近日，何愷明團隊所在的Facebook AI推出ResNeXt-101模型，利用Instagram上的用戶標記圖片作為預訓練數據集，省去了人工標記數據的巨額成本，而且使用中只需微調，性能即超越了ImageNet任務的SOTA水平。

目前，幾乎所有最先進的視覺感知算法都依賴于相同的范式：（1）在手動注釋的大型圖像分類數據集上預訓練卷積網絡，（2）在較小的特定任務的數據集上微調網絡。這個模式已經廣泛使用了好多年，并取得了明顯的進展。比如：物體檢測，語義分割，人體姿勢估計，視頻識別，單眼深度估計等。

事實上，如果沒有有監督式預訓練，很多方法現在還被認為是一種蠻干 ImageNet數據集實際上是預訓練數據集。我們現在實際上對數據集的預訓練了解相對較少。其原因很多：比如現存的預訓練數據集數量很少，構建新數據集是勞動密集型的工作，需要大量的計算資源來進行實驗。然而，鑒于預訓練過程在機器學習相關領域的核心作用，擴大我們在這一領域的科學知識是非常重要的。

本文試圖通過研究一個未開發的數據體系來解決這個復雜的問題：使用外部社交媒體上數十億的帶有標簽的圖像作為數據源。該數據源具有大而且不斷增長的優點，而且是“免費”注釋的，因為數據不需要手動標記。顯而易見，對這些數據的訓練將產生良好的遷移學習結果。

本文的主要成果是，在不使用手動數據集管理或復雜的數據清理的情況下，利用數千個不同主題標簽作為標記的數十億幅Instagram圖像進行訓練的模型，表現出了優異的傳輸學習性能。在目標檢測和圖像分類任務上實現了對當前SOTA性能的提升。在ImageNet-1k圖像分類數據集上獲得single-crop 最高準確率達到了85.4%，AP達到了45.2%。當在ImageNet-1k上訓練（或預訓練）相同模型時，分數分別為79.8％和43.7％。然而，我們的主要目標是提供關于此前未開發的制度的新實驗數據。為此，我們進行了大量實驗，揭示了一些有趣的趨勢。

表1：圖像分類數據集的摘要。每個數據集標明數據來源和功能（訓練集，驗證集，測試集），圖像數量I和標簽數量L。

ImageNet數據集和模型

除了標準的IN-1k數據集之外，我們還嘗試了包含1420萬幅圖像和22000標簽的完整ImageNet2011完整版本的更大子集。我們構建了包含5k和9k標簽的訓練集和驗證集。

對于5k標簽集組，我們使用現在標準的IN-5k（6.6M訓練圖像）。對于9k標簽集，我們遵循用于構建IN-5k數據集的相同協議，采用下一個最頻繁的4k標簽和所有相關圖像（10.5M訓練圖像）。在兩種情況下，均使用50個圖像進行驗證。

我們使用具有分組卷積層的殘差網絡ResNeXt 。實驗中使用ResNeXt-101 32×Cd，它有101層，32組，組寬分別為：4（8B乘加FLOPs，43M參數），8（16B，88M），16（36B，193M）， 32（87B，466M）和48（153B，829M）。我們認為實驗結果可以推廣到其他架構。

與ImageNet相比，我們使用的Instagram數據集可能包含每個圖像的多個標簽（因為用戶指定了多個主題標簽）。每個圖像的平均標簽數量因數據集而異;例如，train-IG-1B-17k每個圖像最多包含2個主題標簽。

實驗結果與性能

表2：使用不同規模、不同參數配置的ResNeXt-101模型獲得的不同性能結果比較

圖1：使用不同規模和參數配置的ResNeXt-101模型在ImageNet和Instagram標記數據集的分類性能的比較

運行實例及相關代碼

# Download an example image from the pytorch websiteimport urlliburl, filename = ("https://github.com/pytorch/hub/raw/master/dog.jpg", "dog.jpg")try: urllib.URLopener().retrieve(url, filename)except: urllib.request.urlretrieve(url, filename)

# sample execution (requires torchvision)from PIL import Imagefrom torchvision import transformsinput_image = Image.open(filename)preprocess = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),])input_tensor = preprocess(input_image)input_batch = input_tensor.unsqueeze(0) # create a mini-batch as expected by the model# move the input and model to GPU for speed if availableif torch.cuda.is_available(): input_batch = input_batch.to('cuda') model.to('cuda')with torch.no_grad(): output = model(input_batch)# Tensor of shape 1000, with confidence scores over Imagenet's 1000 classesprint(output[0])# The output has unnormalized scores. To get probabilities, you can run a softmax on it.print(torch.nn.functional.softmax(output[0], dim=0))