ImageNet-1K é um subconjunto padronizado do banco de dados visual ImageNet, contendo exatamente 1.000 classes de objetos não sobrepostas. Foi introduzido como o benchmark de classificação e localização para o ImageNet Large Scale Visual Recognition Challenge (ILSVRC), que começou em 2010. O subconjunto foi derivado do conjunto de dados ImageNet maior, que contém mais de 14 milhões de imagens anotadas manualmente em mais de 20.000 categorias, selecionando uma lista reduzida de classes que são substantivos contáveis e visualmente distintos. ImageNet-1K tornou-se um ponto de referência crítico em aprendizado de máquina e aprendizado profundo, servindo como o principal campo de testes para avanços em arquiteturas de redes neurais e técnicas de treinamento durante a década de 2010.
As imagens do conjunto de dados são provenientes de URLs de terceiros e não são de propriedade do ImageNet em si. Cada imagem é rotulada com exatamente um identificador de classe, conhecido como ID WordNet (wnid), que corresponde a um synset no banco de dados lexical WordNet. As categorias abrangem uma ampla gama de objetos do cotidiano, desde animais e plantas até veículos e itens domésticos, e incluem 120 classes de raças de cães de grão fino para testar discriminação sutil. As imagens do ImageNet-1K estão em formato RGB com resoluções variadas, tipicamente pré-processadas para um tamanho fixo e normalizadas antes de serem alimentadas em modelos.
História e Criação
A pesquisadora de IA Fei-Fei Li concebeu o projeto ImageNet em 2006, com o objetivo de mudar o foco da pesquisa em IA de algoritmos para dados em larga escala. Em 2007, ela se encontrou com a professora de Princeton Christiane Fellbaum, uma criadora do WordNet, e decidiu construir o conjunto de dados usando a hierarquia de substantivos do WordNet como espinha dorsal. O projeto começou a rotulagem em julho de 2008 usando o Amazon Mechanical Turk, com 49.000 trabalhadores de 167 países filtrando mais de 160 milhões de imagens candidatas. A rotulagem foi concluída em abril de 2010, com cada uma das 14 milhões de imagens verificada três vezes.
O plano original previa 40.000 categorias com 10.000 imagens cada, mas restrições práticas, incluindo velocidades de classificação humana de cerca de 2 imagens por segundo, levaram a um escopo reduzido. A primeira apresentação pública foi um pôster na Conferência sobre Visão Computacional e Reconhecimento de Padrões (CVPR) de 2009, na Flórida. Em 2009, Alex Berg sugeriu adicionar localização de objetos, levando a uma colaboração com o concurso PASCAL Visual Object Classes e ao lançamento do ILSVRC em 2010 com 1.000 classes.
Papel no Aprendizado Profundo
O ImageNet-1K ganhou destaque em 30 de setembro de 2012, quando uma rede neural convolucional chamada AlexNet alcançou um erro top-5 de 15,3% no Desafio ImageNet 2012, mais de 10,8 pontos percentuais melhor que o segundo colocado. Esse sucesso foi possibilitado pelo treinamento em unidades de processamento gráfico (GPUs), um ingrediente-chave da revolução do aprendizado profundo. O resultado atraiu atenção em toda a indústria de tecnologia, como observado pela The Economist.
Os anos seguintes viram progresso rápido. Em 2015, a CNN muito profunda da Microsoft, com mais de 100 camadas, venceu o concurso ImageNet 2015 com uma taxa de erro de 3,57%. O desempenho humano foi estimado por Andrej Karpathy em 2014 em cerca de 5,1% com esforço concentrado, e potencialmente 2,4% com esforço máximo, indicando que os modelos logo se aproximaram ou excederam a classificação em nível humano neste benchmark. O ImageNet-1K tornou-se o conjunto de avaliação padrão para inovações como arquiteturas de redes residuais, normalização em lote e técnicas de aumento de dados.
Estrutura do Conjunto de Dados
As categorias do ImageNet-1K são filtradas do WordNet 3.0, que contém mais de 80.000 synsets de substantivos. O processo de seleção reteve 21.841 synsets para o ImageNet completo, e o subconjunto de 1.000 classes foi escolhido para o ILSVRC. Cada synset tem um wnid único, como "n02084071" para "cachorro, cão doméstico, Canis familiaris". As categorias são organizadas em uma hierarquia de 9 níveis, desde conceitos amplos como "mamífero" até raças específicas como "pastor alemão".
As imagens foram coletadas de mecanismos de busca online, incluindo Google, Picsearch, MSN, Yahoo e Flickr, usando sinônimos em vários idiomas. Por exemplo, a categoria pastor alemão usou consultas como "Alsatian" e "pastore tedesco". As resoluções variam amplamente, de 4288 x 2848 a 75 x 56 pixels na categoria de peixes. Na prática, as imagens são redimensionadas para uma resolução constante e branqueadas; por exemplo, o PyTorch normaliza dividindo os valores de pixel para [0,1], subtraindo a média [0,485, 0,456, 0,406] e dividindo pelo desvio padrão [0,229, 0,224, 0,225].
Anotações e Uso
Cada imagem do ImageNet-1K carrega um único rótulo de classe. O ImageNet completo também fornece anotações de caixa delimitadora para cerca de 1 milhão de imagens em aproximadamente 3.000 synsets populares, permitindo tarefas de localização de objetos. Características SIFT densas foram liberadas para o subconjunto de 1.000 classes, projetadas para abordagens de saco de palavras visuais, embora essas tenham se tornado menos comuns com o aumento do aprendizado profundo.
A partir do resumo de 2010, o ImageNet tinha 21.841 synsets não vazios, 14.197.122 imagens e 1.034.908 imagens com caixas delimitadoras. As anotações do conjunto de dados estão disponíveis gratuitamente, mas as imagens em si não são de propriedade do ImageNet. O ImageNet-1K permanece amplamente usado para pré-treinamento e benchmarking em inteligência artificial, apesar do surgimento de conjuntos de dados maiores e benchmarks alternativos.
Legado e Impacto
O sucesso da AlexNet no ImageNet-1K catalisou o boom do aprendizado profundo, influenciando campos além da visão computacional, incluindo processamento de linguagem natural e desenvolvimento de modelos de linguagem de grande escala. As métricas claras do benchmark e sua grande escala o tornaram um padrão para comparar arquiteturas de modelos, métodos de treinamento e eficiência de hardware. No entanto, preocupações sobre ruído de anotação e a natureza estática do conjunto de dados levaram a críticas, e alguns pesquisadores propuseram benchmarks mais novos. Ainda assim, o ImageNet-1K permanece um recurso fundamental na pesquisa e educação em aprendizado de máquina.