ImageNet
ImageNet ist ein wegweisender großskaliger Bilddatensatz mit Millionen gelabelter Bilder in Tausenden Kategorien. Er trieb über den ILSVRC-Benchmark-Wettbewerb die Deep-Learning-Revolution in der Computer Vision an und bleibt grundlegend für Pre-Training, Transfer Learning und die Evaluierung von Bildklassifikationsmodellen.
Überblick
„ImageNet“ ist eine Ressource vom Typ „Datensatz“, kuratiert von AI Resource Hub, eingeordnet in die Kategorie Datensätze und geeignet für Lernende der Stufe Fortgeschritten. Sie wird von Stanford Vision Lab bereitgestellt, wurde zuletzt am 2026-06-14 aktualisiert und hat eine redaktionelle Wertung von 4.7/5 von unserem Team. Klicke rechts auf „Ressource besuchen“, um die Originalseite zu öffnen.
Unser Fazit
ImageNet ist weniger ein Datensatz als ein Stück Geschichte: Der ILSVRC-Wettbewerb, den es trug, leitete das moderne Deep-Learning-Zeitalter in der Computer Vision ein, und es bleibt der Referenz-Benchmark für Bildklassifikation. Nach Registrierung kostenlos für die Forschung, bietet es Millionen gelabelter Bilder in Tausenden Kategorien – mit einem Loader- und Pretrained-Modell-Ökosystem ohne Gleichen. Mit Vorsicht genießen: Seine Labels haben gut dokumentierte Verzerrungen und Fehler, und die Bildlizenzen sollten vor jeder kommerziellen Nutzung geprüft werden. Für Forschung und Benchmarking bleibt es der kanonische Ausgangspunkt.
Tags
Hauptfunktionen
- ▹Millionen gelabelter Bilder
- ▹Der klassische Computer-Vision-Benchmark
- ▹Tausende Objektkategorien
Ideal für
- ▹Bildklassifikation lehren und benchmarken
- ▹Transfer-Learning- und Pretraining-Baselines
- ▹Architekturen gegen Jahrzehnte an Ergebnissen vergleichen
Weniger geeignet für
- ▪Kommerzielles Training ohne Lizenzprüfung
- ▪Moderne Nischen-Bildaufgaben
Vorteile
- +Historischer Standard-Benchmark für Vision
- +Bis ins Detail erforscht
- +Der Standard-Benchmark für Bildklassifikation
Nachteile
- −Zugangs- und Lizenzbedingungen gelten
- −Zugang erfordert Registrierung und Bedingungen
- −Die Labels weisen bekannte Verzerrungen und Fehler auf
FAQ
Details
- Preise
- Kostenlos für die Forschung
- Autor
- Stanford Vision Lab
- Redaktionswertung
- ★ 4.7 / 5
- Zuletzt aktualisiert
- 14. Juni 2026