{
  "id": "imagenet",
  "title": "ImageNet",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "ImageNet 是按层级组织的大型图像数据集，已成为视觉识别与深度学习的重要基准。",
  "category": "computer-science",
  "subcategory": "artificial-intelligence",
  "type": "concept",
  "aliases": [
    "ImageNet数据集",
    "ImageNet数据库"
  ],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/imagenet/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/imagenet/",
      "json": "https://aiwiki.page/en/imagenet.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "ImageNet 是为计算机视觉和机器学习研究而建立的大型标注图像集合。其类别遵循词汇数据库 WordNet 的名词层级结构；该数据库按词义对词语进行分组。ImageNet 既提供训练数据，也提供用于识别照片中物体的评测基准。完整数据库与规模较小的竞赛子集并不相同：广泛使用的 1,000 类基准仅涵盖整个图像集合的一部分。通过标准化评测和大规模标注数据，ImageNet 推动了深度学习成为视觉识别的核心方法。(image-net.org)"
    },
    {
      "heading": "起源与构建",
      "text": "ImageNet 最早由邓嘉、董玮、Richard Socher、李佳、李凯和李飞飞在 2009 年的一篇会议论文中提出。论文介绍的数据集包含约 320 万张图像，覆盖 5,247 个类别。其目标是为 WordNet 中相当一部分概念分别收集数百至数千张经过核验的图像，从而大幅扩大视觉研究可用数据的规模。(image-net.org)\n\nImageNet 的组织单位是同义词集（synset），即表达某一特定含义的一组同义词。同义词集通过上位与下位概念关系相互连接：例如，某个具体犬种归属于更宽泛的犬类和动物概念之下。这种结构使 ImageNet 有别于仅按扁平标签列表组织的数据集。(image-net.org)\n\n构建过程将互联网图像搜索与通过众包进行的人工核验相结合，所用平台包括 Amazon Mechanical Turk。搜索结果提供候选照片，标注人员则检查每张候选照片是否呈现了目标概念。人工核验十分重要，因为搜索词可能存在歧义，检索出的图像也不一定与其关联文本相符。因此，最初的设计将候选图像的搜集与标签的确认分为两个环节。(image-net.org)"
    },
    {
      "heading": "完整数据库与基准子集",
      "text": "历史上的完整图像集合包含 14,197,122 张标注图像，分布在 21,841 个非空同义词集中。这些数字描述的是一个已发布的版本，而不是永远不变的总量：后续筛选改变了数据库的部分内容。规模较大的版本通常称为 ImageNet-21K 或 ImageNet-22K，但不同分发版本的确切类别数和预处理方式可能有所不同。(image-net.org)\n\n最知名的子集与 ImageNet 大规模视觉识别挑战赛（ILSVRC）相关。该赛事在 2012—2017 年使用的分类与定位数据集包含 1,000 个物体类别、1,281,167 张训练图像、验证集中的 50,000 张图像，以及测试集中的 100,000 张图像。这个子集通常称为 ImageNet-1K。仅以“ImageNet 准确率”表述的结果，往往指的是这一基准，而非对整个层级结构中所有类别的分类表现。(image-net.org)"
    },
    {
      "heading": "任务与评测",
      "text": "ILSVRC 始于 2010 年，为多种识别任务提供了统一的评测流程。图像分类要求系统为图像分配类别标签。单物体定位还要求给出框住相关物体的边界框。目标检测要求识别并定位各个物体实例，这些实例可能属于同一张图像中的多个类别。这些任务使用的标注和评分规则彼此相关，但并不相同。(arxiv.org)\n\n分类性能通常用 top-1 和 top-5 准确率或错误率来报告。Top-1 衡量排名最高的预测是否与参考标签一致；top-5 则衡量该标签是否出现在排名最高的五个预测之中。定位评测还会考虑预测边界框与参考边界框之间的一致程度。因此，单凭分类分数，无法衡量模型定位物体或识别场景中所有物体的能力。(arxiv.org)\n\n将训练、验证和测试图像分开，有助于在不直接使用评测样本进行训练的情况下开发模型。不过，比较结果仍取决于实验方案，包括是否使用额外训练数据、如何进行图像预处理，以及预测是否融合了多个模型或多个图像裁剪区域的结果。(arxiv.org)"
    },
    {
      "heading": "对视觉学习的影响",
      "text": "一个重要里程碑是深层卷积神经网络 AlexNet 在 2012 年竞赛中取得的成绩。其夺冠提交的 top-5 测试错误率为 15.3%，而第二名的错误率为 26.2%。该系统将图形处理器（GPU）计算与修正线性单元、数据增强和随机失活等技术结合起来。这一结果证明了在大型标注图像集合上训练大型神经网络的有效性。(papers.nips.cc)\n\n除了最初的分类任务之外，ImageNet 也成为表征学习的重要资源。利用其标签通过监督学习训练的模型，可以提供可复用的视觉特征。在迁移学习中，这些特征可作为另一个模型的输入，也可以在不同的数据集上对预训练网络进行微调。研究考察了 ImageNet 上更好的表现能在多大程度上预示下游任务中更好的表现；这种关系会随任务和迁移设置而变化。(arxiv.org)"
    },
    {
      "heading": "局限与数据集修订",
      "text": "ImageNet 上的表现并不等同于不受限制的视觉理解能力。类别选择、图像搜索流程和标注规则共同决定了该基准所衡量的内容。即使评测只使用一个参考标签，图像中也可能包含多个相关物体。有关修订标注的研究表明，标签的歧义与错误会影响测得的性能。(arxiv.org)\n\n有关泛化（机器学习）的研究还使用按照原始收集流程新采集的图像来测试模型。与 ImageNetV2 相关的 ImageNet 研究发现，模型在新测试集上的准确率有所下降，但不同模型家族中持续取得的性能提升仍能体现到新测试集上。这些发现说明，基准表现部分取决于具体的图像分布，而不仅仅取决于类别词汇。(arxiv.org)\n\n完整数据库中的人物类别引发了对不当标签、无法可靠地从视觉上判断的概念，以及代表性不均衡问题的审视。2021 年 3 月 11 日，该项目宣布从人物子树中移除 2,702 个同义词集；这一调整并未改变 ILSVRC 的 1,000 个类别。项目还介绍了人脸标注和一个对人脸进行模糊处理的 ILSVRC 版本，旨在处理物体照片中偶然出现的人物。(pixl.cs.princeton.edu)"
    }
  ],
  "links": [
    "computer-vision",
    "machine-learning",
    "wordnet",
    "training-data",
    "deep-learning",
    "internet",
    "crowdsourcing",
    "imagenet-large-scale-visual-recognition-challenge",
    "validation-set",
    "test-set",
    "image-classification",
    "object-detection",
    "convolutional-neural-network",
    "alexnet",
    "graphics-processing-unit",
    "rectified-linear-unit",
    "data-augmentation",
    "dropout",
    "representation-learning",
    "supervised-learning",
    "transfer-learning",
    "fine-tuning",
    "generalization"
  ],
  "sources": [
    {
      "title": "image-net.org/static_files/papers/imagenet_cvpr09.pdf",
      "url": "https://www.image-net.org/static_files/papers/imagenet_cvpr09.pdf"
    },
    {
      "title": "image-net.org/download.php",
      "url": "https://www.image-net.org/download.php"
    },
    {
      "title": "arxiv.org/abs/1409.0575",
      "url": "https://arxiv.org/abs/1409.0575"
    },
    {
      "title": "arxiv.org/html/1409.0575",
      "url": "https://arxiv.org/html/1409.0575"
    },
    {
      "title": "papers.nips.cc/paper/4824-imagenet-classification-withdeep-convolutional-neural…",
      "url": "https://papers.nips.cc/paper/4824-imagenet-classification-withdeep-convolutional-neural-networks.pdf"
    },
    {
      "title": "arxiv.org/abs/1805.08974",
      "url": "https://arxiv.org/abs/1805.08974"
    },
    {
      "title": "arxiv.org/abs/2006.07159",
      "url": "https://arxiv.org/abs/2006.07159"
    },
    {
      "title": "arxiv.org/abs/1902.10811",
      "url": "https://arxiv.org/abs/1902.10811"
    },
    {
      "title": "pixl.cs.princeton.edu/pubs/Yang_2020_TFD/index.php",
      "url": "https://pixl.cs.princeton.edu/pubs/Yang_2020_TFD/index.php"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}