ImageNet-21K指的是完整的ImageNet数据集，这是一个为视觉对象识别软件研究而设计的大型视觉数据库。它包含超过1400万张人工标注的图像，组织成超过21000个类别，称为同义词集，这些类别源自WordNet词汇数据库。该数据集以第三方图像URL的标注形式免费提供，但实际图像并不归ImageNet所有。自2010年以来，ImageNet每年举办一次竞赛，即ImageNet大规模视觉识别挑战赛（ILSVRC），该竞赛使用一个包含1000个不重叠类别的精简子集，通常称为ImageNet-1K。
历史
人工智能研究员李飞飞于2006年开始构思ImageNet，旨在扩展用于训练人工智能算法的数据。2007年，她遇到了普林斯顿大学教授Christiane Fellbaum，她是WordNet的创建者之一，随后她基于WordNet中约22000个名词构建了ImageNet。李飞飞还受到1987年一项估计的启发，该估计认为普通人能识别约30000种物体。
作为普林斯顿大学的助理教授，李飞飞组建了一个团队，并使用亚马逊土耳其机器人进行图像分类。标注工作始于2008年7月，结束于2010年4月，涉及来自167个国家的49000名工人，他们筛选并标注了超过1.6亿张候选图像。每张1400万张图像都被标注了三次。最初计划是为40000个类别中的每个类别提供10000张图像，总计4亿张图像，但这一目标并未实现。首次公开亮相是2009年在佛罗里达举行的计算机视觉与模式识别会议（CVPR）上的海报展示。
2009年，Alex Berg建议添加对象定位功能，这促成了与PASCAL视觉对象类别竞赛的合作，并于2010年推出了ILSVRC，该竞赛包含1000个类别和对象定位，而PASCAL VOC仅有20个类别。
对深度学习的重要性
2012年9月30日，一个名为AlexNet的卷积神经网络（CNN）在ImageNet 2012挑战赛中以15.3%的top-5错误率夺冠，比第二名低10.8个百分点以上。这一成功得益于训练过程中使用图形处理单元（GPU），这是深度学习革命的关键因素。据《经济学人》报道，“突然间，人们开始关注，不仅在人工智能社区内部，而且在整个科技行业。”
2015年，AlexNet被微软的超过100层超深CNN超越，后者以3.57%的错误率赢得了ImageNet 2015竞赛。Andrej Karpathy在2014年估计，通过集中努力，他可以将错误率降至5.1%，而他实验室中约10人用较少努力达到了约12-13%的错误率。据估计，人类在最大努力下可以达到2.4%的错误率。
数据集
ImageNet众包其标注过程。图像级标注指示对象类别的存在或不存在，而对象级标注提供可见对象周围的边界框。该数据集使用WordNet模式的变体，并增加了120个犬种类别用于细粒度分类。2012年，ImageNet是亚马逊土耳其机器人全球最大的学术用户，工人平均每分钟识别50张图像。
截至2010年4月30日，该数据集包含21841个非空同义词集、14197122张图像、1034908张带边界框标注的图像，以及120万张带SIFT特征的图像（针对1000个同义词集）。
类别
类别从WordNet概念中筛选而来，每个类别称为一个“同义词集”（synset）。WordNet 3.0包含超过10万个同义词集，其中大部分是名词（超过8万个），ImageNet将这些筛选为21841个可视觉化的可数名词。每个同义词集都有一个WordNet ID（wnid），以“n”开头，因为只包含名词；例如，“狗，家犬，Canis familiaris”的wnid是“n02084071”。类别跨越9个层级，从第1级（例如“哺乳动物”）到第9级（例如“德国牧羊犬”）。
图像格式
图像使用多种语言的同义词从在线搜索引擎（Google、Picsearch、MSN、Yahoo、Flickr）抓取。它们采用RGB格式，分辨率各异；例如，在2012版本中，“鱼”类别从4288 x 2848到75 x 56像素不等。在机器学习中，图像通常被预处理为恒定分辨率并白化。在PyTorch中，ImageNet图像通过将像素值除以[0,1]、减去[0.485, 0.456, 0.406]并除以[0.229, 0.224, 0.225]进行归一化，这些是数据集的均值和标准差。
标签和标注
每张图像都标注有且仅有一个wnid。密集SIFT特征（原始描述符、量化码字和坐标）可用于ImageNet-1K，专为视觉词袋模型设计。边界框可用于约3000个流行的同义词集，每个同义词集平均有150张图像。一些图像还具有属性标注。
影响与遗产
ImageNet-21K在推动人工智能和计算机视觉研究方面发挥了重要作用。ILSVRC挑战赛，特别是2012年的AlexNet结果，催化了神经网络和深度学习方法的广泛采用。该数据集的规模和层次结构使得大型模型的训练成为可能，影响了生成式人工智能及其他领域的后续发展。尽管完整的21K数据集在基准测试中不如1K子集常用，但它仍然是预训练和细粒度分类研究的重要资源。