ImageNet

ImageNet là cơ sở dữ liệu hình ảnh quy mô đồ sộ, được thiết kế phục vụ nghiên cứu phần mềm nhận dạng đối tượng bằng thị giác và được xem rộng rãi là chất xúc tác khởi đầu cuộc cách mạng deep learning hiện đại. Được tổ chức theo hệ phân cấp WordNet, ImageNet bao gồm hàng triệu ảnh được gắn nhãn thuộc hàng nghìn danh mục, cung cấp quy mô dữ liệu lớn cần thiết để huấn luyện các mạng nơ-ron phức tạp. Với các nhà nghiên cứu và nhà phát triển trong lĩnh vực thị giác máy tính, ImageNet là benchmark tiêu chuẩn để đánh giá hiệu năng thuật toán, đặc biệt trong các tác vụ như phân loại ảnh và định vị đối tượng.

Thử thách ImageNet và sự trỗi dậy của CNN#

Tập dữ liệu này trở nên nổi tiếng toàn cầu nhờ Thử thách nhận dạng hình ảnh quy mô lớn ImageNet (ILSVRC), cuộc thi thường niên được tổ chức từ năm 2010 đến năm 2017. Cuộc thi yêu cầu các thuật toán phân loại hình ảnh vào một trong 1.000 danh mục với độ chính xác cao. Một bước ngoặt lịch sử diễn ra năm 2012, khi kiến trúc mạng neural tích chập (CNN) mang tên AlexNet đạt tỷ lệ lỗi thấp hơn đáng kể so với các đối thủ. Chiến thắng này chứng minh ưu thế của mạng neural sâu so với các phương pháp trích xuất đặc trưng truyền thống, qua đó mở đầu kỷ nguyên AI hiện nay. Ngày nay, các kiến trúc tiên tiến như Ultralytics YOLO26 tiếp tục phát triển dựa trên những nguyên lý nền tảng được xác lập trong các thử thách này.

Vai trò của pre-training và transfer learning#

Một trong những đóng góp quan trọng nhất của ImageNet là vai trò trong transfer learning. Huấn luyện mạng neural sâu từ đầu đòi hỏi tài nguyên tính toán khổng lồ và lượng lớn dữ liệu huấn luyện. Để tránh yêu cầu này, nhà phát triển thường sử dụng “model đã huấn luyện trước”—những mạng đã học cách trích xuất các biểu diễn đặc trưng phong phú từ ImageNet.

Khi được huấn luyện trước trên ImageNet, model học cách nhận diện các yếu tố thị giác cơ bản như cạnh, kết cấu và hình dạng. Sau đó, có thể fine-tune trọng số model đã học trên một dataset nhỏ hơn, chuyên biệt cho tác vụ khác. Quy trình này giúp rút ngắn đáng kể chu kỳ phát triển và cải thiện hiệu năng, đặc biệt khi sử dụng các công cụ như Ultralytics Platform để huấn luyện model tùy chỉnh.

Ứng dụng thực tế#

Ảnh hưởng của ImageNet vượt xa nghiên cứu học thuật, lan rộng đến các hệ thống AI thiết thực được sử dụng hằng ngày:

• Thanh toán bán lẻ tự động: Các hệ thống tự động nhận diện nông sản hoặc sản phẩm tại quầy tự thanh toán dựa vào khả năng phân loại được cải thiện nhờ những tập dữ liệu khổng lồ như ImageNet. Bằng cách phân biệt các mặt hàng có hình thức tương tự (ví dụ: các loại táo khác nhau), những hệ thống này giúp tối ưu hóa AI trong bán lẻ.
• Kiểm duyệt nội dung: Các nền tảng mạng xã hội sử dụng nhận diện hình ảnh để tự động quét hàng triệu hình ảnh được tải lên nhằm tìm nội dung không phù hợp. Khả năng cốt lõi nhận diện đối tượng và cảnh thường bắt nguồn từ các backbone được huấn luyện ban đầu trên các danh mục ImageNet.

ImageNet so với COCO và CIFAR-10#

Dù ImageNet là tiêu chuẩn vàng cho tác vụ phân loại, cần phân biệt ImageNet với các tập dữ liệu phổ biến khác:

• ImageNet so với COCO: Tập dữ liệu COCO (các đối tượng phổ biến trong bối cảnh) là benchmark chính cho phát hiện đối tượng và phân đoạn. ImageNet tập trung vào câu hỏi hình ảnh có “gì” (phân loại), còn COCO tập trung vào “vị trí” của đối tượng và ranh giới chính xác của chúng.
• ImageNet so với CIFAR-10: CIFAR-10 là tập dữ liệu nhỏ hơn nhiều, gồm các hình ảnh kích thước 32x32 pixel. Tập dữ liệu này thường được dùng để tạo mẫu nhanh hoặc phục vụ mục đích giáo dục, trong khi ImageNet là thử thách độ phân giải cao, cấp độ chuyên nghiệp dành cho các model sẵn sàng đưa vào production.

Sử dụng model đã huấn luyện trước trên ImageNet#

Các framework AI hiện đại cho phép người dùng dễ dàng tận dụng quá trình huấn luyện trước trên ImageNet. Ví dụ dưới đây minh họa cách tải model phân loại YOLO26 được huấn luyện trước trên ImageNet để phân loại ảnh.

from ultralytics import YOLO

# Load a YOLO26 classification model pre-trained on ImageNet
model = YOLO("yolo26n-cls.pt")

# Perform inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Display the top prediction class name
print(f"Top Class: {results[0].names[results[0].probs.top1]}")

Đoạn mã này sử dụng model yolo26n-cls.pt, đã học 1.000 danh mục ImageNet, nhờ đó có thể nhận diện ngay nội dung ảnh đầu vào mà không cần huấn luyện bổ sung.