ImageNet（圖像資料集）
/ IM-ij-net /
ImageNet是一個龐大的帶標籤照片集合——超過一千四百萬張圖像，每一張都由人工標註出它顯示的內容，並被組織進數千個類別，從「金魚」到「貨運車廂」。它由李飛飛領導的團隊從2009年起著手構建，背後是一個賭注：電腦視覺所缺的，並不是更聰明的演算法，而是足夠多的數據。眾包工人一張一張地標註這些圖像，這項浩大的人力工程，把混亂的網際網路變成了一本機器可以研讀的教科書。
它的聲名來自一年一度的競賽——ImageNet挑戰賽，比賽用的是數據中1000個類別的那一片。2012年，一個叫AlexNet的深度神經網路在比賽中大獲全勝，把錯誤率壓低得如此驚人，以至於整個領域幾乎一夜之間轉向了深度學習。這一個結果，被廣泛引為現代AI熱潮的火種。此後多年，「ImageNet準確率」一直是衡量視覺進展的那個頭條數字。
它也值得一次坦率的清算。ImageNet證明了數據規模能夠開啟學習，但它同時也埋進了一些問題：有些類別和標籤嘈雜或帶有冒犯性，照片在國別與文化上有所偏倚，而追逐單一榜單也鼓勵了那些「刷榜很高、卻在更混亂的真實世界裡栽跟頭」的模型。所以ImageNet被譽為一個轉折點，是恰如其分的——而它作為一則警世故事被研究，說明「數據集的盲區如何變成模型的盲區」，也同樣恰如其分。
在2012年的挑戰賽中，最好的非深度學習系統在1000類的測試上犯下大約26%的前五錯誤率。而AlexNet——一個用GPU訓練的深度網路——把這個數字降到了約16%，這一躍如此之大，以至於不到一年，幾乎每一個認真參賽的項目都成了深度網路。
AlexNet 2012年在ImageNet上的勝利，通常被認為是點燃深度學習時代的那一刻。
日常說的「ImageNet」，通常指那1000個類別的挑戰賽子集，而不是完整的一千四百萬張圖像的資料庫。而高ImageNet準確率是必要的，卻不是充分的：一個模型可以高居榜首，卻依賴背景線索，一碰到與該資料集（偏西方、從網路抓取）風格不同的照片就失靈。