ImageNet

ImageNet, her biri WordNet sözlüksel hiyerarşisindeki 21.841 isim kavramından biriyle etiketlenmiş 14 milyondan fazla görüntüden oluşan bir veri tabanıdır. Fei-Fei Li'nin Princeton ve Stanford'daki ekibi tarafından oluşturulmuş ve 2009'da tanıtılmıştır. Günlük kullanımda "ImageNet" genellikle, 2012 ImageNet Büyük Ölçekli Görsel Tanıma Yarışması'nın (ILSVRC) 1.281.167 eğitim görüntüsü, 50.000 doğrulama görüntüsü ve 100.000 test görüntüsü içeren 1.000 sınıflı veri kümesi olan ImageNet-1k anlamına gelir. ImageNet-1k, görüntü sınıflandırma için standart bir kıyaslama veri kümesidir; üzerinde eğitilen ağlar, bilgisayarlı görüde aktarımı öğrenme için yaygın bir başlangıç noktasıdır.

ImageNet Nasıl Düzenlenir#

Synset adı verilen her WordNet kavramı, onu adlandıran sözcükleri gruplar ve daha genel kavramların altında yer alır; dolayısıyla golden retriever, köpek kavramının; köpek de hayvan kavramının altındadır. ImageNet ekibi her synset için web'de görsel araması yaparak aday görüntüler topladı ve her birini doğrulamaları için Amazon Mechanical Turk çalışanlarına gönderdi. Amaç, her kavram için 500 ila 1.000 temiz görüntü toplamaktı. ImageNet-1k, geniş kategoriler yerine hiyerarşinin çoğunlukla ayrıntılı uç düğümlerinden oluşan 1.000 synset'i içerir: sınıflarının 118'i köpek ırkıdır. Bu nedenle bir model, okul otobüsüyle saka kuşunu ayırt edebildiği gibi Sibirya kurduyla Alaskan Malamute'u da ayırt etmelidir. 21.841 synset'in tamamını içeren sürüme ImageNet-21k veya ImageNet-22k denir ve bu sürüm esas olarak büyük ölçekli ön eğitimde kullanılır.

ILSVRC Yarışması ve AlexNet#

ILSVRC 2010'dan 2017'ye kadar her yıl düzenlendi ve sınıflandırma modellerini top-5 hata oranına göre sıraladı; bu oran, gerçek sınıfı modelin en yüksek puanlı beş tahmini arasında bulunmayan test görüntülerinin oranıdır. Modeller geliştikçe, yalnızca en iyi tahmini dikkate alan Top-1 doğruluğu daha yaygın kullanılan ölçüt hâline geldi. 2012'de AlexNet, iki GPU üzerinde eğitilen 60 milyon parametreli bir evrişimli sinir ağı (CNN), ikinci sıradaki modelin %26,2'lik top-5 hata oranına karşı %15,3'lük top-5 hata oranıyla yarışı kazandı; ikinci sıradaki model elle tasarlanmış özelliklere dayanıyordu. Bu fark, bilgisayarlı görü araştırmalarını derin öğrenmeye yöneltti. Sonraki kazananlar hata oranını düşürmeye devam etti ve 2015'te bir topluluk modeli oluşturmak üzere bir araya getirilen artık ağlar (ResNet) %3,57'lik hata oranına ulaştı; bu oran, ILSVRC makalesinde eğitimli bir insan etiketleyici için ölçülen %5,1'lik top-5 hata oranının altındaydı.

Ön Eğitim ve Aktarımı Öğrenme#

ImageNet-1k üzerinde eğitilen bir ağ, ilk katmanlarında kenarlar, dokular ve basit şekiller gibi genel görsel özellikleri, sonraki katmanlarında ise nesneye daha özgü özellikleri öğrenir. Bu ağırlıkları omurga olarak yeniden kullanıp daha küçük bir veri kümesi üzerinde ince ayar yapmak, rastgele ağırlıklardan eğitime kıyasla daha hızlı yakınsar ve daha yüksek doğruluk sağlar; etiketli görüntü sayısı az olduğunda kazanım en büyüktür. YOLO26 sınıflandırma modelleri ImageNet-1k üzerinde 224 piksel çözünürlükte eğitilir ve YOLO26n-cls için %71,4'ten YOLO26x-cls için %79,9'a kadar ilk 1 doğrulama doğruluklarına ulaşır. Bir modeli özel bir veri kümesinde eğitmek, modelin 1.000 sınıflı çıktı katmanını yeni sınıflara uygun boyutta bir katmanla değiştirir.

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}")

Model 1.000 sınıfın tamamına puan verir ve döngü en yüksek beş puanı yazdırır; bu, ILSVRC hata metriğinin gerçek etiketle karşılaştırdığı aynı ilk 5 listesidir.

En büyük görüntü modelleri artık CLIP modelinin temelindeki 400 milyon görüntü-metin çifti gibi çok daha büyük ve daha gürültülü koleksiyonlarla ön eğitim yapıyor. Buna rağmen ImageNet-1k, ince ayar, sıfır örnekli sınıflandırma veya yalnızca dondurulmuş özellikler üzerinde doğrusal bir sınıflandırıcı eğiten doğrusal yoklama yoluyla öğrenilen özelliklerin ne kadar iyi olduğunu değerlendirmek için standart bir test olmaya devam ediyor.

Sınırlamalar ve Sonraki Veri Kümeleri#

• Etiket hataları: ImageNet-1k doğrulama etiketlerinin en az %6'sı yanlış ve birçok görüntüde birden fazla nesne olmasına rağmen yalnızca tek bir etiket bulunuyor. ReaL etiketleri, doğrulama kümesini her görüntü için geçerli tüm sınıfları içerecek şekilde yeniden etiketledi.
• ImageNetV2: Özgün süreç tekrarlanarak toplanan yeni bir test kümesi. Modeller bu kümede doğruluklarının %11 ila %14'ünü kaybederken sıralamadaki yerlerini neredeyse korudu. Yazarlar bu düşüşü, özgün test kümesinin yıllarca tekrar kullanılmasına değil, görüntülerin biraz daha zor olmasına bağlıyor.
• Gizlilik ve adalet: ImageNet ekibi 2019'da tam veri kümesinin kişi alt ağacından 2.702 eşanlamlı kümesini filtreledi ve 2021'de ILSVRC verilerinin doğrulukta yalnızca marjinal bir düşüşe yol açan, yüzleri bulanıklaştırılmış bir sürümünü yayımladı. Kişi alt ağacının filtrelenmesi, ILSVRC'nin 1.000 sınıfını etkilemedi.
• Erişim koşulları: ImageNet, görüntülerinin telif hakkına sahip değildir ve erişimi yalnızca ticari olmayan araştırma ve eğitim amaçlarıyla sağlar. ImageNet-1k eğitim ve doğrulama görüntülerinin toplam boyutu yaklaşık 144 GB'tır.

ImageNet ve İlgili Veri Kümeleri#

• COCO: Görüntü başına birçok etiketli nesne içeren 80 nesne kategorisi için kutular, maskeler ve kilit noktalar sunar; nesne tespiti ve segmentasyon için standart kıyaslama veri kümesidir.
• CIFAR-10: 10 sınıfta 32×32 piksel boyutunda 60.000 görüntü içerir; tek bir GPU'da dakikalar içinde eğitilen deneyler için yeterince küçüktür.