ImageNet

ImageNetは1,400万枚を超える画像のデータベースで、各画像にはWordNetの語彙階層から選ばれた21,841個の名詞概念のいずれかがラベルとして付けられています。Fei-Fei Liの研究グループがプリンストン大学とスタンフォード大学で構築し、2009年に公開しました。日常的には「ImageNet」は、2012年のImageNet大規模視覚認識チャレンジ（ILSVRC）で使われた1,000クラスのデータセット、ImageNet-1kを指すことが一般的です。このデータセットには、トレーニング画像1,281,167枚、検証画像50,000枚、テスト画像100,000枚が含まれます。ImageNet-1kは画像分類の標準的なベンチマークデータセットであり、ImageNet-1kでトレーニングしたネットワークは、コンピュータービジョンにおける転移学習の出発点として広く使われています。

ImageNetの構成#

WordNetの各概念は「synset」と呼ばれ、その概念を表す語をまとめ、より一般的な概念の下に位置付けられます。たとえば、ゴールデンレトリバーは犬の下に、犬は動物の下に分類されます。ImageNetチームはWeb画像検索で各synsetの候補画像を集め、Amazon Mechanical Turkの作業者に1枚ずつ確認させ、概念ごとに500～1,000枚の高品質な画像を集めることを目指しました。ImageNet-1kには1,000個のsynsetが含まれ、幅広いカテゴリよりも階層の細分化された末端が中心です。118クラスは犬種で構成されるため、モデルはスクールバスとゴシキヒワを区別するだけでなく、シベリアンハスキーとアラスカンマラミュートも見分ける必要があります。21,841個すべてのsynsetを含む完全版はImageNet-21kまたはImageNet-22kと呼ばれ、主に大規模な事前学習に使用されます。

ILSVRCチャレンジとAlexNet#

ILSVRCは2010年から2017年まで毎年開催され、モデルの予測スコア上位5クラスに正解クラスが含まれないテスト画像の割合であるトップ5エラー率を使って、画像分類の参加チームを順位付けしました。モデルの性能向上に伴い、最も確率の高い予測だけを評価するトップ1精度が、より一般的な指標になりました。2012年には、畳み込みニューラルネットワーク（CNN）であるAlexNetが、2基のGPUでトレーニングされ、6,000万個のパラメーターを持つモデルとして優勝しました。トップ5エラー率は15.3%で、人手で設計した特徴量に依存する2位の26.2%を大きく下回りました。この差を受けて、コンピュータービジョン研究はディープラーニングへと方向を転換しました。その後も優勝モデルはエラー率を下げ続け、2015年には残差ネットワーク（ResNet）のアンサンブルが3.57%を達成しました。これは、ILSVRC論文で報告された、トレーニング済み人間アノテーターのトップ5エラー率5.1%を下回る値でした。

事前学習と転移学習#

ImageNet-1kでトレーニングしたネットワークは、初期レイヤーでエッジ、テクスチャ、単純な形状などの汎用的な視覚特徴を学習し、後段のレイヤーではより物体固有の特徴を学習します。これらの重みをバックボーンとして再利用し、小規模なデータセットでファインチューニングすると、ランダムな重みからトレーニングするよりも速く収束し、高い精度に到達します。ラベル付き画像が少ない場合に、特に大きな効果が得られます。YOLO26の分類モデルはImageNet-1kを使って224ピクセルでトレーニングされており、検証時のトップ1精度はYOLO26n-clsの71.4%からYOLO26x-clsの79.9%に達します。カスタムデータセットでトレーニングすると、1,000クラスの出力レイヤーが新しいクラス数に対応するサイズに置き換わります。

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}")

モデルは1,000クラスすべてのスコアを算出し、ループはスコア上位5クラスを出力します。これは、ILSVRCのエラーメトリックが正解ラベルと照合する同じTop-5リストです。

最大規模のビジョンモデルは現在、CLIPを支える4億組の画像とテキストのペアなど、はるかに大規模でノイズの多いデータセットで事前学習されています。それでもImageNet-1kは、ファインチューニング、ゼロショット分類、または凍結した特徴量に対して線形分類器のみを学習する線形プロービングを通じて、学習した特徴量の性能を測る標準的なテストであり続けています。

制限事項と後続データセット#

• ラベルの誤り: ImageNet-1kの検証用ラベルの少なくとも6%は誤っており、多くの画像には複数のオブジェクトが含まれているにもかかわらず、ラベルは1つだけ付与されています。ReaLラベルでは、検証セットに対し、各画像に該当するすべてのクラスを再アノテーションしました。
• ImageNetV2: 元の収集手順を繰り返して作成された新しいテストセットです。モデルの精度はこのセットで11%から14%低下しましたが、順位はほぼ変わりませんでした。著者らは、この低下を元のテストセットが長年再利用されたことではなく、画像がやや難しくなったことに起因するとしています。
• プライバシーと公平性: 2019年、ImageNetチームはデータセット全体の人物サブツリーから2,702個のシンセットを除外し、2021年には、精度への影響をわずかに抑えた、顔にぼかしを入れたILSVRCデータのバージョンを公開しました。人物サブツリーの除外による影響は、ILSVRCの1,000クラスには及びませんでした。
• 利用条件: ImageNetは画像の著作権を保有しておらず、非営利の研究および教育目的に限りアクセスを許可しています。ImageNet-1kの学習用画像と検証用画像の合計容量は約144 GBです。

ImageNetと関連データセットの比較#

• COCO: 80の物体カテゴリについて、1画像あたり多数のオブジェクトにボックス、マスク、キーポイントを付与しています。物体検出とセグメンテーションの標準ベンチマークです。
• CIFAR-10: 10クラス、32×32ピクセルの画像60,000枚で構成されており、1台のGPUで数分以内に学習できる実験に適した規模です。