ImageNet-1K ist eine standardisierte Teilmenge der visuellen Datenbank ImageNet, die genau 1.000 nicht überlappende Objektklassen enthält. Sie wurde als Benchmark für Klassifikation und Lokalisierung für die ImageNet Large Scale Visual Recognition Challenge (ILSVRC) eingeführt, die 2010 begann. Die Teilmenge wurde aus dem größeren ImageNet-Datensatz abgeleitet, der über 14 Millionen handannotierte Bilder in mehr als 20.000 Kategorien umfasst, indem eine bereinigte Liste von Klassen ausgewählt wurde, die zählbare Substantive und visuell unterscheidbar sind. ImageNet-1K wurde zu einem kritischen Referenzpunkt im maschinellen Lernen und Deep Learning und diente in den 2010er-Jahren als primäre Testumgebung für Fortschritte bei neuronalen Netzwerkarchitekturen und Trainingstechniken.
Die Bilder des Datensatzes stammen von URLs Dritter und gehören nicht ImageNet selbst. Jedes Bild ist mit genau einer Klassenkennung versehen, die als WordNet-ID (wnid) bekannt ist und einem Synset in der lexikalischen Datenbank WordNet entspricht. Die Kategorien umfassen eine breite Palette alltäglicher Objekte, von Tieren und Pflanzen über Fahrzeuge bis hin zu Haushaltsgegenständen, und enthalten 120 feinkörnige Hunderassenklassen, um subtile Unterscheidungen zu testen. ImageNet-1K-Bilder liegen im RGB-Format mit unterschiedlichen Auflösungen vor und werden typischerweise auf eine feste Größe vorverarbeitet und normalisiert, bevor sie in Modelle eingespeist werden.
Geschichte und Entstehung
Der KI-Forscher Fei-Fei Li konzipierte das ImageNet-Projekt 2006 mit dem Ziel, den Fokus der KI-Forschung von Algorithmen auf große Datenmengen zu verlagern. 2007 traf sie die Princeton-Professorin Christiane Fellbaum, eine WordNet-Erstellerin, und beschloss, den Datensatz unter Verwendung der Wortnetz-Nomenhierarchie als Rückgrat aufzubauen. Das Projekt begann im Juli 2008 mit der Beschriftung über Amazon Mechanical Turk, wobei 49.000 Arbeiter aus 167 Ländern über 160 Millionen Kandidatenbilder filterten. Die Beschriftung wurde im April 2010 abgeschlossen, wobei jedes der 14 Millionen Bilder dreimal verifiziert wurde.
Der ursprüngliche Plan sah 40.000 Kategorien mit je 10.000 Bildern vor, aber praktische Einschränkungen, einschließlich menschlicher Klassifikationsgeschwindigkeiten von etwa 2 Bildern pro Sekunde, führten zu einem reduzierten Umfang. Die erste öffentliche Präsentation war ein Poster auf der Conference on Computer Vision and Pattern Recognition (CVPR) 2009 in Florida. 2009 schlug Alex Berg vor, Objektlokalisierung hinzuzufügen, was zu einer Zusammenarbeit mit dem PASCAL Visual Object Classes-Wettbewerb und dem Start von ILSVRC 2010 mit 1.000 Klassen führte.
Rolle im Deep Learning
ImageNet-1K erlangte am 30. September 2012 Bekanntheit, als ein convolutional neural network namens AlexNet einen Top-5-Fehler von 15,3 % in der ImageNet-2012-Challenge erzielte, über 10,8 Prozentpunkte besser als der Zweitplatzierte. Dieser Erfolg wurde durch das Training auf Grafikprozessoren (GPUs) ermöglicht, einem Schlüsselelement der Deep-Learning-Revolution. Das Ergebnis zog in der gesamten Technologiebranche Aufmerksamkeit auf sich, wie The Economist anmerkte.
In den folgenden Jahren gab es rasche Fortschritte. 2015 gewann das sehr tiefe CNN von Microsoft mit über 100 Schichten den ImageNet-2015-Wettbewerb mit einer Fehlerrate von 3,57 %. Die menschliche Leistung wurde von Andrej Karpathy 2014 auf etwa 5,1 % bei konzentrierter Anstrengung und potenziell 2,4 % bei maximaler Anstrengung geschätzt, was darauf hindeutet, dass Modelle bald die menschliche Klassifikationsleistung auf diesem Benchmark erreichten oder übertrafen. ImageNet-1K wurde zum Standard-Bewertungsset für Innovationen wie Residualnetzwerkarchitekturen, Batch-Normalisierung und Datenanreicherungstechniken.
Datenstruktur
ImageNet-1K-Kategorien werden aus WordNet 3.0 gefiltert, das über 80.000 Nomen-Synsets enthält. Der Auswahlprozess behielt 21.841 Synsets für das vollständige ImageNet bei, und die Teilmenge mit 1.000 Klassen wurde für ILSVRC ausgewählt. Jedes Synset hat eine eindeutige wnid, wie "n02084071" für "Hund, Haushund, Canis familiaris". Die Kategorien sind in einer Hierarchie von 9 Ebenen organisiert, von breiten Konzepten wie "Säugetier" bis zu spezifischen Rassen wie "Deutscher Schäferhund".
Die Bilder wurden mit Synonymen in mehreren Sprachen von Online-Suchmaschinen wie Google, Picsearch, MSN, Yahoo und Flickr gesammelt. Beispielsweise verwendete die Kategorie Deutscher Schäferhund Suchanfragen wie "Alsatian" und "pastore tedesco". Die Auflösungen variieren stark, von 4288 x 2848 bis 75 x 56 Pixel in der Fischkategorie. In der Praxis werden Bilder auf eine konstante Auflösung skaliert und gebleicht; beispielsweise normalisiert PyTorch, indem Pixelwerte auf [0,1] geteilt, der Mittelwert [0,485, 0,456, 0,406] subtrahiert und durch die Standardabweichung [0,229, 0,224, 0,225] dividiert wird.
Annotationen und Verwendung
Jedes ImageNet-1K-Bild trägt ein einzelnes Klassenlabel. Das vollständige ImageNet bietet auch Bounding-Box-Annotationen für etwa 1 Million Bilder in rund 3.000 beliebten Synsets, was Objektlokalisierungsaufgaben ermöglicht. Dichte SIFT-Merkmale wurden für die Teilmenge mit 1.000 Klassen veröffentlicht, die für Bag-of-Visual-Words-Ansätze entwickelt wurden, obwohl diese mit dem Aufstieg des Deep Learning weniger verbreitet wurden.
Stand der Zusammenfassung von 2010 hatte ImageNet 21.841 nicht leere Synsets, 14.197.122 Bilder und 1.034.908 Bilder mit Bounding-Boxen. Die Annotationen des Datensatzes sind frei verfügbar, aber die Bilder selbst gehören nicht ImageNet. ImageNet-1K bleibt trotz der Entstehung größerer Datensätze und alternativer Benchmarks weit verbreitet für Vortraining und Benchmarking in der künstlichen Intelligenz.
Vermächtnis und Auswirkungen
Der Erfolg von AlexNet auf ImageNet-1K katalysierte den Deep-Learning-Boom und beeinflusste Bereiche über die Computer Vision hinaus, einschließlich der Entwicklung von natürlicher Sprachverarbeitung und großen Sprachmodellen. Der klare Maßstab und der große Umfang des Benchmarks machten ihn zum Standard für den Vergleich von Modellarchitekturen, Trainingsmethoden und Hardwareeffizienz. Bedenken hinsichtlich Annotationsrauschen und der statischen Natur des Datensatzes haben jedoch zu Kritik geführt, und einige Forscher haben neuere Benchmarks vorgeschlagen. Dennoch bleibt ImageNet-1K eine grundlegende Ressource in der maschinellen Lernforschung und -bildung.