| Typ | Entität |
|---|---|
| Kategorie | datensatz |
| Quellen | Quelle - Neuronale Netze programmieren mit Python Quelle - Recherche - Bildverarbeitung heute 2026 |
| Erstellt | 2026-09-27 |
| Aktualisiert | 2026-09-27 |
| Tags | datensatz, bilderkennung, benchmark, deep-learning |
Grosse Bilddatenbank mit 1000 Klassen, auf der von 2010 bis 2017 die ImageNet Large Scale Visual Recognition Challenge (ILSVRC) lief. Der Sieg des Faltungsnetzes AlexNet 2012 gilt als Beginn der Deep-Learning-Ära. Auf ImageNet vortrainierte Netze sind heute der Ausgangspunkt für Transfer Learning.
Wettbewerb
- Laut Quelle - Neuronale Netze programmieren mit Python stellte die Stanford University 2010 den Datensatz bereit und rief die ILSVRC aus. Die drei besten Teams präsentierten an der Konferenz CVPR (S. 250).
- 2012 gewann das CNN AlexNet mit 15,3 % Fehler (Top-5), der Zweite lag bei 26,2 % (S. 250). So auch Quelle - Recherche - Bildverarbeitung heute 2026.
- Die Sieger-Fehlerraten sanken von 28,2 % (2010) über 16,4 % (AlexNet), 6,7 % (GoogLeNet 2014) und 3,57 % (ResNet 2015) auf 2,25 % (SENet 2017). Die menschliche Fehlerrate liegt laut Quelle bei 5 bis 10 % (S. 250–251).
Zur Grösse: Quelle - Neuronale Netze programmieren mit Python nennt „150.000 Bilder mit 1000 Klassen“ (S. 250). Quelle - Recherche - Bildverarbeitung heute 2026 nennt 1,2 Millionen Bilder. Die 1,2 Millionen sind der Trainingsdatensatz der ILSVRC; 150 000 entspricht ungefähr den Validierungs- und Testbildern zusammen (Einordnung Claude). Innerhalb des Buchs steht für AlexNet im Text 15,3 %, in der Abbildung 16,4 %.
Vortrainierte Netze
Keras liefert Netze wie Inception-v3, ResNet50 oder VGG19 mit ImageNet-Gewichten (weights='imagenet'). Ein solches Netz erkennt ein Foto eines Deutschen Schäferhunds zu 92 % richtig, auf den Plätzen folgen Malinois und Kelpie. Weil ImageNet viele Hunde, Katzen und Vögel enthält, eignen sich diese Netze gut für eigene Tierbilder, und DeepDream-Bilder zeigen oft genau solche Tiere (S. 253–258, 414, 417).
ImageNet wurde von Fei-Fei Li (damals Princeton, später Stanford) aufgebaut und umfasst insgesamt über 14 Millionen beschriftete Bilder. Die ILSVRC nutzt eine Teilmenge davon. Das ist Allgemeinwissen und nicht eigens recherchiert. Wie beim MNIST-Datensatz zeigt sich: Grosse, offene, beschriftete Datensätze treiben die Forschung ebenso voran wie neue Algorithmen.
Verwandt
- Faltungsnetz – die Netze, die auf ImageNet trainiert wurden
- MNIST – der kleine Vorgänger für Ziffern
- Mustererkennung – der Durchbruch 2012 aus Sicht der Bildverarbeitung
- Geschichte der neuronalen Netze – AlexNet als Wendepunkt