ImageNet é um conjunto de dados em larga escala de imagens rotuladas, organizado de acordo com a hierarquia de substantivos da WordNet e, por extensão, o nome comumente dado à anualmente realizada ImageNet Large Scale Visual Recognition Challenge (ILSVRC), construída sobre ele. Criado por Fei-Fei Li e colegas em Princeton e Stanford a partir de 2006 e apresentado pela primeira vez em 2009, o dataset eventualmente cresceu para aproximadamente 14 milhões de imagens cobrindo mais de 20.000 categorias, com o subconjunto da ILSVRC usado nas competições abrangendo 1.000 classes de objetos. A ImageNet é amplamente creditada por fornecer a escala de dados necessária para tornar os métodos de aprendizado profundo práticos para a visão computacional, e sua competição de 2012 é frequentemente citada como o momento que desencadeou o ressurgimento moderno do campo.
História
Fei-Fei Li iniciou o projeto ImageNet a partir da convicção de que o progresso no reconhecimento visual era limitado menos pelos algoritmos do que pela ausência de um dataset suficientemente grande, diverso e bem rotulado. Trabalhando a partir do banco de dados lexical da WordNet, a equipe se propôs a coletar imagens para cada synset de substantivos, usando busca de imagens na web para reunir candidatos e crowdsourcing por meio da Amazon Mechanical Turk para verificar os rótulos. O dataset completo foi apresentado na Conferência IEEE de 2009 sobre Visão Computacional e Reconhecimento de Padrões, e a competição da ILSVRC foi lançada no ano seguinte, colocando equipes de pesquisa contra si mesmas em tarefas de classificação e detecção em um subconjunto de dados mantidos separado, com aproximadamente 1,2 milhões de imagens de treinamento.
A avanço de 2012
A ILSVRC de 2012 é o momento mais conhecido do dataset. Uma rede neural convolucional submetida por Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton, posteriormente chamada de AlexNet, reduziu a taxa de erro top-5 da competição de cerca de 26 por cento para aproximadamente 15 por cento, uma margem muito superior a qualquer melhoria anual anterior. O resultado dependia do treinamento de uma rede profunda na escala de dados rotulados da ImageNet usando hardware de GPU, e é descrito em mais detalhes no artigo sobre o evento ILSVRC-2012. A vitória convenceu grande parte da comunidade de visão computacional, que preferia características projetadas manualmente e outros métodos de aprendizado de máquina, que as redes neurais profundas treinadas em datasets rotulados em larga escala podiam superar abordagens anteriores por ampla margem.
Legado e impacto
Após 2012, os vencedores da ILSVRC eram redes profundas quase todos os anos, com arquiteturas como VGG, GoogLeNet e ResNet reduzindo progressivamente a taxa de erro top-5 para abaixo de 5 por cento até 2015, um valor inferior ao erro tipicamente atribuído a anotadores humanos na mesma tarefa. O pré-treinamento com a ImageNet também se tornou uma técnica padrão: modelos treinados para classificação na ImageNet eram reutilizados como extratores de recursos ou pontos de partida para ajuste fino em outras tarefas de visão, um exemplo em larga escala inicial de aprendizado por transferência. O papel do dataset como AI benchmark comum permitiu comparar arquiteturas sob condições consistentes, uma prática que os benchmarks posteriores para modelos de linguagem e raciocínio herdaram. A competição em si foi realizada até 2017, quando os organizadores julgaram que as taxas de erro haviam saturado próximo ao limite prático do ruído das próprias anotações.
Críticas
A ImageNet também tem chamado atenção como um exemplo dos problemas inerentes aos dados de treinamento coletados em larga escala por raspagem de tela. Pesquisadores descobriram que algumas categorias fora de objetos no conjunto completo de 14 milhões de imagens, particularmente no ramo do "pessoa" herdado da WordNet, continham rótulos ofensivos ou inadequados, levando a equipe da ImageNet a remover ou borrar grandes porções desse ramo em 2019. O episódio se tornou um estudo de caso frequentemente citado nas discussões sobre viés algorítmico e na dificuldade de curar datasets em escala da internet de modo responsável, antecipando debates semelhantes sobre os corporações de texto e imagem usados para pré-treinar modelos generativos subsequentes deima.