데이터클리닉의 158개 공개 리포트 중 134개는 이미지 분류 태스크로, 클래스별 이미지 수 데이터가 제공됩니다. 나머지 24개는 레이블이 없는 비지도 학습용 데이터셋이거나 클래스 구분이 적용되지 않는 형태입니다.

134개 데이터셋의 클래스 수 합계는 6,805개이며, 여기에 포함된 총 이미지는 12,054,130장입니다. 데이터셋당 평균 이미지 수는 89,956장이지만, 이는 100만 장 이상의 대형 데이터셋 4개가 평균을 크게 끌어올린 결과입니다. 중앙값(11,505장)이 평균(89,956장)의 8분의 1 수준에 불과하다는 사실이 분포의 극단적 비대칭성을 단적으로 보여줍니다. 전체 리포트는 dataclinic.ai에서 확인하실 수 있습니다.

총 이미지 수 기준으로 134개 데이터셋의 분포를 5개 구간으로 나누면 다음과 같습니다.

클래스 수의 중앙값은 10개이며, 평균은 50.8개입니다. 이분법적 분류(클래스 2개)부터 ImageNet의 1,000개 클래스까지 스펙트럼이 매우 넓습니다.

클래스 수 상위 5개 데이터셋은 다음과 같습니다:

1. ImageNet — 1,000 클래스 (1,281,167장)
2. OpenImages — 599 클래스 (1,743,042장)
3. Birds 525 — 525 클래스 (89,885장) · 스토리 보기
4. Birds 450 — 450 클래스 (67,792장) · 스토리 보기
5. MPII (Human Pose) — 398 클래스 (40,522장)

클래스가 많을수록 클래스당 이미지 수가 적어지는 경향이 있으며, 이는 불균형 문제와 직결됩니다. ImageNet(클래스당 평균 1,281장)은 이 점에서 상대적으로 잘 설계된 데이터셋이며, Birds 525(클래스당 평균 171장)는 클래스 수에 비해 데이터 규모가 제한적입니다.

134개 중 33개(24.6%)는 모든 클래스가 동일한 이미지 수를 가진 완벽 균형 데이터셋입니다. 이는 연구자가 의도적으로 균형을 맞춘 경우로, 대표적으로 EPL 로고 탐지(클래스당 정확히 1,000장), 수어 숫자 인식(클래스당 204~208장) 등이 있습니다.

반면 불균형 비율이 100배를 초과하는 데이터셋이 15개(11.2%)에 달합니다. 이 중 가장 극단적인 OpenImages의 경우 3장짜리 클래스와 220,154장짜리 클래스가 같은 데이터셋에 존재합니다. 이러한 극단적 불균형 속에서 AI 모델을 학습시키면 소수 클래스는 사실상 학습되지 않습니다.

불균형 비율의 중앙값은 2.1배로, 전형적인 공개 데이터셋은 가장 많은 클래스가 가장 적은 클래스보다 약 2배 많은 이미지를 가지고 있습니다. 이는 얼핏 양호해 보이지만, 평균(748배)과 중앙값(2.1배)의 극단적 차이가 분포의 왜곡을 보여줍니다.