versione completa con tutti i 21.841 synset è chiamata ImageNet-21k o ImageNet-22k e viene usata principalmente per il preaddestramento su larga scala.

La sfida ILSVRC e AlexNet#

ILSVRC si è svolta ogni anno dal 2010 al 2017 e ha classificato i sistemi di classificazione in base all'errore top-5, cioè la percentuale di immagini di test per cui la classe corretta non compare tra le cinque previsioni con il punteggio più alto del modello. L'accuratezza top-1, che considera solo la singola previsione migliore, è diventata la metrica più comune con il miglioramento dei modelli. Nel 2012, AlexNet, una rete neurale convoluzionale (CNN) con 60 milioni di parametri addestrata su due GPU, vinse con un errore top-5 del 15,3%, contro il 26,2% del secondo classificato, che si basava su caratteristiche progettate manualmente. Questo margine indirizzò la ricerca sulla visione artificiale verso il deep learning. I vincitori successivi continuarono a ridurre l'errore e nel 2015 un insieme di reti residue (ResNet) raggiunse il 3,57%, al di sotto dell'errore top-5 del 5,1% misurato per un annotatore umano addestrato nell'articolo ILSVRC.

Preaddestramento e apprendimento per trasferimento#

Una rete addestrata su ImageNet-1k apprende caratteristiche visive generali nei primi livelli, come bordi, texture e forme semplici, e caratteristiche più specifiche degli oggetti nei livelli successivi. Riutilizzare questi pesi come backbone ed eseguirne il fine-tuning su un dataset più piccolo consente una convergenza più rapida e una maggiore accuratezza rispetto all'addestramento da pesi casuali, con i vantaggi maggiori quando le immagini etichettate sono poche. I modelli di classificazione YOLO26 vengono addestrati su ImageNet-1k a 224 pixel e raggiungono accuratezze top-1 di convalida comprese tra il 71,4% di YOLO26n-cls e il 79,9% di YOLO26x-cls; addestrarne uno su un dataset personalizzato sostituisce il livello di output a 1.000 classi con uno dimensionato per le nuove classi.

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}")

Il modello assegna un punteggio a tutte le 1.000 classi e il ciclo stampa le cinque con il punteggio più alto, lo stesso elenco delle prime 5 verificato dalla metrica di errore ILSVRC rispetto all'etichetta reale.

I modelli di visione più grandi si preaddestrano ormai su raccolte molto più ampie e rumorose, come le 400 milioni di coppie immagine-testo alla base di CLIP; ImageNet-1k resta tuttavia un test standard della qualità delle caratteristiche apprese, tramite fine-tuning, classificazione zero-shot o linear probing, che addestra solo un classificatore lineare sulle caratteristiche congelate.

Limiti e dataset successivi#

• Errori nelle etichette: Almeno il 6% delle etichette di validazione di ImageNet-1k è errato e molte immagini contengono diversi oggetti ma hanno una sola etichetta. Le etichette ReaL hanno riannotato il set di validazione associando a ogni immagine tutte le classi valide.
• ImageNetV2: Un nuovo set di test raccolto ripetendo il processo originale. I modelli hanno perso dal 11% al 14% di accuratezza su questo set, mantenendo quasi invariata la classifica; gli autori attribuiscono il calo a immagini leggermente più difficili, non agli anni di riutilizzo del set di test originale.
• Privacy ed equità: Nel 2019 il team di ImageNet ha filtrato 2.702 synset dal sottoalbero delle persone dell'intero dataset e nel 2021 ha pubblicato una versione dei dati ILSVRC con i volti sfocati, che comporta solo una perdita marginale di accuratezza. Il filtraggio del sottoalbero delle persone non ha interessato le 1.000 classi ILSVRC.
• Condizioni di accesso: ImageNet non detiene il copyright delle sue immagini e concede l'accesso solo per la ricerca e l'istruzione non commerciali. Le immagini di addestramento e validazione di ImageNet-1k occupano complessivamente circa 144 GB.

ImageNet a confronto con i dataset correlati#

• COCO: Riquadri, maschere e punti chiave per 80 categorie di oggetti, con molti oggetti etichettati per immagine; è il benchmark standard per il rilevamento di oggetti e la segmentazione.
• CIFAR-10: 60.000 immagini da 32×32 pixel in 10 classi, abbastanza piccole da consentire esperimenti che si addestrano in pochi minuti su una GPU.