이미지넷

중요성 및 관련성

ImageNet의 도입은 특히 컴퓨터 비전 분야에서 딥 러닝(DL)의 중추적인 순간이었습니다. ImageNet 이전에는 크고 다양하며 레이블이 잘 지정된 데이터 세트의 부족이 큰 병목 현상이었습니다. ImageNet은 컨볼루션 신경망(CNN)과 같이 훨씬 더 깊고 복잡한 모델을 훈련할 수 있게 해주어 획기적인 발전을 가져왔습니다. 2010년부터 2017년까지 매년 열린 ILSVRC(ImageNet 대규모 시각 인식 챌린지)는 이미지넷의 하위 집합을 사용했으며 이미지 분류 및 물체 감지 알고리즘을 평가하는 표준 벤치마크가 되었습니다. ImageNet에서 최첨단 결과를 달성한 AlexNet 및 ResNet과 같은 모델은 최신 CV 아키텍처에 큰 영향을 미쳤습니다.

이미지넷의 애플리케이션

ImageNet의 주요 애플리케이션은 새로운 컴퓨터 비전 모델과 알고리즘을 평가하는 표준 벤치마크 역할을 하고 있습니다. 벤치마킹 외에도 사전 학습 모델에도 광범위하게 사용됩니다.

• 전이 학습을 위한 사전 교육: ImageNet에서 훈련된 모델은 다양한 다른 비전 작업에 유용한 일반적인 시각적 특징을 학습합니다. 전이 학습으로 알려진 이 기술을 통해 개발자는 훨씬 작은 맞춤형 데이터 세트를 사용하여 특정 애플리케이션에 맞게 사전 학습된 모델(예: Ultralytics HUB에서 제공되는 모델)을 조정할 수 있으므로 학습 시간과 데이터 요구 사항을 크게 줄일 수 있습니다. 많은 Ultralytics YOLO 모델은 대규모 데이터 세트에 대해 사전 학습된 가중치를 활용합니다.
• 연구 발전: 이미지넷은 표현 학습, 도메인 적응, 심층 신경망의 내부 작동 이해와 같은 분야의 연구를 지속적으로 추진하고 있습니다.

실제 사례

1. 의료 이미지 분석: ImageNet에는 의료 이미지가 포함되어 있지는 않지만, 의료 이미지 분석 작업의 시작점으로 사전 학습된 모델을 자주 사용합니다. 종양 탐지에 YOLO 사용하는 것과 같은 애플리케이션에서 볼 수 있듯이, ImageNet에서 학습된 일반적인 특징 추출 기능은 종양이나 골절과 같은 이상 징후를 탐지하는 데 도움이 되도록 X-레이, CT 스캔 또는 MRI의 소규모 데이터 세트에서 미세 조정할 수 있습니다.
2. 자율 주행 차량: 물체 인식 모델은 자율 주행 차량의 기본입니다. 보행자, 자동차, 신호등, 도로 표지판을 식별하는 데 사용되는 많은 기본 모델이 초기에 ImageNet을 사용하여 개발되고 벤치마킹되었으며, 이는 자율주행 차량의 AI 인식 시스템을 구축하는 데 있어 데이터 세트의 역할을 보여줍니다.

ImageNet과 다른 데이터 세트 비교

ImageNet은 방대하고 분류 작업에 탁월하지만, 다른 데이터 세트는 다른 용도로 사용됩니다. 예를 들어 COCO 데이터 세트 (Common Objects in Context)는 개체 감지, 분할 및 캡션에 널리 사용되며, ImageNet에 비해 적은 수의 개체 범주에 대해 인스턴스 마스크 및 경계 상자와 같은 보다 상세한 주석을 제공합니다. 마찬가지로 Open Images V7은 많은 수의 객체 클래스에 대한 바운딩 박스를 제공합니다. 데이터 세트의 선택은 종종 분류, 감지 또는 분할과 같은 특정 컴퓨터 비전 작업에 따라 달라집니다. 다양한 컴퓨터 비전 데이터 세트를 탐색하면 프로젝트에 가장 적합한 데이터 세트를 선택하는 데 도움이 됩니다.