CelebA, जिसे CelebFaces Attributes Dataset के नाम से भी जाना जाता है, एक बड़े पैमाने का चेहरा डेटासेट है जिसे 2015 में चीनी विश्वविद्यालय हांगकांग के शोधकर्ताओं द्वारा पेश किया गया था। इसमें 10,177 अद्वितीय सेलिब्रिटी पहचानों की 202,599 चेहरे की छवियां शामिल हैं, जिनमें प्रत्येक छवि को 40 बाइनरी विशेषता लेबल जैसे 'Smiling', 'Eyeglasses', 'Male', और 'Young' के साथ एनोटेट किया गया है। यह डेटासेट चेहरे की विशेषता पहचान, चेहरे का पता लगाने, और चेहरे के निर्माण में अनुसंधान का समर्थन करने के लिए बनाया गया था, और यह मशीन-लर्निंग और डीप-लर्निंग के क्षेत्रों में एक मानक बेंचमार्क बन गया है।
CelebA की छवियां इंटरनेट से एकत्रित सेलिब्रिटी तस्वीरों से ली गई हैं, फिर उन्हें संरेखित और केंद्रित चेहरे के क्षेत्र में क्रॉप किया गया है। एनोटेशन स्वचालित लेबलिंग और मानव सत्यापन के संयोजन के माध्यम से उत्पन्न किए गए थे, जिससे 40 विशेषताओं में उच्च स्थिरता सुनिश्चित होती है। डेटासेट को तीन भागों में विभाजित किया गया है: प्रशिक्षण के लिए 162,770 छवियां, सत्यापन के लिए 19,867, और परीक्षण के लिए 19,962, जो एक मानक विभाजन है जो विभिन्न मॉडलों के बीच पुनरुत्पादनीय तुलना की सुविधा प्रदान करता है।
विशेषता भविष्यवाणी और पहचान
CelebA का उपयोग सबसे आम तौर पर विशेषता भविष्यवाणी कार्यों के लिए किया जाता है, जहां एक मॉडल को चेहरे की छवि से 40 बाइनरी विशेषताओं में से एक या अधिक को वर्गीकृत करना होता है। इस कार्य ने तंत्रिका-नेटवर्क वास्तुकलाओं में प्रगति को बढ़ावा दिया है, विशेष रूप से कन्वोल्यूशनल तंत्रिका नेटवर्क (CNNs), जिन्होंने बेंचमार्क पर उच्च सटीकता हासिल की है। डेटासेट मल्टी-टास्क लर्निंग का भी समर्थन करता है, जहां एक एकल मॉडल सभी विशेषताओं की एक साथ भविष्यवाणी करता है, जो आधुनिक चेहरे विश्लेषण प्रणालियों में एक सामान्य दृष्टिकोण है। शोधकर्ता अक्सर विविध जनसांख्यिकी में सामान्यीकरण का मूल्यांकन करने के लिए CelebA का उपयोग करते हैं, क्योंकि सेलिब्रिटी पहचानें उम्र, जातीयता, और चेहरे के भावों की एक विस्तृत श्रृंखला को कवर करती हैं।
चेहरा निर्माण और संश्लेषण
वर्गीकरण से परे, CelebA जनरेटिव मॉडल के लिए एक आधारभूत डेटासेट बन गया है। इसका उपयोग अक्सर यथार्थवादी सिंथेटिक चेहरे उत्पन्न करने के लिए जनरेटिव एडवर्सेरियल नेटवर्क (GANs) और वैरिएशनल ऑटोएन्कोडर (VAEs) को प्रशिक्षित करने के लिए किया जाता है। डेटासेट के विशेषता लेबल सशर्त निर्माण को सक्षम करते हैं, जहां एक मॉडल विशिष्ट लक्षणों वाला चेहरा उत्पन्न कर सकता है, जैसे मुस्कान जोड़ना या बालों का रंग बदलना। यह क्षमता जनरेटिव-एआई तकनीकों को आगे बढ़ाने में सहायक रही है, जिसमें शैली स्थानांतरण और चेहरा संपादन शामिल हैं। कई शुरुआती GAN पेपर, जिनमें प्रगतिशील विकास और शैली-आधारित वास्तुकलाओं पर काम शामिल है, ने CelebA को प्राथमिक मूल्यांकन डेटासेट के रूप में उपयोग किया।
बेंचमार्किंग और मूल्यांकन
CelebA विभिन्न कृत्रिम-बुद्धिमत्ता मॉडलों के प्रदर्शन की तुलना के लिए एक मानक बेंचमार्क के रूप में कार्य करता है। इसका बड़ा आकार और समृद्ध एनोटेशन चेहरे की पहचान, लैंडमार्क पहचान, और विशेषता संपादन में एल्गोरिदम के कठोर परीक्षण की अनुमति देते हैं। डेटासेट को अक्सर वर्गीकरण सटीकता, F1 स्कोर, और उत्पन्न छवियों के लिए फ्रेचेट इंसेप्शन दूरी (FID) जैसे मेट्रिक्स के साथ जोड़ा जाता है। इसके व्यापक अपनाने के कारण, CelebA पर परिणाम अध्ययनों के बीच सीधे तुलनीय हैं, जिससे यह कंप्यूटर विज़न समुदाय में एक वास्तविक मानक बन गया है। डेटासेट का उपयोग चेहरे विश्लेषण प्रणालियों में निष्पक्षता और पूर्वाग्रह का अध्ययन करने के लिए भी किया गया है, क्योंकि विशेषता लेबल मॉडल प्रदर्शन में जनसांख्यिकीय असमानताओं को प्रकट कर सकते हैं।
तकनीकी विवरण और पहुंच
डेटासेट को संरेखित और क्रॉप की गई छवियों के सेट के रूप में वितरित किया जाता है, प्रत्येक 178x218 पिक्सेल, साथ में विशेषता एनोटेशन सूचीबद्ध करने वाली एक टेक्स्ट फ़ाइल। मूल रिलीज़ में प्रत्येक चेहरे के लिए लैंडमार्क स्थान भी शामिल हैं, हालांकि आधुनिक अनुप्रयोगों में इनका उपयोग कम आम है। CelebA शैक्षणिक अनुसंधान के लिए सार्वजनिक रूप से उपलब्ध है, और इसकी लोकप्रियता ने PyTorch और TensorFlow जैसे प्रमुख फ्रेमवर्क में एकीकरण को जन्म दिया है, जो डेटासेट के लिए अंतर्निहित डेटा लोडर प्रदान करते हैं। डेटासेट के निर्माताओं ने एक साथी डेटासेट, CelebA-HQ भी जारी किया, जो बेहतर विवरण की आवश्यकता वाले कार्यों के लिए छवियों के उच्च-रिज़ॉल्यूशन संस्करण (1024x1024 तक) प्रदान करता है।
प्रभाव और सीमाएं
CelebA का चेहरे विश्लेषण प्रौद्योगिकियों के विकास पर महत्वपूर्ण प्रभाव पड़ा है, जो सोशल मीडिया फिल्टर से लेकर सुरक्षा प्रणालियों तक सब कुछ प्रभावित करता है। हालांकि, इसकी ज्ञात सीमाएं भी हैं। डेटासेट सेलिब्रिटी चेहरों की ओर पक्षपाती है, जो सामान्य आबादी का प्रतिनिधित्व नहीं कर सकता है, और बाइनरी विशेषता लेबल जटिल चेहरे की विशेषताओं को अति-सरल कर सकते हैं। इसके अतिरिक्त, छवियां अपेक्षाकृत कम-रिज़ॉल्यूशन हैं, जो बारीक विवरण की आवश्यकता वाले कार्यों पर प्रदर्शन को सीमित कर सकती हैं। इन मुद्दों के बावजूद, CelebA एक व्यापक रूप से उपयोग किया जाने वाला संसाधन बना हुआ है, और इसके डिज़ाइन ने FFHQ और VGGFace2 जैसे बाद के डेटासेट को प्रेरित किया है। 2025 तक, यह चेहरे से संबंधित डीप-लर्निंग अनुसंधान में नई विधियों के मूल्यांकन के लिए एक मानक संदर्भ बिंदु बना हुआ है।