ImageNet

ImageNet 是一个庞大的、被广泛引用的视觉数据库，设计用于视觉对象识别软件研究。 它包含 1400 多万张经过人工标注的图像，标明了图像中的物体，并在 100 多万张图像中标明了物体的位置和边界框。 万张图像中，物体的位置都有边界框。根据 WordNet 层次结构，ImageNet 将图像映射到特定概念或 "同义词集"，使其成为训练和评估计算机视觉 (CV) 模型的基础资源。 计算机视觉 (CV)模型的基础资源。其巨大的规模 和多样性使研究人员得以超越小规模实验，有效地开启了现代 深度学习（DL）时代。

视觉识别的演变

在ImageNet 之前，研究人员一直在为数据集太小而无法训练深度神经网络（NN 神经网络 (NN)而不会遇到 过拟合。由斯坦福大学视觉与学习实验室的研究人员创建的 斯坦福视觉与学习实验室的研究人员创建的ImageNet 解决了数据稀缺的问题。 它通过 ImageNet 大规模视觉识别挑战赛（ILSVRC）在全球范围内引起了广泛关注。 从 2010 年到 2017 年每年举办一次。

这一竞赛成为著名建筑设计的试验场。2012 年 AlexNet 架构在比赛中以显著优势胜出 赢得了比赛。 卷积神经网络（CNN）在比赛中大获全胜，证明了深度学习在图形处理器（GPU）上的可行性。 图形处理器（GPU）的可行性。 随后几年，更深入、更复杂的模型如 VGG和ResNet，它们 进一步降低了错误率，并在特定分类任务中超越了人类水平。

迁移学习和预培训

虽然ImageNet 是一个数据集，但它目前最实用的用途在于 迁移学习。训练一个深度神经网络 需要大量的 训练数据和计算能力。相反、 开发人员通常会使用已经在ImageNet 上 "预训练 "过的模型。

由于ImageNet 涵盖了 20,000 多种类别（从狗的品种到家居用品），因此在ImageNet 上训练的模型可以 学习丰富的高级特征表征。这些学习到的特征是 新模型的强大支柱。通过 微调这些预训练的权重，开发人员可以 在他们特定的自定义数据集上实现高准确率 用更少的图像。

实际应用

ImageNet 的影响力几乎扩展到所有使用人工智能（AI）的行业。 人工智能 (AI) 的每个行业。

1. 医疗诊断：在 在医学图像分析中，标记数据 标注数据往往稀缺且获取成本高昂。研究人员使用在ImageNet 上预先训练的模型来识别一般形状和纹理，然后对ImageNet 进行微调，以检测 X 光片中的肿瘤或骨折。 纹理，然后对其进行微调，以detect X 射线中的肿瘤或骨折。这种方法加快了 医疗保健工具中的救生人工智能。
2. 智能零售系统：自动结账系统需要识别数千种产品。而不是 工程师利用ImageNet分类器来识别基本的产品形状和品牌。 基本的产品形状和品牌。这样就能快速 模型部署，从而在零售库存管理中实现高效的 人工智能在零售库存管理中的应用。

使用ImageNet 预训练模型

开发人员可以使用Ultralytics 库轻松访问在ImageNet 上预先训练好的模型。以下示例 演示了如何加载 YOLO11分类模型、 并用它预测ImageNet 的类别。

from ultralytics import YOLO

# Load a YOLO11 classification model pre-trained on ImageNet
model = YOLO("yolo11n-cls.pt")

# Run inference on an image (e.g., a picture of a goldfish or bus)
# The model will output the top ImageNet classes and probabilities
results = model("https://ultralytics.com/images/bus.jpg")

# Print the top predicted class name
print(f"Prediction: {results[0].names[results[0].probs.top1]}")

ImageNet 与COCO

将ImageNet 与 COCO （上下文中的常见对象）数据集。

• ImageNet主要是一个 图像分类的基准，其目标是 目标是为整幅图像分配一个标签（如 "虎斑猫"）。注释的重点是 图像中的内容。
• COCO是 对象检测和 实例分割的标准基准。它包含较少的 但可提供复杂的注释，包括 边界框和像素掩码的复杂注释。 每个图像中的多个对象提供复杂的注释，重点关注对象的位置。

ImageNet 用于教模型 "如何看"，而COCO 等数据集则用于教它们如何在复杂场景中定位和分离物体。 和分离复杂场景中的物体。通常情况下，模型的编码器先在ImageNet 上进行预训练，然后再在 COCO 上进行检测任务的训练。 COCO 进行检测任务。