ImageNet

O ImageNet é uma base de dados com mais de 14 milhões de imagens, cada uma etiquetada com um dos 21.841 conceitos nominais da hierarquia lexical WordNet, criada pelo grupo de Fei-Fei Li em Princeton e Stanford e apresentada em 2009. No uso quotidiano, «ImageNet» costuma referir-se ao ImageNet-1k, o conjunto de dados de 1.000 classes do ImageNet Large Scale Visual Recognition Challenge (ILSVRC) de 2012, com 1.281.167 imagens de treino, 50.000 imagens de validação e 100.000 imagens de teste. O ImageNet-1k é o conjunto de dados de referência padrão para a classificação de imagens, e as redes treinadas com ele são um ponto de partida comum para a aprendizagem por transferência em visão computacional.

Como o ImageNet está organizado#

Cada conceito WordNet, denominado synset, agrupa as palavras que o designam e está subordinado a conceitos mais gerais, pelo que golden retriever está subordinado a cão, que por sua vez está subordinado a animal. A equipa do ImageNet reuniu imagens candidatas para cada synset através de pesquisas de imagens na Web e pediu a trabalhadores do Amazon Mechanical Turk que verificassem cada uma, com o objetivo de obter 500 a 1.000 imagens limpas por conceito. O ImageNet-1k inclui 1.000 synsets, na sua maioria categorias específicas nos níveis mais baixos da hierarquia, em vez de categorias abrangentes: 118 das classes são raças de cães, pelo que um modelo tem de distinguir um husky siberiano de um malamute-do-alasca, bem como um autocarro escolar de um pintassilgo. A versão completa, com os 21.841 synsets, chama-se ImageNet-21k ou ImageNet-22k e é usada sobretudo para pré-treino em grande escala.

O desafio ILSVRC e o AlexNet#

O ILSVRC decorreu todos os anos de 2010 a 2017 e classificou as submissões de classificação pela taxa de erro top-5, a proporção de imagens de teste cuja classe verdadeira não consta das cinco previsões com pontuação mais alta do modelo. A precisão top-1, que conta apenas a melhor previsão, tornou-se a métrica mais comum à medida que os modelos melhoraram. Em 2012, o AlexNet, uma rede neuronal convolucional (CNN) com 60 milhões de parâmetros treinada em duas GPU, venceu com uma taxa de erro top-5 de 15,3%, contra 26,2% do segundo classificado, que dependia de características concebidas manualmente. Essa diferença orientou a investigação em visão computacional para o deep learning. Os vencedores posteriores continuaram a reduzir a taxa de erro e, em 2015, um conjunto de modelos de redes residuais (ResNet) alcançou 3,57%, abaixo dos 5,1% de erro top-5 medidos num anotador humano treinado no artigo do ILSVRC.

Pré-treino e aprendizagem por transferência#

Uma rede treinada com o ImageNet-1k aprende características visuais gerais nas camadas iniciais, como arestas, texturas e formas simples, e características mais específicas dos objetos nas camadas finais. Reutilizar esses pesos como backbone e submetê-los a ajuste fino num conjunto de dados menor permite convergir mais depressa e alcançar maior precisão do que treinar com pesos aleatórios, com os maiores ganhos quando há poucas imagens etiquetadas. Os modelos de classificação YOLO26 são treinados com o ImageNet-1k a 224 píxeis e alcançam precisões top-1 na validação que vão dos 71,4% do YOLO26n-cls aos 79,9% do YOLO26x-cls; treiná-los num conjunto de dados personalizado substitui a camada de saída de 1.000 classes por outra dimensionada para as novas 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}")

O modelo calcula a pontuação de todas as 1.000 classes, e o loop imprime as cinco com as pontuações mais altas: a mesma lista de top 5 que a métrica de erro do ILSVRC compara com o rótulo verdadeiro.

Os maiores modelos de visão agora são pré-treinados com conjuntos muito maiores e mais ruidosos, como os 400 milhões de pares de imagem e texto por trás do CLIP. Ainda assim, o ImageNet-1k continua sendo um teste padrão da qualidade dos recursos aprendidos por esses modelos, seja por meio de ajuste fino, classificação zero-shot ou sondagem linear, que treina apenas um classificador linear sobre recursos congelados.

Limitações e conjuntos de dados posteriores#

• Erros de rótulo: Pelo menos 6% dos rótulos de validação do ImageNet-1k estão incorretos, e muitas imagens contêm vários objetos, mas têm apenas um rótulo. Os rótulos ReaL reanotaram o conjunto de validação com todas as classes válidas para cada imagem.
• ImageNetV2: Um novo conjunto de teste coletado pela repetição do processo original. Os modelos tiveram uma queda de 11% a 14% na precisão nesse conjunto, mantendo praticamente a mesma classificação relativa. Os autores atribuem essa queda a imagens um pouco mais difíceis, e não aos anos de reutilização do conjunto de teste original.
• Privacidade e equidade: Em 2019, a equipe do ImageNet filtrou 2.702 synsets da subárvore de pessoas do conjunto de dados completo e, em 2021, lançou uma versão dos dados do ILSVRC com rostos desfocados, com perda mínima de precisão. A filtragem da subárvore de pessoas não afetou as 1.000 classes do ILSVRC.
• Termos de acesso: O ImageNet não detém os direitos autorais das imagens e concede acesso apenas para pesquisa e educação sem fins comerciais. As imagens de treinamento e validação do ImageNet-1k somam cerca de 144 GB.

ImageNet vs. conjuntos de dados relacionados#

• COCO: Caixas, máscaras e pontos-chave para 80 categorias de objetos, com muitos objetos anotados por imagem; é o benchmark padrão para detecção de objetos e segmentação.
• CIFAR-10: 60.000 imagens de 32×32 pixels em 10 classes, pequenas o bastante para experimentos que são treinados em minutos em uma única GPU.