CelebA, abreviação de CelebFaces Attributes Dataset, é um conjunto de dados de faces em larga escala introduzido em 2015 por pesquisadores da Universidade Chinesa de Hong Kong. Ele contém 202.599 imagens de rostos de 10.177 identidades de celebridades únicas, com cada imagem anotada com 40 rótulos de atributos binários, como 'Sorriso', 'Óculos', 'Masculino' e 'Jovem'. O conjunto de dados foi criado para apoiar pesquisas em reconhecimento de atributos faciais, detecção de faces e geração de faces, e se tornou um padrão de referência nos campos de aprendizado de máquina e aprendizado profundo.
As imagens no CelebA são provenientes de fotografias de celebridades coletadas da internet, depois alinhadas e recortadas para uma região facial centralizada. As anotações foram produzidas por meio de uma combinação de rotulagem automatizada e verificação humana, garantindo alta consistência entre os 40 atributos. O conjunto de dados é dividido em três partições: 162.770 imagens para treinamento, 19.867 para validação e 19.962 para teste, uma divisão padrão que facilita comparações reproduzíveis entre diferentes modelos.
Predição e Reconhecimento de Atributos
O CelebA é mais comumente usado para tarefas de predição de atributos, onde um modelo deve classificar um ou mais dos 40 atributos binários a partir de uma imagem facial. Essa tarefa impulsionou avanços em arquiteturas de redes neurais, particularmente redes neurais convolucionais (CNNs), que alcançaram alta precisão no benchmark. O conjunto de dados também suporta aprendizado multitarefa, onde um único modelo prevê todos os atributos simultaneamente, uma abordagem comum em sistemas modernos de análise facial. Pesquisadores frequentemente usam o CelebA para avaliar a generalização em diversos dados demográficos, pois as identidades de celebridades cobrem uma ampla gama de idades, etnias e expressões faciais.
Geração e Síntese de Faces
Além da classificação, o CelebA se tornou um conjunto de dados fundamental para modelos generativos. Ele é frequentemente usado para treinar redes adversárias generativas (GANs) e autoencoders variacionais (VAEs) para produzir faces sintéticas realistas. Os rótulos de atributos do conjunto de dados permitem geração condicional, onde um modelo pode gerar uma face com características específicas, como adicionar um sorriso ou mudar a cor do cabelo. Essa capacidade foi fundamental para avançar técnicas de IA generativa, incluindo transferência de estilo e edição de faces. Muitos artigos iniciais sobre GANs, incluindo aqueles sobre crescimento progressivo e arquiteturas baseadas em estilo, usaram o CelebA como conjunto de dados de avaliação primário.
Benchmarking e Avaliação
O CelebA serve como um benchmark padrão para comparar o desempenho de diferentes modelos de inteligência artificial. Seu grande tamanho e anotações ricas permitem testes rigorosos de algoritmos em reconhecimento facial, detecção de pontos de referência e edição de atributos. O conjunto de dados é frequentemente combinado com métricas como precisão de classificação, pontuação F1 e Distância de Fréchet Inception (FID) para imagens geradas. Devido à sua adoção generalizada, os resultados no CelebA são diretamente comparáveis entre estudos, tornando-o um padrão de fato na comunidade de visão computacional. O conjunto de dados também tem sido usado para estudar justiça e viés em sistemas de análise facial, pois os rótulos de atributos podem revelar disparidades demográficas no desempenho do modelo.
Detalhes Técnicos e Acesso
O conjunto de dados é distribuído como um conjunto de imagens alinhadas e recortadas, cada uma com 178x218 pixels, juntamente com um arquivo de texto listando as anotações de atributos. O lançamento original também inclui localizações de pontos de referência para cada face, embora essas sejam menos usadas em aplicações modernas. O CelebA está disponível publicamente para pesquisa acadêmica, e sua popularidade levou à integração em frameworks principais como PyTorch e TensorFlow, que fornecem carregadores de dados integrados para o conjunto de dados. Os criadores do conjunto de dados também lançaram um conjunto de dados complementar, CelebA-HQ, que fornece versões de maior resolução das imagens (até 1024x1024) para tarefas que exigem detalhes mais finos.
Impacto e Limitações
O CelebA teve um impacto significativo no desenvolvimento de tecnologias de análise facial, influenciando desde filtros de mídia social até sistemas de segurança. No entanto, também tem limitações conhecidas. O conjunto de dados é tendencioso em relação a rostos de celebridades, que podem não representar a população em geral, e os rótulos de atributos binários podem simplificar excessivamente características faciais complexas. Além disso, as imagens são de resolução relativamente baixa, o que pode limitar o desempenho em tarefas que exigem detalhes finos. Apesar desses problemas, o CelebA permanece um recurso amplamente usado, e seu design inspirou conjuntos de dados subsequentes como FFHQ e VGGFace2. A partir de 2025, ele continua sendo um ponto de referência padrão para avaliar novos métodos em pesquisa de aprendizado profundo relacionada a faces.