ImageNet 的衰落

我做了一个机器学习示例，它使用了曾经最受欢迎的ImageNet 数据集，这是目前每个机器学习从业者都知道的经典图像分类问题。这是一张图片，对1000个类别中的哪一个进行分类。 但这次我注意到了一些奇怪的地方，首先网站崩溃了，当它恢复时，一切都变了，ImageNet 维护者修改了数据集中的每一张图像，以模糊人脸。 今天，大多数最先进的计算机视觉模型都在 ImageNet 上进行了预训练，它们所呈现的自然情境和对象为大多数计算机视觉问题提供了强有力的基础。 由于 ImageNet 的挑战不是识别人，而是识别物体，因此团队决定进一步模糊数据集中人的面孔，最后，他们修改了 243,198 张图片。 如果将 ImageNet 组织为 Pachyderm 中的数据集，则隐私感知版本可能会覆盖原始数据集。

ImageNet分类器可以泛化到ImageNet上吗？

CIFAR-10 的准确率下降了 3％~15％，ImageNet 的准确率下降了 11％~14％。在 ImageNet 上，损失的准确率大概需要机器学习研究高度活跃时期五年的进步来弥补。 论文：Do ImageNet Classifiers Generalize to ImageNet? ? 论文地址：http://people.csail.mit.edu/ludwigs/papers/imagenet.pdf 摘要：我们为 CIFAR-10 和 ImageNet 数据集构建了新的测试集。 表 1：原始 CIFAR-10 测试集、原始 ImageNet 验证集和新测试集上的模型准确率。 表 2：三种采样策略对 ImageNet 测试集的影响。该表显示了结果数据集中的平均 MTurk 选择频率，以及与原始验证集相比模型准确率的平均变化。

ImageNet时代将终结？何恺明新作：Rethinking ImageNet Pre-training

”，也有人表示“ImageNet 时代或将很快过去”。 使用 ImageNet 预训练的方法并不能自动提供更好的正则化效果。 方法 我们的目标是通过控制实验（有无ImageNet 预训练）来探究 ImageNet 预训练对模型性能的影响。 经 ImageNet 预训练的模型，在一个新的任务中能够加快收敛速度。 经 ImageNet 预训练的模型并不一定有助于减少过拟合现象的发生，除非我们采用非常小的数据。 基于这些观察，我们尝试回答如下几个关键性的问题，希望能够鼓励研究者重新审视并思考ImageNet 预训练的作用： ImageNet 预训练是否有必要？

Rethinking ImageNet Pre-training

预训练 加快模型收敛」，「ImageNet 预训练不能缓解过拟合现象」，「当目标任务对空间位置更敏感时，ImageNet pretrain所起到的作用会比较小」 。 可以总结一下就是 在数据集充分的条件下，各个任务里，「从头训练的效果并不比在ImageNet预训练过的要差」 从头训练的模型「需要更多的迭代次数」，才能追上预训练模型Finetune的结果 ImageNet 通过我们大量的实验，我们得出了如下的结论 ImageNet预训练加快收敛速度，「特别是在训练初期阶段」。 这告诉我们imagenet pretrain 加 coco数据集上进行finetune，和从头在coco数据集上训练。 预训练 加快模型收敛」 「ImageNet 预训练不能缓解过拟合现象」 「当目标任务对空间位置更敏感时，ImageNet pretrain所起到的作用会比较小」 在笔者看来，训练网络就跟人类学习行为很相似

ImageNet主要网络benchmark对比

这3篇文章对图像识别任务（ImageNet-1k）主要的state of the art网络进行了对比分析，采用的指标有： accuracy，准确率，只使用cental crop，评估Top1、Top5 在ImageNet-1k上的准确率 model complexity，模型复杂度，通过模型的可学习参数量衡量（近似为模型文件大小），反映了自由度 computational complexity，计算复杂度

imagenet的1000个名称

由于现在yolov5,yolov8支持图像分类默认使用Imagenet训练的模型，因此必须清楚1000个类别是什么，下面给出python中json格式： { 0: 'tench, Tinca tinca

浅谈混合精度训练imagenet

浅谈混合精度训练imagenet 零、序 本文没有任何的原理和解读，只有一些实验的结论，对于想使用混合精度训练的同学可以直接参考结论白嫖，或者直接拿github上的代码(文末放送)。 训练nan 由于以前每周都没跑很多模型，问题也不是经常出现，所以以为是偶然时间，不过最近恰好最近要做一些transformer的实验，在跑imagenet baseline(R50)的时候，出现了类似的问题 ）优化器LearningRatetop1@accResNet50ImageNet1k256SGD optimizer0.175.40%ResNet50ImageNet1k512SGD optimizer0.275.70% ResNet50ImageNet1k1024SGD optimizer0.475.57%ResNe50ImageNet1k2048SGD optimizer0.8NaNResNet50ImageNet1k4096SGD optimizer1.675.79%ResNe50O2 (FP16训练，BN用FP32计算)ImageNet1k4096SGD optimizer1.675.59%ResNet50O3（几乎存FP16

ImageNet Classification 深度学习模型

learning-rate 2e-2 ------------------------------ https://paperswithcode.com/sota/image-classification-on-imagenet

ImageNet Classification with Deep Convolutional Neural Networks

摘要我们训练了一个大型的深度卷积神经网络，将ImageNet lsvprc -2010竞赛中的120万幅高分辨率图像分成1000个不同的类。 本文的具体贡献如下：我们对ImageNet large Visual Recognition Challenge (ILSVRC)-2010和ILSVRC-2012比赛中使用的ImageNet子集进行了迄今为止最大的 3、数据集ImageNet是一个超过1500万张高分辨率图像的数据集，属于大约22000个类别。 从2010年开始，作为Pascal视觉对象挑战赛的一部分，每年都会举办一场名为ImageNet大型视觉识别挑战赛(ILSVRC)的比赛。 ImageNet由可变分辨率的图像组成，而我们的系统需要一个恒定的输入维数。因此，我们将图像降采样到256×256的固定分辨率。

Imagenet与ILSVRC数据集介绍

IMAGENET Large Scale Visual Recognition Challenge(ILSVRC) 1. 基本介绍 从2010年开始,每年举办的ILSVRC图像分类和目标检测大赛。 Imagenet数据集是目前深度学习图像领域应用得非常多的一个领域，关于图像分类、定位、检测等研究工作大多基于此数据集展开。 Imagenet数据集文档详细，有专门的团队维护，使用非常方便，在计算机视觉领域研究论文中应用非常广，几乎成为了目前深度学习图像领域算法性能检验的“标准”数据集。 Imagenet数据集有1400多万幅图片，涵盖2万多个类别； 其中有超过百万的图片有明确的类别标注和图像中物体位置的标注。 1,034,908 Number of synsets with SIFT features: 1000 Number of images with SIFT features: 1.2million Imagenet

imagenet的1000类别名称

TF-Slim ImageNet数据集制作

比较特殊的是ImageNet数据集，官方也提供了教程，做下来发现还是有问题，后续提供解决方案 训练 可以从头开始训练（比如使用ImageNet）、加载预训练模型直接分类、网络微调三种. 最近需要在ImageNet上训练一个Inception-ResNet-V2的变形版本，短平快的做法就是使用TF-Slim，在制作ImageNet数据集的时候按照官方指导出了问题，特此给出可行的解决方案， ImageNet下载超慢（100多个GB的数据） 所以，比较可行的方法是，自己下载ImageNet-2012，然后来进行转换(TFRecord). /ImageNet-ori/ find . /imagenet-data/validation --output_directory=ILSVRC2012/output --imagenet_metadata_file=imagenet_metadata.txt

Imagenet数据集_mnist数据集介绍

官网：http://www.image-net.org/ 数据集下载地址：http://www.image-net.org/challenges/LSVRC/ IMAGENET Large Scale Imagenet数据集是目前深度学习图像领域应用得非常多的一个领域，关于图像分类、定位、检测等研究工作大多基于此数据集展开。 Imagenet数据集文档详细，有专门的团队维护，使用非常方便，在计算机视觉领域研究论文中应用非常广，几乎成为了目前深度学习图像领域算法性能检验的“标准”数据集。 Imagenet数据集有1400多万幅图片，涵盖2万多个类别； 其中有超过百万的图片有明确的类别标注和图像中物体位置的标注。 1,034,908 Number of synsets with SIFT features: 1000 Number of images with SIFT features: 1.2million Imagenet

专栏 | Momenta详解ImageNet 2017夺冠架构SENet

除此之外，Momenta 还受邀在 CVPR 2017 的 ImageNet Workshop 中发表演讲，介绍 Momenta 在ImageNet 2017 挑战赛中夺冠的网络架构SENet。 （Beyond ImageNet）中给出算法介绍。 接下来，为了验证 SENets 的有效性，我们将在 ImageNet 数据集上进行实验，并从两个方面来进行论证。一个是性能的增益 vs. 另外，我们也会展示在 ImageNet 竞赛中的结果。 ? 首先我们来看一下网络的深度对 SE 的影响。 在上表中我们列出了一些最新的在 ImageNet 分类上的网络的结果。

学界 | CIFAR-10+ImageNet=？CINIC-10！

由于 CIFAR-10 太小（太简单），而 ImageNet 又太大（太难），所以我们将 CINIC-10 编译为基准数据集。 虽然 ImageNet32 和 ImageNet 64 比 ImageNet 小，但是它们却更难。CINIC-10 填补了基准数据集的这一空隙。 ImageNet-32 是 CIFAR 的替代品，但这实际上引出了一个比 ImageNet 更具挑战性的问题，因为下采样图像的信息容量显著更低。 CINIC-10 是 CIFAR-10 通过添加下采样的 ImageNet 图像扩展得到的。 论文：CINIC-10 Is Not ImageNet or CIFAR-10 ?

AlexNet- ImageNet Classification with Deep Convolutional Neural Networks

ImageNet Classification with Deep Convolutional Neural Networks Advances in Neural Information Processing 在深度学习中数据库最有名气的当然是 ImageNet ，李飞飞等人建立的（最近加入了 Google了）。 这里大致介绍一下 ImageNet，该数据库包含 1千5 百万张标记的高清图像，大约 22000个类。这些图像从网络收集的，人工标记类别。 在这个数据库基础上 有了一个 ImageNet Large-Scale Visual Recognition Challenge (ILSVRC) 用于大家算法比武测试用的。 ImageNet 中很有不同尺寸的图像，我们的系统输入需要固定尺寸的图像，所以我们将图像下采样之256*256。

ImageNet 二值网络精度排名表

https://blog.csdn.net/zhangjunhit/article/details/89468474 ImageNet using AlexNet ? ImageNet using ResNet-18 (W-weights, A-activation) Bi-Real net 56.4% TBN ImageNet with Res-18 and Res-34 Binary Ensemble Neural Network: More Bits per Network or More Networks ImageNet with Res-50 Towards Effective Low-bitwidth Convolutional Neural Networks ? CNNs With Improved Representational Capability and Advanced Training Algorithm ECCV2018 XNOR-Net: ImageNet

“烘焙”ImageNet：自蒸馏下的知识整合

“烘焙”在任意网络架构的训练中即插即用，以最少的时间成本实现有效的大幅性能提升，我们在ImageNet及其他多个常见的图像分类基准下进行了算法验证。 ? 深度学习时代以来，有大量的算法致力于提升图像分类的性能，尤其是在最流行的ImageNet基准上。近期一些研究指出，不够完善的人为标注成为了阻碍监督训练的分类模型性能进一步提升的关键问题。 例如，使用BAKE训练的ResNet-50在ImageNet上的top-1分类准确率显著提升1.2%，而相比基线模型训练所增加的计算开销仅为3.7％。 下图汇报了在ImageNet上的top-1分类准确率 ? Re-labeling imagenet: from single to multi-labels, from global to localized labels.

干货 | ImageNet冠军模型SE-Net详解

GitHub： https://github.com/hujie-frank/SENet 在 CVPR 2017 上，来自 Momenta 的高级研发工程师胡杰，代表他所在的 WMW 团队分享了获得 ImageNet （Beyond ImageNet）中出算法介绍。 接下来，为了验证 SENets 的有效性，我们将在 ImageNet 数据集上进行实验，并从两个方面来进行论证。 另外，我们也会展示在 ImageNet 竞赛中的结果。 ? 首先我们来看一下网络的深度对 SE 的影响。 在上表中我们列出了一些最新的在 ImageNet 分类上的网络的结果。

语音领域的「ImageNet时刻」为何迟迟不来？

Alexander Veysov 将这一现状称为实现了「ImageNet 时刻」。 本文希望回答以下两个问题： 什么是所谓的「ImageNet 时刻」（ImageNet moment），以及它为什么重要？ 为什么语音领域还未实现「ImageNet 时刻」，学界和业界应为此负哪些责任？ 什么是「ImageNet 时刻」？ 为什么「ImageNet 时刻」尚未到来？ 为了理解这个观点，我们来看看计算机视觉（CV）领域中，那些导向「ImageNet 时刻」的标志性事件和趋势。 ? CUDA 是一种低级矩阵乘法框架，是大多数 GPU 加速机器学习应用的基础； 2009 年，由李飞飞教授带领的团队发布了 ImageNet 数据集，并在 2011 年举办了首届「ImageNet 大规模视觉识别挑战赛