CelebA, abréviation de CelebFaces Attributes Dataset, est un ensemble de données de visages à grande échelle introduit en 2015 par des chercheurs de l'Université chinoise de Hong Kong. Il contient 202 599 images de visages de 10 177 identités de célébrités uniques, chaque image étant annotée avec 40 étiquettes d'attributs binaires telles que « Souriant », « Lunettes », « Homme » et « Jeune ». L'ensemble de données a été créé pour soutenir la recherche en reconnaissance d'attributs faciaux, en détection de visages et en génération de visages, et il est devenu une référence standard dans les domaines du apprentissage automatique et du apprentissage profond.
Les images de CelebA proviennent de photographies de célébrités collectées sur Internet, puis alignées et recadrées pour se concentrer sur la région du visage. Les annotations ont été produites grâce à une combinaison d'étiquetage automatisé et de vérification humaine, garantissant une grande cohérence entre les 40 attributs. L'ensemble de données est divisé en trois partitions : 162 770 images pour l'entraînement, 19 867 pour la validation et 19 962 pour les tests, une répartition standard qui facilite des comparaisons reproductibles entre différents modèles.
Prédiction et reconnaissance d'attributs
CelebA est le plus souvent utilisé pour les tâches de prédiction d'attributs, où un modèle doit classer un ou plusieurs des 40 attributs binaires à partir d'une image de visage. Cette tâche a stimulé les avancées dans les architectures de réseaux de neurones, en particulier les réseaux de neurones convolutifs (CNN), qui ont atteint une haute précision sur cette référence. L'ensemble de données prend également en charge l'apprentissage multitâche, où un seul modèle prédit tous les attributs simultanément, une approche courante dans les systèmes modernes d'analyse faciale. Les chercheurs utilisent souvent CelebA pour évaluer la généralisation à travers des données démographiques diverses, car les identités de célébrités couvrent une large gamme d'âges, d'ethnies et d'expressions faciales.
Génération et synthèse de visages
Au-delà de la classification, CelebA est devenu un ensemble de données fondamental pour les modèles génératifs. Il est fréquemment utilisé pour entraîner des réseaux antagonistes génératifs (GAN) et des autoencodeurs variationnels (VAE) afin de produire des visages synthétiques réalistes. Les étiquettes d'attributs de l'ensemble de données permettent une génération conditionnelle, où un modèle peut générer un visage avec des traits spécifiques, comme ajouter un sourire ou changer la couleur des cheveux. Cette capacité a été essentielle pour faire progresser les techniques de IA générative, y compris le transfert de style et l'édition de visages. De nombreux articles fondateurs sur les GAN, y compris ceux sur la croissance progressive et les architectures basées sur le style, ont utilisé CelebA comme ensemble de données d'évaluation principal.
Référencement et évaluation
CelebA sert de référence standard pour comparer les performances de différents modèles d'intelligence artificielle. Sa grande taille et ses annotations riches permettent des tests rigoureux d'algorithmes en reconnaissance faciale, en détection de points de repère et en édition d'attributs. L'ensemble de données est souvent associé à des métriques telles que la précision de classification, le score F1 et la distance de Fréchet Inception (FID) pour les images générées. En raison de son adoption généralisée, les résultats sur CelebA sont directement comparables entre les études, ce qui en fait une norme de facto dans la communauté de la vision par ordinateur. L'ensemble de données a également été utilisé pour étudier l'équité et les biais dans les systèmes d'analyse faciale, car les étiquettes d'attributs peuvent révéler des disparités démographiques dans les performances des modèles.
Détails techniques et accès
L'ensemble de données est distribué sous forme d'images alignées et recadrées, chacune de 178x218 pixels, accompagnées d'un fichier texte listant les annotations d'attributs. La version originale inclut également les emplacements des points de repère pour chaque visage, bien que ceux-ci soient moins couramment utilisés dans les applications modernes. CelebA est disponible publiquement pour la recherche académique, et sa popularité a conduit à son intégration dans des frameworks majeurs comme PyTorch et TensorFlow, qui fournissent des chargeurs de données intégrés pour cet ensemble de données. Les créateurs de l'ensemble de données ont également publié un ensemble compagnon, CelebA-HQ, qui fournit des versions à plus haute résolution des images (jusqu'à 1024x1024) pour des tâches nécessitant un niveau de détail plus fin.
Impact et limites
CelebA a eu un impact significatif sur le développement des technologies d'analyse faciale, influençant tout, des filtres de médias sociaux aux systèmes de sécurité. Cependant, il présente également des limites connues. L'ensemble de données est biaisé vers les visages de célébrités, qui peuvent ne pas représenter la population générale, et les étiquettes d'attributs binaires peuvent simplifier à l'excès des caractéristiques faciales complexes. De plus, les images sont de résolution relativement faible, ce qui peut limiter les performances sur des tâches nécessitant des détails fins. Malgré ces problèmes, CelebA reste une ressource largement utilisée, et sa conception a inspiré des ensembles de données ultérieurs comme FFHQ et VGGFace2. En 2025, il continue d'être un point de référence standard pour évaluer de nouvelles méthodes dans la recherche en apprentissage profond liée aux visages.