ImageNet-1K est un sous-ensemble standardisé de la base de données visuelle ImageNet, contenant exactement 1 000 classes d'objets non chevauchantes. Il a été introduit comme référence de classification et de localisation pour le défi de reconnaissance visuelle à grande échelle ImageNet (ILSVRC), qui a débuté en 2010. Ce sous-ensemble a été dérivé de la base de données ImageNet plus vaste, qui contient plus de 14 millions d'images annotées manuellement réparties dans plus de 20 000 catégories, en sélectionnant une liste réduite de classes qui sont des noms comptables et visuellement distincts. ImageNet-1K est devenu un point de référence crucial dans le apprentissage automatique et le apprentissage profond, servant de banc d'essai principal pour les avancées dans les architectures de réseaux de neurones et les techniques d'entraînement durant les années 2010.
Les images du jeu de données proviennent d'URLs tierces et ne sont pas la propriété d'ImageNet lui-même. Chaque image est étiquetée avec un identifiant de classe unique, connu sous le nom d'identifiant WordNet (wnid), qui correspond à un synset dans la base de données lexicale WordNet. Les catégories couvrent une large gamme d'objets quotidiens, des animaux et plantes aux véhicules et articles ménagers, et incluent 120 classes de races de chiens à grain fin pour tester la discrimination subtile. Les images d'ImageNet-1K sont au format RGB avec des résolutions variables, généralement prétraitées à une taille fixe et normalisées avant d'être introduites dans les modèles.
Histoire et Création
La chercheuse en IA Fei-Fei Li a conçu le projet ImageNet en 2006, visant à déplacer l'attention de la recherche en IA des algorithmes vers les données à grande échelle. En 2007, elle a rencontré la professeure de Princeton Christiane Fellbaum, une créatrice de WordNet, et a décidé de construire le jeu de données en utilisant la hiérarchie des noms de WordNet comme colonne vertébrale. Le projet a commencé l'étiquetage en juillet 2008 en utilisant Amazon Mechanical Turk, avec 49 000 travailleurs de 167 pays filtrant plus de 160 millions d'images candidates. L'étiquetage s'est conclu en avril 2010, chaque image des 14 millions ayant été vérifiée trois fois.
Le plan initial envisageait 40 000 catégories avec 10 000 images chacune, mais des contraintes pratiques, y compris des vitesses de classification humaine d'environ 2 images par seconde, ont conduit à une portée réduite. La première présentation publique a été un poster à la conférence sur la vision par ordinateur et la reconnaissance de formes (CVPR) en Floride en 2009. En 2009, Alex Berg a suggéré d'ajouter la localisation d'objets, conduisant à une collaboration avec le concours PASCAL Visual Object Classes et au lancement de l'ILSVRC en 2010 avec 1 000 classes.
Rôle dans l'Apprentissage Profond
ImageNet-1K a gagné en importance le 30 septembre 2012, lorsqu'un réseau de neurones convolutif appelé AlexNet a atteint une erreur top-5 de 15,3 % dans le défi ImageNet 2012, soit plus de 10,8 points de pourcentage de mieux que le deuxième. Ce succès a été rendu possible par l'entraînement sur des unités de traitement graphique (GPU), un ingrédient clé de la révolution de l'apprentissage profond. Ce résultat a attiré l'attention dans toute l'industrie technologique, comme l'a noté The Economist.
Les années suivantes ont vu des progrès rapides. En 2015, le CNN très profond de Microsoft avec plus de 100 couches a remporté le concours ImageNet 2015 avec un taux d'erreur de 3,57 %. La performance humaine a été estimée par Andrej Karpathy en 2014 à environ 5,1 % avec un effort concentré, et potentiellement 2,4 % avec un effort maximal, indiquant que les modèles ont rapidement approché ou dépassé la classification de niveau humain sur ce banc d'essai. ImageNet-1K est devenu l'ensemble d'évaluation standard pour des innovations telles que les architectures de réseaux résiduels, la normalisation par lots et les techniques de augmentation de données.
Structure du Jeu de Données
Les catégories d'ImageNet-1K sont filtrées à partir de WordNet 3.0, qui contient plus de 80 000 synsets de noms. Le processus de sélection a retenu 21 841 synsets pour l'ImageNet complet, et le sous-ensemble de 1 000 classes a été choisi pour l'ILSVRC. Chaque synset a un wnid unique, comme « n02084071 » pour « chien, chien domestique, Canis familiaris ». Les catégories sont organisées dans une hiérarchie de 9 niveaux, allant de concepts larges comme « mammifère » à des races spécifiques comme « berger allemand ».
Les images ont été extraites de moteurs de recherche en ligne, y compris Google, Picsearch, MSN, Yahoo et Flickr, en utilisant des synonymes dans plusieurs langues. Par exemple, la catégorie du berger allemand a utilisé des requêtes telles que « Alsatian » et « pastore tedesco ». Les résolutions varient considérablement, de 4288 x 2848 à 75 x 56 pixels dans la catégorie des poissons. En pratique, les images sont redimensionnées à une résolution constante et blanchies ; par exemple, PyTorch normalise en divisant les valeurs de pixels à [0,1], en soustrayant la moyenne [0,485, 0,456, 0,406], et en divisant par l'écart type [0,229, 0,224, 0,225].
Annotations et Utilisation
Chaque image d'ImageNet-1K porte une étiquette de classe unique. L'ImageNet complet fournit également des annotations de boîtes englobantes pour environ 1 million d'images réparties dans environ 3 000 synsets populaires, permettant des tâches de localisation d'objets. Des caractéristiques SIFT denses ont été publiées pour le sous-ensemble de 1 000 classes, conçues pour les approches de sac de mots visuels, bien que celles-ci soient devenues moins courantes avec l'essor de l'apprentissage profond.
Selon le résumé de 2010, ImageNet comptait 21 841 synsets non vides, 14 197 122 images et 1 034 908 images avec boîtes englobantes. Les annotations du jeu de données sont librement disponibles, mais les images elles-mêmes ne sont pas la propriété d'ImageNet. ImageNet-1K reste largement utilisé pour le pré-entraînement et l'évaluation comparative dans l'intelligence artificielle, malgré l'émergence de jeux de données plus grands et de bancs d'essai alternatifs.
Héritage et Impact
Le succès d'AlexNet sur ImageNet-1K a catalysé l'essor de l'apprentissage profond, influençant des domaines au-delà de la vision par ordinateur, y compris le traitement du langage naturel et le développement des grands modèles de langage. Les métriques claires du banc d'essai et sa grande échelle en ont fait une norme pour comparer les architectures de modèles, les méthodes d'entraînement et l'efficacité matérielle. Cependant, des préoccupations concernant le bruit d'annotation et la nature statique du jeu de données ont conduit à des critiques, et certains chercheurs ont proposé de nouveaux bancs d'essai. Néanmoins, ImageNet-1K reste une ressource fondamentale dans la recherche et l'éducation en apprentissage automatique.