ImageNet é um banco de dados visual em larga escala projetado para pesquisa em software de reconhecimento de objetos visuais. O projeto compreende mais de 14 milhões de imagens anotadas manualmente, indicando os objetos retratados, com pelo menos um milhão de imagens também fornecendo caixas delimitadoras. Ele contém mais de 20.000 categorias, cada uma normalmente consistindo em várias centenas de imagens. O banco de dados de URLs de imagens de terceiros e suas anotações é disponibilizado gratuitamente, embora as imagens em si não sejam de propriedade do ImageNet. Desde 2010, o ImageNet hospeda uma competição anual, o ImageNet Large Scale Visual Recognition Challenge (ILSVRC), onde programas de software competem para classificar e detectar objetos e cenas usando uma lista reduzida de mil classes não sobrepostas.
O projeto originou-se da visão da pesquisadora de IA Fei-Fei Li, que começou a trabalhar na ideia em 2006, com o objetivo de expandir e melhorar os dados disponíveis para treinar algoritmos de IA. Na época, a maior parte da pesquisa em IA focava em modelos e algoritmos, mas Li buscava abordar o gargalo dos dados. Em 2007, Li encontrou-se com a professora de Princeton Christiane Fellbaum, uma das criadoras do WordNet, e subsequentemente construiu o ImageNet a partir dos cerca de 22.000 substantivos do WordNet, incorporando muitas de suas características. Li também se inspirou em uma estimativa de 1987 de que uma pessoa média reconhece cerca de 30.000 tipos diferentes de objetos. Como professora assistente em Princeton, Li montou uma equipe de pesquisa e usou o Amazon Mechanical Turk para auxiliar na classificação das imagens. A rotulagem começou em julho de 2008 e terminou em abril de 2010, com 49.000 trabalhadores de 167 países filtrando e rotulando mais de 160 milhões de imagens candidatas, com orçamento suficiente para rotular cada uma das 14 milhões de imagens três vezes.
O banco de dados foi apresentado pela primeira vez como um pôster na Conferência de Visão Computacional e Reconhecimento de Padrões (CVPR) de 2009, em Flórida, intitulado "ImageNet: A Preview of a Large-scale Hierarchical Dataset". Em 2009, Alex Sugeriu adicionar a localização de objetos como uma tarefa, levando à colaboração com o desafio PASCAL Visual Object Classes e ao início do ImageNet Large Scale Visual Recognition Challenge em 2010, que apresenta 1.000 classes e localização de objetos, muito mais do que as 20 classes e 19.737 imagens do PASCAL VOC.
Construção do Conjunto de Dados
O ImageNet terceiriza seu processo de anotação. Anotações em nível de imagem indicam a presença ou ausência de uma classe de objeto em uma imagem, como "há tigres nesta imagem" ou "não há tigres nesta imagem". Anotações em nível de objeto fornecem uma caixa delimitadora ao redor da parte visível do objeto indicado. O ImageNet usa uma variante do esquema amplo do WordNet para categorizar objetos, aumentado com 120 categorias de raças de cães para classificação de granulação fina. Em 2012, o ImageNet era o maior usuário acadêmico do Mechanical Turk, onde o trabalhador médio identificava 50 imagens por minuto. O plano original para o ImageNet completo era de aproximadamente 50 milhões de imagens limpas, diversas e em resolução total, distribuídas por cerca de 50.000 synsets, mas isso não foi alcançado.
Estatísticas resumidas em 30 de abril de 2010:
- Número total de synsets não vazios: 21.841
- Número total de imagens: 14.197.122
- Número de imagens com anotações de caixa delimitadora: 1.034.908
- Número de synsets com características SIFT: 1.000
- Número de imagens com características SIFT: 1,2 milhão
Categorias e Formato de Imagem
As categorias do ImageNet foram filtradas a partir dos conceitos do WordNet. Cada conceito, que pode conter sinônimos, é chamado de "synset" (conjunto de sinônimos). Embora o WordNet 3.0 tivesse mais de 100.000 synsets, a maioria substantivos (mais de 80.000), o ImageNet focou em 21.841 synsets que podem ser ilustrados visualmente. Cada synset tem um ID do WordNet (wnid), uma concatenação de classe gramatical e um deslocamento; todos os wnids começam com "n", pois o ImageNet inclui apenas substantivos. Por exemplo, o wnid para "cachorro, cão doméstico, Canis familiaris" é "n02084071". As categorias variam em 9 níveis, do nível 1 (como "mamífero") ao nível 9 (como "pastor alemão").
As imagens foram coletadas de pesquisas online usando sinônimos multilíngues. Elas vêm em formato RGB com resoluções variadas. Por exemplo, na categoria "peixe" do ImageNet 2012, as resoluções variam de 4288 x 2848 a 75 x 56. Em aprendizado de máquina, essas imagens são tipicamente pré-processadas para uma resolução padrão e normalizadas antes do treinamento. Por exemplo, no PyTorch, as imagens são normalizadas dividindo os valores de pixel para cair entre 0 e 1, depois subtraindo a média [0,485, 0,456, 0,406] e dividindo pelo desvio padrão [0,229, 0,224, 0,225]. Essas estatísticas são derivadas do ImageNet.
Rótulos e Anotações
Cada imagem é rotulada com exatamente um wnid. Características SIFT densas (incluindo descritores SIFT brutos, codewords quantizados e coordenadas) para o ImageNet-1K foram disponibilizadas para download, projetadas para uma abordagem de saco de palavras. Caixas delimitadoras de objetos estavam disponíveis para cerca de 3.000 synsets, com uma média de 150 imagens por synset. Algumas imagens também possuem anotações de atributos, embora os detalhes não sejam totalmente especificados. O conjunto de dados também inclui alguns synsets com características SIFT para 1,2 milhão de imagens.
Significância para o Aprendizado Profundo
O ImageNet desempenhou um papel fundamental na revolução do aprendizado profundo. Em 30 de setembro de 2012, uma rede neural convolucional chamada AlexNet alcançou uma taxa de erro top-5 de 15,3% no desafio ImageNet 2012, mais de 10,8 pontos percentuais abaixo do segundo colocado. Esse sucesso foi possível pelo uso de unidades de processamento gráfico (GPUs) durante o treinamento, que se tornaram um ingrediente essencial para a revolução do aprendizado profundo. De acordo com a revista The Economist, "De repente, as pessoas começaram a prestar atenção, não apenas na comunidade de IA, mas em toda a indústria de tecnologia". Em 2015, a AlexNet foi superada pela rede neural profunda da Microsoft, com mais de 100 camadas, que venceu o desafio ImageNet de 2015 com uma taxa de erro de 3,57%. Em 2014, Andrej Karpathy estimou que, com esforço concentrado, ele poderia alcançar uma taxa de erro de 5,1%, e cerca de 10 pessoas de seu laboratório alcançaram cerca de 12-13% com menos esforço. Estimou-se que, com esforço máximo, um humano poderia alcançar aproximadamente 2,4% de erro.
O impacto do ImageNet vai muito além da competição em si. A disponibilidade de um conjunto de dados grande, estruturado e rotulado permitiu que pesquisadores treinassem e avaliassem modelos com escala e variedade sem precedentes. Isso impulsionou a adoção de inovações como aprendizado profundo, redes neurais, redes residuais e técnicas como aumento de dados e normalização em lote. Também acelerou o progresso em aprendizado de máquina e inteligência artificial, e suas tarefas de referência, como classificação e localização, tornaram-se fundamentais para avaliar sistemas de visão computacional. A organização do conjunto de dados via WordNet influenciou outros grandes conjuntos de dados e fluxos de trabalho padrão em PyTorch e outras estruturas.
A disponibilidade pública do ImageNet também teve um impacto mais amplo. Foi usado por muitos grupos de pesquisa e empresas, incluindo Google DeepMind, OpenAI e Microsoft, para treinar e avaliar modelos. Sua influência se estende ao desenvolvimento de arquiteturas transformadoras que desde então se tornaram padrão na modelagem de linguagem. Nos últimos anos, o ImageNet continua sendo uma referência essencial para a pesquisa em visão computacional, embora o conjunto de dados também tenha gerado discussões sobre direitos autorais e privacidade, devido ao uso de imagens de terceiros. Apesar dessas preocupações, a escala e a estrutura do ImageNet continuam a inspirar conjuntos de dados semelhantes em diferentes domínios, como ImageNet, mas o foco permanece no ImageNet original e seu papel no avanço do reconhecimento visual.
Fontes e Impacto
Em resumo, a criação do ImageNet foi um marco na história da inteligência artificial. Ele forneceu um conjunto de dados abrangente e escalável que destacou a importância de abordagens orientadas por dados. Sua influência no boom do aprendizado profundo não pode ser subestimada, pois permitiu avanços em algoritmos e hardware que resultaram na era atual de IA generativa e grandes modelos. Em 2025, o ImageNet ainda serve como referência para avaliar novos métodos e teorias, como aqueles envolvendo transformadores, grandes modelos de linguagem e modelos de fundação. A abordagem colaborativa do projeto - terceirizando anotações através de uma comunidade global - também estabeleceu modelos para muitos conjuntos de dados e iniciativas posteriores.
O sucesso do ImageNet demonstrou que conjuntos de dados de alta qualidade e em larga escala não são apenas benéficos, mas muitas vezes essenciais para o progresso da IA. Ele estimulou avanços em computação distribuída e serviços em nuvem, como Amazon Web Services e Google Cloud, bem como melhorias de hardware de empresas como NVIDIA e AMD. A própria competição, o ImageNet Large Scale Visual Recognition Challenge, continua sendo uma instituição para medir o progresso em visão computacional. Apesar da evolução contínua da IA, o legado do ImageNet persiste, desde a pesquisa acadêmica até aplicações práticas em veículos autônomos, imagens médicas e sistemas multimodais, moldando a trajetória do campo desde a IA simbólica em direção a redes neurais e aprendizado de máquina. Nos anos após seu lançamento, o ImageNet influenciou o design de conjuntos de dados subsequentes, como COCO e Flickr, que visam de forma semelhante fornecer dados anotados em larga escala para avançar a fronteira da inteligência de máquinas.