ImageNet

ImageNet ist eine sehr große Sammlung von Fotos aus dem Internet. Zu jedem Foto steht dabei, was darauf abgebildet ist: ein Golden Retriever, eine Teekanne, ein Schulbus. Diese Beschriftungen haben Menschen von Hand vergeben, in mühsamer Kleinarbeit über Jahre hinweg. Insgesamt kamen so über 14 Millionen beschriftete Bilder in rund 20.000 Kategorien zusammen. Aufgebaut wurde die Sammlung ab 2007 von einem Forschungsteam um die Informatikerin Fei-Fei Li an den Universitäten Princeton und Stanford. Der Sinn dahinter: Programme sollten anhand dieser Beispiele lernen, Dinge auf Bildern selbst zu erkennen.

Der Wettbewerb, der 2012 alles veränderte

Ab 2010 gab es einen jährlichen Wettbewerb mit ImageNet-Bildern, kurz ILSVRC. Dabei bekamen alle Teilnehmer denselben Ausschnitt der Sammlung: rund 1,2 Millionen Bilder in 1000 Kategorien. Ihre Programme mussten anschließend bei unbekannten Bildern raten, was darauf zu sehen ist. Wer die wenigsten Fehler machte, gewann. Weil alle mit demselben Material arbeiteten, waren die Ergebnisse zum ersten Mal direkt vergleichbar.

In den ersten Jahren lag die Fehlerquote der Sieger bei rund 26 Prozent, und sie sank nur langsam. 2012 gewann dann ein Team aus Toronto mit einem Programm namens AlexNet und einer Fehlerquote von etwa 16 Prozent. Dieser Sprung war so groß, dass er die gesamte Forschungsrichtung umkrempelte. AlexNet war ein neuronales Netz, also ein Programm, das seine Erkennungsregeln komplett selbst aus Beispielen ableitet, statt sie von Menschen vorgegeben zu bekommen.

Danach setzten fast alle Teams auf diese Technik, und die Fehlerquote fiel bis 2015 unter fünf Prozent. Damit lagen die Programme etwa auf dem Niveau eines geübten Menschen. Viele Fachleute datieren den Beginn des heutigen KI-Booms genau auf diesen Wettbewerb. Ohne ImageNet als gemeinsame Messlatte wäre dieser Fortschritt kaum sichtbar geworden.

Wie aus Fotos Trainingsmaterial wurde

Die Bilder stammten aus Suchmaschinen, die Beschriftungen von Menschen. Dafür nutzte das Team eine Plattform, auf der man Kleinstaufgaben gegen wenige Cent an Tausende Leute im Internet vergeben kann. Rund 49.000 Personen aus fast 170 Ländern haben mitgearbeitet. Jedes Bild wurde mehrfach geprüft, damit einzelne Fehlurteile nicht durchrutschen. Die Kategorien selbst stammten aus WordNet, einer bestehenden Datenbank, die Begriffe der englischen Sprache nach Bedeutung ordnet.

Beim Training zeigt man einem Programm Bild für Bild und vergleicht seine Antwort mit der richtigen Beschriftung. Bei jedem Fehler werden die internen Einstellwerte des Programms leicht in die richtige Richtung verschoben. Nach Millionen solcher Durchgänge erkennt es Muster, die niemand ausformuliert hat: Kanten, Fell, typische Formen von Ohren. Genau dafür braucht man so viele Beispiele. Mit tausend Bildern hätte das nie funktioniert.

Warum ImageNet noch in heutigen Produkten steckt

Ein auf ImageNet trainiertes Programm hat bereits gelernt, allgemeine Bildmerkmale zu erkennen. Dieses Vorwissen kann man wiederverwenden und mit wenigen hundert eigenen Bildern auf eine neue Aufgabe umlenken. Fachleute nennen das Transfer Learning. So entstanden Anwendungen, die Hautveränderungen einordnen, Bauteile in Fabriken prüfen oder Pflanzenkrankheiten auf Handyfotos bestimmen.

In Nachrichten taucht ImageNet meist als Maßstab auf: Ein neues Modell wird mit seiner Trefferquote auf ImageNet beworben. Der Datensatz steht aber auch für ein bekanntes Problem. Ein Teil der Beschriftungen war fehlerhaft, manche Kategorien waren beleidigend, und viele Fotos zeigten überwiegend westliche Alltagswelten. Wer damit trainiert, übernimmt diese Schieflagen. 2019 wurden deshalb über 600.000 Bilder aus der Sammlung entfernt.

Heutige Bildmodelle lernen oft aus Milliarden Bildern samt automatisch gesammelter Bildunterschriften, ohne aufwendige Handarbeit. ImageNet ist dadurch nicht überflüssig geworden, sondern hat seine Rolle gewechselt. Es dient als etablierter Vergleichstest, mit dem sich neue Verfahren an zwölf Jahren Vorgeschichte messen lassen.