ImageNet

ImageNet là một cơ sở dữ liệu gồm hơn 14 triệu ảnh, mỗi ảnh được gán một trong 21.841 khái niệm danh từ thuộc hệ phân cấp từ vựng WordNet. Cơ sở dữ liệu này do nhóm của Fei-Fei Li tại Princeton và Stanford xây dựng, được giới thiệu năm 2009. Trong cách dùng thông thường, "ImageNet" thường chỉ ImageNet-1k, dataset 1.000 lớp của Thử thách Nhận dạng Hình ảnh Quy mô Lớn ImageNet năm 2012 (ILSVRC), gồm 1.281.167 ảnh huấn luyện, 50.000 ảnh validation và 100.000 ảnh test. ImageNet-1k là dataset benchmark tiêu chuẩn cho phân loại ảnh, và các mạng được huấn luyện trên dataset này thường là điểm khởi đầu cho transfer learning trong thị giác máy tính.

Cách tổ chức ImageNet#

Mỗi khái niệm WordNet, gọi là synset, tập hợp các từ dùng để gọi tên khái niệm đó và thuộc về những khái niệm tổng quát hơn; chẳng hạn golden retriever thuộc nhóm chó, còn chó thuộc nhóm động vật. Nhóm ImageNet tìm các ảnh ứng viên cho từng synset bằng cách tìm kiếm ảnh trên web và yêu cầu nhân viên Amazon Mechanical Turk xác minh từng ảnh, với mục tiêu có từ 500 đến 1.000 ảnh rõ ràng cho mỗi khái niệm. ImageNet-1k giữ lại 1.000 synset, phần lớn là các nút lá chi tiết trong hệ phân cấp thay vì danh mục rộng: 118 lớp là giống chó, vì vậy model phải phân biệt Siberian Husky với Alaskan Malamute cũng như phân biệt xe buýt trường học với chim vàng anh. Bản phát hành đầy đủ gồm cả 21.841 synset được gọi là ImageNet-21k hoặc ImageNet-22k, chủ yếu dùng để pretrain quy mô lớn.

Thử thách ILSVRC và AlexNet#

ILSVRC diễn ra hằng năm từ 2010 đến 2017 và xếp hạng các model phân loại dựa trên lỗi top-5, tức tỷ lệ ảnh test mà lớp thực tế không nằm trong năm dự đoán có điểm cao nhất của model. Độ chính xác top-1, chỉ tính dự đoán tốt nhất, trở thành chỉ số phổ biến hơn khi model được cải thiện. Năm 2012, AlexNet, một mạng nơ-ron tích chập (CNN) có 60 triệu tham số, được huấn luyện trên hai GPU, đã giành chiến thắng với lỗi top-5 là 15,3%, so với 26,2% của model đứng thứ hai vốn dựa vào đặc trưng được thiết kế thủ công. Khoảng cách đó khiến nghiên cứu thị giác máy tính chuyển hướng sang deep learning. Các model chiến thắng sau đó tiếp tục giảm lỗi; năm 2015, một tổ hợp model gồm mạng dư (ResNet) đạt mức 3,57%, thấp hơn lỗi top-5 5,1% của người gán nhãn được huấn luyện, theo bài báo ILSVRC.

Pretrain và transfer learning#

Mạng được huấn luyện trên ImageNet-1k học được đặc trưng thị giác tổng quát ở các lớp đầu, chẳng hạn cạnh, kết cấu và hình dạng đơn giản, cùng các đặc trưng đặc thù đối tượng hơn ở những lớp sau. Tái sử dụng các trọng số đó làm backbone rồi fine-tune trên dataset nhỏ hơn giúp hội tụ nhanh hơn và đạt độ chính xác cao hơn so với huấn luyện từ trọng số ngẫu nhiên; mức cải thiện lớn nhất xuất hiện khi có ít ảnh được gán nhãn. Các model phân loại YOLO26 được huấn luyện trên ImageNet-1k ở kích thước 224 pixel, đạt độ chính xác validation top-1 từ 71,4% với YOLO26n-cls đến 79,9% với YOLO26x-cls; khi huấn luyện trên dataset tùy chỉnh, lớp đầu ra 1.000 lớp được thay bằng lớp có kích thước phù hợp với các lớp mới.

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 chấm điểm cho cả 1.000 lớp, và vòng lặp in ra năm lớp có điểm cao nhất — cùng danh sách top-5 mà chỉ số lỗi ILSVRC đối chiếu với nhãn thực.

Các model thị giác lớn nhất hiện được tiền huấn luyện trên những tập dữ liệu lớn hơn và nhiễu hơn nhiều, chẳng hạn 400 triệu cặp ảnh-văn bản dùng để huấn luyện CLIP. Tuy vậy, ImageNet-1k vẫn là phép thử tiêu chuẩn để đánh giá chất lượng đặc trưng đã học của chúng, thông qua tinh chỉnh, phân loại zero-shot hoặc linear probing, phương pháp chỉ huấn luyện một bộ phân loại tuyến tính trên các đặc trưng đã được đóng băng.

Hạn chế và các bộ dữ liệu tiếp nối#

• Lỗi nhãn: Ít nhất 6% nhãn trong tập xác thực ImageNet-1k bị sai, và nhiều ảnh chứa nhiều đối tượng nhưng chỉ có một nhãn. Bộ nhãn ReaL đã gán nhãn lại tập xác thực, liệt kê mọi lớp phù hợp trong từng ảnh.
• ImageNetV2: Một tập kiểm thử mới được thu thập bằng cách lặp lại quy trình ban đầu. Độ chính xác của model giảm từ 11% đến 14% trên tập này, dù thứ hạng gần như không đổi; các tác giả cho rằng mức giảm là do ảnh khó hơn đôi chút, chứ không phải do nhiều năm tái sử dụng tập kiểm thử gốc.
• Quyền riêng tư và tính công bằng: Năm 2019, nhóm ImageNet đã lọc 2.702 synset khỏi nhánh phân cấp về người trong toàn bộ tập dữ liệu; năm 2021, nhóm phát hành phiên bản dữ liệu ILSVRC đã làm mờ khuôn mặt, chỉ gây giảm nhẹ độ chính xác. Việc lọc nhánh phân cấp về người không ảnh hưởng đến 1.000 lớp ILSVRC.
• Điều khoản truy cập: ImageNet không sở hữu bản quyền hình ảnh và chỉ cấp quyền truy cập cho mục đích nghiên cứu phi thương mại và giáo dục. Tổng dung lượng ảnh huấn luyện và xác thực của ImageNet-1k vào khoảng 144 GB.

ImageNet và các bộ dữ liệu liên quan#

• COCO: Cung cấp bounding box, mask và keypoint cho 80 danh mục đối tượng, với nhiều đối tượng được gán nhãn trong mỗi ảnh; đây là benchmark tiêu chuẩn cho phát hiện đối tượng và phân đoạn.
• CIFAR-10: Gồm 60.000 ảnh kích thước 32×32 pixel thuộc 10 lớp, đủ nhỏ để chạy các thử nghiệm huấn luyện trong vài phút trên một GPU.