ImageNet大规模视觉识别挑战赛（ILSVRC）2012年是年度软件竞赛的第三届，参赛程序需正确分类和检测ImageNet数据库中的物体与场景。2012年的挑战赛被广泛视为人工智能历史上的转折点，因为获胜参赛作品，，一个名为AlexNet的神经网络，，在测试集上实现了15.3%的top-5错误率，比亚军低了超过10.8个百分点。这一显著进步展示了深度学习和机器学习技术的强大力量，引发了持续塑造该领域的研究与投资浪潮。
ImageNet项目本身由AI研究员李飞飞于2006年发起，目标是扩大可用于训练AI算法的数据量。李飞飞于2007年与普林斯顿大学教授克里斯蒂安·费尔鲍姆（WordNet的创建者之一）会面，随后以WordNet中约22,000个名词为起点构建了ImageNet。该数据库通过亚马逊Mechanical Turk的众包标注方式构建，标注工作于2008年7月开始，2010年4月结束。这项工作涉及来自167个国家的49,000名工人，筛选并标注了超过1.6亿张候选图像，最终形成了涵盖超过20,000个类别的超过1,400万张人工标注图像。
历史与发展
ImageNet的想法源于李飞飞观察到当时大多数AI研究侧重于模型和算法而非数据。她受到1987年一项估计的启发，该估计认为普通人能识别约30,000种不同物体。2007年，李飞飞与克里斯蒂安·费尔鲍姆会面讨论该项目，会议促成了从WordNet名词同义词集构建ImageNet的决定。李飞飞在普林斯顿大学（她当时任助理教授）组建了一个研究团队，并使用亚马逊Mechanical Turk对图像进行分类。
原计划要求每个类别10,000张图像，共40,000个类别，总计4亿张图像，每张图像需验证三次。然而，人类每秒最多只能分类2张图像，按此速度估计需要19人年的不间断劳动。团队于2009年在佛罗里达举行的计算机视觉与模式识别会议（CVPR）上首次以海报形式展示了该数据库，标题为“ImageNet：大规模层级数据集预览”。
2009年，亚历克斯·伯格建议添加物体定位任务。李飞飞与PASCAL视觉物体类别竞赛接洽寻求合作，最终促成了2010年ImageNet大规模视觉识别挑战赛的启动。该挑战赛使用经过筛选的1,000个非重叠类别列表，而PASCAL VOC在2010年仅有20个类别和19,737张图像。
对深度学习的重要性
2012年9月30日，卷积神经网络（CNN）AlexNet在ImageNet 2012挑战赛中实现了15.3%的top-5错误率，比亚军低了超过10.8个百分点。卷积神经网络的使用因训练期间采用图形处理单元（GPU）而成为可能，这是深度学习革命的关键要素。据《经济学人》报道，“突然间人们开始关注，不仅在AI社区内部，而且在整个科技行业。”
AlexNet的胜利常被视为深度学习热潮的触发点。它证明了神经网络能在复杂视觉任务上取得最先进的结果，导致深度学习技术在各领域迅速被采用，包括生成式AI和大型语言模型。2015年，AlexNet被微软的超过100层超深CNN超越，后者以3.57%的测试集错误率赢得了ImageNet 2015竞赛。
安德烈·卡帕西在2014年估计，通过集中努力，他可以达到5.1%的错误率，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达到2.4%的错误率。
数据集构成
ImageNet众包其标注过程。图像级标注指示图像中是否存在某物体类别，例如“此图像中有老虎”或“此图像中没有老虎”。物体级标注提供所指示物体可见部分的边界框。ImageNet使用WordNet广义模式的变体来对物体进行分类，并增加了120个犬种类别以展示细粒度分类。
2012年，ImageNet是Mechanical Turk最大的学术用户，平均每位工人每分钟识别50张图像。2010年4月30日给出的汇总统计显示，共有21,841个非空同义词集、14,197,122张图像、1,034,908张带边界框标注的图像，以及120万张带SIFT特征的图像。
ImageNet的类别从WordNet概念中筛选而来。每个概念称为一个“synset”（同义词集），WordNet 3.0中有超过100,000个同义词集，其中大多数是名词（80,000多个）。ImageNet将这些筛选为21,841个可数名词且可视觉化的同义词集。每个同义词集有一个WordNet ID（wnid），以“n”开头，因为ImageNet仅包含名词。类别分为9个层级，从第1级（如“哺乳动物”）到第9级（如“德国牧羊犬”）。
图像格式与预处理
图像使用多种语言的同义词从在线图像搜索引擎（Google、Picsearch、MSN、Yahoo、Flickr）抓取。ImageNet包含RGB格式且分辨率各异的图像。例如，在ImageNet 2012中，“鱼”类别的分辨率从4288 x 2848到75 x 56不等。在机器学习中，这些图像通常被预处理为标准恒定分辨率，并在神经网络进一步处理前进行白化。
例如，在PyTorch中，ImageNet图像默认通过除以像素值归一化到0到1之间，然后减去[0.485, 0.456, 0.406]，再除以[0.229, 0.224, 0.225]。这些是ImageNet的均值和标准差，因此这会对输入数据进行白化。
标签与标注
每张图像精确标注一个wnid。ImageNet-1K的密集SIFT特征（原始SIFT描述符、量化码字以及每个描述符/码字的坐标）可供下载，设计用于视觉词袋。约3,000个热门同义词集的物体边界框可用，每个同义词集平均有150张图像。部分图像还带有属性标注，但可用来源中未指定其完整细节。