ImageNet: قاعدة بيانات صور هرمية واسعة النطاق

حتى نهاية العقد الأول من الألفية، كانت المعايير المرجعية في الرؤية الحاسوبية صغيرة جداً بمقاييس اليوم. Caltech-101 لم تتجاوز تسعة آلاف صورة في 101 فئة، وPASCAL VOC نحو عشرة آلاف صورة في 20 صنفاً. مجموعة ESP Game كانت كبيرة الحجم لكنها مليئة بالتشويش وتفتقر لتصنيف دقيق، ومعظمها غير متاح أصلاً. أما TinyImage فرغم احتوائها على 80 مليون صورة، كانت دقّتها 32×32 بكسل فقط مع نسبة صحة لا تتعدّى 10–25% — أي أنها عديمة الفائدة لتعلّم سمات حقيقية.

هذه المجموعات الصغيرة خلقت وهماً خطيراً: خوارزميات تحقّق أكثر من 90% على Caltech-101 كانت تنهار أمام صور حقيقية من الإنترنت. السبب بسيط: هذه الخوارزميات حفظت حفنة صور نظيفة ومتمركزة بدل أن تتعلّم مفاهيم بصرية عامة. الميدان كان بحاجة إلى مجموعة بيانات كبيرة بما يكفي لمنع الحفظ، ومتنوّعة بما يكفي لتعكس تباين العالم الحقيقي، ومنظَّمة بما يكفي لدعم الاستدلال الهرمي.

القرار التصميمي الأهم في ImageNet كان اعتمادها على WordNet، وهي قاعدة بيانات لغوية ترتّب الأسماء الإنجليزية في نحو 80,000 مجموعة مترادفات مترابطة بعلاقات «هو نوع من». الفكرة الجوهرية هنا أن المجموعة المترادفة لا تمثّل كلمة بل تمثّل معنًى محدّداً. مثلاً كلمة bank بمعنى البنك وكلمة bank بمعنى ضفّة النهر ينتميان إلى مجموعتين مختلفتين تماماً. هذا يحلّ مشكلة أساسية: حين تضع تصنيفاً على صورة مكتوب فيه bank، أيّ المعنيين تقصد؟

تبنّت ImageNet هذه البنية الهرمية مباشرة. كل صورة تنتمي لمجموعة مترادفات واحدة فقط، والمجموعات مرتّبة من الأعمّ («كيان») إلى الأدقّ («قطّ سيامي»). هذا الترتيب يسمح للخوارزميات بالاستدلال على مستويات تفصيل متعدّدة من البيانات نفسها: هل هذا ثديّي؟ قطّ؟ قطّ سيامي تحديداً؟

علاقة «هو نوع من» تضمن أيضاً أن كل تصنيف واضح ولا لبس فيه. كلمة husky في ImageNet تعني دائماً سلالة الكلاب، ولن تعني أبداً وصفاً لصوت أجشّ. هذا التمييز الدلالي قد يبدو بديهياً للبشر لكنه حاسم للآلات، وقد أُدمِج في تصميم القاعدة منذ البداية.

بناء قاعدة بيانات تضمّ ملايين الصور المُتحقَّق منها كان تحدياً هندسياً بقدر ما هو علمي. جرى العمل على مرحلتين.

المرحلة الأولى — جمع الصور المرشّحة. لكل مجموعة مترادفات أُرسلت استعلامات إلى عدّة محرّكات بحث صور باستخدام مرادفات المفهوم. لتوسيع النتائج أُضيفت كلمات من المجموعات الأعلى في الهرمية (مثلاً whippet dog إلى جانب whippet)، وتُرجمت الاستعلامات إلى الصينية والإسبانية والهولندية والإيطالية عبر نسخ WordNet متعدّدة اللغات. بعد حذف التكرارات أصبح لكل مجموعة أكثر من 10,000 صورة مرشّحة — لكن محرّكات البحث تعيد نحو 10% فقط نتائج مفيدة، لذلك كان التحقّق البشري ضرورياً.

المرحلة الثانية — التحقّق البشري عبر Amazon Mechanical Turk. عُرضت على العمّال الصور المرشّحة مع تعريف المجموعة ورابط ويكيبيديا، وسُئلوا: «هل تحتوي هذه الصورة على المفهوم المطلوب؟» الابتكار هنا كان خوارزمية إجماع تكيُّفية. في المفاهيم السهلة مثل «قطّ» يكفي اتفاق عاملَين اثنين. أمّا في التمييزات الدقيقة مثل «قطّ بورمي أم سيامي؟» فقد جُمع ما يصل إلى عشرة أصوات مستقلّة. هذه العتبة التكيُّفية حقّقت دقة توسيم بلغت 99.7% عبر جميع مستويات الشجرة، بما فيها أصعب الفئات الدقيقة.

قام تصميم ImageNet على ثلاث خصائص يُعزّز كلّ منها الأخرى.

الحجم. عند النشر كانت القاعدة تضمّ 3.2 مليون صورة في 5,247 مجموعة مترادفات — أي 20 ضعف عدد فئات Caltech-101 و100 ضعف عدد صورها. أكثر من نصف المجموعات احتوى على 500 صورة فأكثر، والهدف كان الوصول إلى 50 مليون صورة تغطّي نحو 50,000 مجموعة.

الدقة. حقّق التحقّق البشري دقة وسطية بلغت 99.7%. خوارزمية الإجماع التكيُّفية خصّصت عدداً أكبر من المُوسِّمين للمفاهيم الأصعب، ممّا ضمن أن فئة دقيقة مثل «القطّ البورمي» تصل لنفس مستوى الموثوقية الذي تحقّقه فئة عامة مثل «ثدييات».

التنوّع. جُمعت الصور من أنحاء الإنترنت لا من جلسات تصوير مُعدّة مسبقاً. الأجسام تظهر بوضعيات وخلفيات وحالات حجب وإضاءة مختلفة. لقياس التنوّع حسب الباحثون الصورة المتوسطة لكل مجموعة مترادفات: المجموعة المتنوّعة تنتج صورة متوسطة ضبابية (لأن الصور مختلفة جداً عن بعضها)، بينما المجموعة المتجانسة تنتج صورة متوسطة حادّة. وقد أظهرت ImageNet تنوّعاً أعلى باستمرار من Caltech-101.

عرضت الورقة قيمة ImageNet من خلال ثلاث تجارب، كلّ منها تستثمر جانباً مختلفاً من القاعدة.

1. التعرّف بالجار الأقرب. الفكرة بسيطة: أعطِ النظام صورة لجسم مجهول، فيبحث عن أقرب الصور إليه في ImageNet ويصوّت على التسمية. استخدام صور نظيفة عالية الدقة من ImageNet بدلاً من صور مشوّشة منخفضة الدقة من TinyImage حسّن منحنيات ROC بشكل كبير — ما يؤكّد أن جودة البيانات لا تقلّ أهمية عن كمّيتها. طريقة NBNN التي تستفيد من سمات SIFT التفصيلية (المتاحة فقط في الصور عالية الدقة) تفوّقت على جميع الطرق الأخرى التي تعمل على مستوى البكسل.

2. التصنيف الشجري. استثمر «مُصنِّف الحدّ الأقصى الشجري» البنية الهرمية لـ ImageNet: لتقرير ما إذا كانت صورة ما تمثّل «كلباً»، لا يكفي فحص مُصنِّف «كلب» وحده بل تُفحص أيضاً كل المصنِّفات الفرعية («الراعي الألماني»، «البودل»، ...) ويُؤخَذ أعلى درجة. هذه الحيلة البسيطة رفعت قيمة المساحة تحت المنحنى في كل مستوى من الهرمية — وهذا يُثبت أن البنية الدلالية في البيانات تنعكس مباشرة على جودة التعرّف دون الحاجة لتدريب إضافي.

3. تحديد المواقع تلقائياً. باستخدام نموذج حقيبة الكلمات أظهرت الورقة أن الأجسام يمكن تحديد مواقعها بـمربّعات إحاطة، وأن تطبيق تجميع k-means على المناطق المُكتشَفة يكشف تلقائياً عن زوايا الرؤية والوضعيات الشائعة — وهي علامة واضحة على التنوّع البصري الحقيقي في القاعدة.

في عام 2010 أطلق فريق ImageNet مسابقة التعرّف البصري واسعة النطاق (ILSVRC): مجموعة فرعية معيارية من 1,000 فئة تضمّ 1.2 مليون صورة تدريب و50,000 صورة تحقّق و100,000 صورة اختبار. المقياس المعتمد كان معدل خطأ أعلى 5: هل يظهر التصنيف الصحيح ضمن أعلى خمسة تخمينات للنموذج؟

لمدة عامين اعتمدت أفضل الطرق على سمات مصمَّمة يدوياً (SIFT وFisher vectors) وكانت تسجّل نحو 25% خطأ. ثم جاءت شبكة AlexNet في 2012 — وهي شبكة عصبية التفافية عميقة — وخفّضت الخطأ إلى 15.3% دفعة واحدة، بفارق أذهل الميدان بأكمله. هذا الانتصار أثبت أن التعلّم العميق، حين يُغذّى ببيانات بحجم ImageNet ويُدرَّب على معالجات رسومية، قادر على التفوّق على عقود من هندسة السمات اليدوية.

كل عام بعدها تحسّنت الشبكات العميقة: VGGNet عام 2014، ثم GoogLeNet في العام نفسه، ثم ResNet عام 2015 التي وصلت إلى 3.6% خطأ — متجاوزةً الأداء البشري المُقدَّر بنحو 5.1%. هكذا أصبحت ILSVRC بمثابة أولمبياد الرؤية الحاسوبية، وImageNet ملعبها.

ربّما لا يكون أعظم إرث لـ ImageNet هو المسابقة، بل اكتشاف لم يتوقّعه أحد: السمات التي تتعلّمها الشبكة على ImageNet قابلة للانتقال إلى أي مهمة بصرية تقريباً. حين تتدرّب شبكة على تصنيف 1,000 فئة من ImageNet فإنها تتعلّم تمثيلات بصرية عامة الغرض عبر استخلاص السمات: حواف في الطبقات الأولى، وأنسجة في الطبقات الوسطى، وأجزاء أجسام في الطبقات الأخيرة — وهذه التمثيلات تبقى مفيدة للتصوير الطبي وتحليل صور الأقمار الصناعية والقيادة الذاتية وتصنيف الأعمال الفنية.

أصبحت الوصفة معيارية: خُذ نموذجاً خضع لـتدريب مسبق على ImageNet، استبدل طبقة التصنيف الأخيرة، ثم أجرِ ضبطاً دقيقاً على مهمّتك بمجموعة بيانات صغيرة. نموذج نقل التعلّم هذا قلّص حاجز الدخول إلى الرؤية الحاسوبية من «اجمع ملايين الصور المُصنَّفة» إلى «اجمع بضع مئات واستعر سمات ImageNet». هكذا أصبح الميدان في متناول فِرق أصغر بموارد أقلّ بكثير.

حين أثبتت محوِّلات الرؤية (ViT) لاحقاً أن التدريب المسبق على ImageNet يمكن الاستغناء عنه لصالح مجموعات أضخم مثل JFT-300M، كانت في الواقع تؤكّد أطروحة ImageNet نفسها وإن تجاوزتها: حجم البيانات هو مفتاح الفهم البصري.

إسهام ImageNet يتخطّى أي بنية معمارية بعينها. AlexNet وVGGNet وGoogLeNet وResNet ومحوِّلات الرؤية — كل إنجاز كبير في الميدان دُرِّب أو قُيِّم على ImageNet. مجموعة COCO عام 2014 وسّعت فلسفة ImageNet إلى مهام كشف الأجسام والتجزئة. ونموذج I3D عام 2017 أخذ السمات المدرَّبة مسبقاً على ImageNet ووظّفها في فهم الفيديو. وحتى اليوم، تبقى «دقة ImageNet» أول ما يُذكر في تقييم أي نموذج رؤية حاسوبية.