ImageNet
Por que isso importa
Em profundidade
ImageNet é, na verdade, duas coisas que se confundem: um dataset e uma competição. O dataset, lançado em 2009, contém cerca de 14 milhões de imagens coletadas da web e classificadas manualmente em mais de 20.000 categorias tomadas da hierarquia lexical do WordNet, de raças específicas de cães e tipos de queijo a eletrodomésticos. A competição, ILSVRC, aconteceu anualmente de 2010 a 2017 em um subconjunto menor e curado — cerca de 1,2 milhão de imagens de treinamento em 1.000 classes — e pedia às equipes que classificassem imagens e localizassem objetos. Foi nessa competição que o Aprendizado profundo moderno efetivamente nasceu, e o subconjunto usado por ela, frequentemente chamado ImageNet-1K, continua sendo um dos conjuntos mais citados como Benchmark em IA.
Construído com WordNet e Crowdsourcing
Fei-Fei Li e seus colaboradores partiram de uma aposta contrária à visão dominante da época: enquanto a maior parte da pesquisa em visão computacional se concentrava em algoritmos mais engenhosos, eles argumentavam que o progresso passava fome de dados. Mapearam categorias para a hierarquia de substantivos do WordNet, coletaram imagens candidatas em mecanismos de busca e contrataram trabalhadores pelo Amazon Mechanical Turk para verificar cada rótulo, incorporando redundância e controles de qualidade para manter a Anotação confiável em escala. O resultado era ordens de magnitude maior que os datasets então comuns na pesquisa de visão, que normalmente continham no máximo dezenas de milhares de imagens. O Dataset foi lançado em 2009, e o desafio anual veio em 2010 para forçar o campo a realmente usá-lo. Os primeiros resultados foram pouco inspiradores — métodos tradicionais melhoravam apenas gradualmente —, tornando ainda mais dramático o resultado de 2012.
A Ruptura de 2012
Em 2012, a AlexNet — uma CNN profunda criada por Alex Krizhevsky, Ilya Sutskever e Geoffrey Hinton — venceu a tarefa de classificação com uma taxa de erro top-5 de 15,3%, enquanto a segunda colocada, que usava features tradicionais projetadas à mão, ficou perto de 26%. Uma margem desse tamanho praticamente nunca acontece em competições de benchmarks, e o campo percebeu em poucas semanas. Em alguns anos, toda inscrição séria era uma rede neural profunda, e as taxas de erro continuaram caindo: arquiteturas baseadas em Conexão Residual empurraram o erro top-5 para menos de 4% em 2015, abaixo da taxa de aproximadamente 5% de um rotulador humano treinado. A comunidade extraiu uma lição dupla — redes profundas funcionam, e só funcionam tão bem quando alimentadas com dados na escala do ImageNet.
Ele Não Resolveu de Fato a Visão
Um equívoco comum é que pontuações sobre-humanas no ImageNet significam que a visão computacional está resolvida. O benchmark testa uma habilidade estreita: atribuir um rótulo limpo a uma foto da web em que o tema geralmente ocupa o quadro. Diz pouco sobre Detecção de Objetos em cenas desordenadas, contagem detalhada, robustez a ângulos incomuns de câmera ou a cauda longa das imagens do mundo real. Modelos que dominam ImageNet muitas vezes se apoiam em atalhos — texturas e fundos, não a forma dos objetos —, e sua precisão cai visivelmente em variantes de teste de estresse construídas justamente para expor essa fragilidade. E, como os rótulos são únicos e às vezes ambíguos (uma foto de um border collie na praia mostra tanto um cão quanto uma cena praiana), a métrica top-5 encobre em parte o quanto a Classificação é desordenada. ImageNet foi uma escada que o campo subiu e depois precisou abandonar.
A Vida Depois do Desafio
A ILSVRC terminou depois de 2017, mas ImageNet nunca saiu do workflow. Sua contribuição mais duradoura acabou sendo o Transfer Learning: redes treinadas em ImageNet aprendem features visuais de propósito geral, e aplicar ajuste fino a esses pesos pré-treinados em um pequeno dataset específico para a tarefa supera o treinamento do zero na maioria das aplicações de Visão computacional, de imagens médicas à inspeção industrial. ImageNet-1K também persiste como o campo de provas padrão em que arquiteturas como o Vision Transformer demonstraram pela primeira vez que podiam competir com convoluções, e a versão maior, com 21.000 categorias, ainda é usada para pré-treinamento em escala. Desde então, o campo passou a dados em escala web, com rótulos fracos e auto-supervisionados — a mesma filosofia centrada em dados defendida pelo ImageNet, levada ao ponto em que alguns milhões de imagens verificadas à mão hoje parecem pouco. Esse é o verdadeiro legado: não tanto um dataset no qual as pessoas ainda treinam, mas a prova de que quem tem os melhores dados geralmente vence.