ImageNet挑戰賽，正式名稱為ImageNet大規模視覺識別挑戰賽（ILSVRC），是一項年度軟體競賽，參賽程式需正確分類並檢測圖像中的物體與場景。該挑戰賽始於2010年，使用ImageNet資料庫中精選的1000個不重疊類別，而該資料庫本身包含超過1400萬張人工標註圖像，涵蓋超過20000個類別。此挑戰賽在2012年後成為電腦視覺領域的關鍵基準，並推動了深度學習的革命。
歷史
AI研究員李飛飛於2006年開始構思ImageNet的概念，旨在擴大訓練AI演算法可用的資料量，當時多數研究聚焦於模型本身。2007年，李飛飛結識了普林斯頓大學教授、WordNet的建立者之一克里斯蒂安·費爾鮑姆，並基於WordNet中約22000個名詞建構了ImageNet。她的靈感來自1987年的一項估計，即普通人能辨識約30000種物體。
作為普林斯頓大學的助理教授，李飛飛組建團隊，利用亞馬遜的機械土耳其人平台進行圖像標註。標註工作從2008年7月持續至2010年4月，動員了來自167個國家的49000名工作者，對超過1.6億張候選圖像進行篩選與標註。最終，每張圖像由三人標註，共完成1400萬張圖像的標註。最初的計畫是每個類別包含10000張圖像，共涵蓋40000個類別，但這一目標未能完全實現。
該資料庫最初於2009年在佛羅里達舉行的電腦視覺與模式識別會議（CVPR）上以海報形式發表，題為「ImageNet：一個大規模層級化資料集的預覽」。2009年，亞歷克斯·伯格建議增加物體定位任務，並促成了與PASCAL視覺物體類別競賽的合作。首屆ImageNet挑戰賽於2010年舉辦，設有1000個類別及物體定位任務，而PASCAL VOC僅有20個類別和19737張圖像。
對深度學習的意義
2012年9月30日，一個名為AlexNet的卷積神經網路（CNN）在ImageNet 2012挑戰賽中取得了前五錯誤率15.3%的成績，比第二名低了超過10.8個百分點。這一成功得益於使用圖形處理器（GPU）進行訓練，而GPU是深度學習革命的關鍵要素。《經濟學人》雜誌評論道：「突然之間，人們開始關注，不僅是AI社群，整個科技產業都為之矚目。」
2015年，微軟的深度CNN（超過100層）以3.57%的測試錯誤率贏得了ImageNet 2015競賽。安德烈·卡帕西在2014年估計，憑藉專注的努力，人類可達到5.1%的錯誤率；而若全力以赴，人類錯誤率可低至2.4%。
資料集
ImageNet的標註過程採用群眾外包方式。圖像級標註標明圖像中是否存在某類物體，而物體級標註則提供邊界框。資料集使用WordNet架構的變體，並擴充了120個犬種類別以支援細粒度分類。
截至2010年4月30日，ImageNet包含21841個非空synset（同義詞集）、14197122張圖像、其中1034908張帶有邊界框標註，以及120萬張具有SIFT特徵的圖像。2012年，ImageNet成為全球最大的機械土耳其人學術用戶，工作者平均每分鐘標註50張圖像。
類別
類別是從WordNet概念中篩選出來的，每個類別稱為一個「synset」（同義詞集）。ImageNet包含21841個可視覺化表示的計數名詞synset。每個synset有一個WordNet ID（wnid），以「n」開頭（例如，「n02084071」對應「狗」）。類別分為9個層級，從第1層（如「哺乳動物」）到第9層（如「德國牧羊犬」）。
圖像格式
圖像透過多語言同義詞從線上搜尋引擎（Google、Picsearch、MSN、Yahoo、Flickr）抓取。圖像為RGB格式，解析度各異；例如，ImageNet 2012中「魚」類別的圖像解析度從4288×2848到75×56像素不等。在機器學習中，圖像通常會預處理至標準解析度並進行白化。例如，在PyTorch中，圖像會透過除以像素值[0,1]、減去[0.485, 0.456, 0.406]並除以[0.229, 0.224, 0.225]來進行歸一化。
標註
每張圖像僅標註一個wnid。密集SIFT特徵（原始描述子、量化視覺詞彙及座標）可用於ImageNet-1K，該子集專為詞袋模型設計。約3000個熱門synset提供邊界框標註，每個synset平均有150張圖像。部分圖像還包含屬性標註，但細節有限。
影響
ImageNet挑戰賽對推動機器學習和深度學習技術的發展起到了關鍵作用。它普及了卷積神經網路（如殘差網路）的架構，以及批次歸一化和資料擴增等訓練方法。該競賽的成功激發了人們對人工智慧的廣泛興趣，並影響了後續生成式AI和大語言模型研究的進展，儘管挑戰賽本身專注於視覺任務。