ImageNet 数据集怎么建起来？千万张图的十年工程

今天任何一个看图识物的 AI 应用，追到源头都会碰到同一个名字：ImageNet。这个数据集 2009 年公开时已有百万级图片，此后按公开口径扩到约 1400 万张，成为计算机视觉十年研究的燃料库。它不是天上掉下来的，而是从一个词汇数据库出发、靠众包一张张攒出来的工程。这篇按公开记录讲它的来路：起点在哪，人怎么组织，项目怎么熬过经费最紧的年份。

为什么需要一个新的图片库

2000 年代中期的计算机视觉有个尴尬处境：算法在等数据。当时的公开数据集多是几千到几万张图，类别有限，靠人工精心采集；模型在实验室里成绩不错，一到真实场景就露怯。普林斯顿大学的李飞飞在公开讲述里给出过自己的判断：视觉研究缺的不只是更聪明的算法，缺的是像 WordNet 那样规模的基础数据。WordNet 是普林斯顿心理学家米勒等人自 1985 年前后建设的词汇数据库，把英文词汇组织成层级化的同义词组，公开口径收录约两万个词组——这个词库后来成了 ImageNet 的骨架。

WordNet 给了它骨架

ImageNet 的设计思路写在 2009 年的 CVPR 公开论文里：借用 WordNet 的层级结构，把其中大量名词节点作为类别，每个节点底下挂上足够多的真实图片。公开材料口径，目标覆盖两万多个类别。借现成体系的好处是结构不用另起炉灶：类别之间自带上下位关系，狗是犬科、犬科是哺乳动物，层级直接可用。难点在图片本身：每个类别需要几百上千张不同光照、角度、场景下的真实照片，靠实验室自己一张张拍是拍不完的。

众包标注是怎么跑起来的

答案在 2007 年前后找到：亚马逊的众包平台 Mechanical Turk，这个平台名字的来历见土耳其机器人一篇。团队把图片收集与核对拆成小额微任务，散给网上认领任务的人完成。按公开论文口径，高峰期有约五万名 worker 参与，来自上百个国家；标注的组织学细节，李飞飞团队与后来的人物专篇都有公开记录，见李飞飞怎么凑齐 1400 万张图一篇。经费最紧的年份，项目一度难以为继，这段经历出自李飞飞的公开讲述，项目后来随她从普林斯顿移到斯坦福继续。

十年工程的后半段

2009 年，数据集论文在 CVPR 公开，彼时收录图片已到百万级；此后按公开口径逐年扩充，最终约 1400 万张、两万多个类别，绝大多数图片带有人工核对的标签。2010 年起，基于这个数据集子集的国际视觉识别挑战赛 ILSVRC 开赛，固定一千个类别、一百多万张训练图，成为视觉算法的年度公测场，赛事脉络见ImageNet 竞赛一篇。2012 年，AlexNet 用两块游戏显卡把榜单成绩大幅刷新，深度学习由此回到主流，见AlexNet 拿冠军一篇——没有这座图库，那场夺冠无从谈起。

ImageNet 建设节点速查

• 1985 年前后：WordNet 在普林斯顿启动，词汇层级库
• 2007 年前后：ImageNet 立项，借用 WordNet 结构
• 2009 年：CVPR 论文公开，百万级图片就位
• 2010 年：ILSVRC 竞赛开赛，1000 类、百万训练图
• 此后：规模按公开口径扩至约 1400 万张、两万余类

一座数据集改变了什么

把 ImageNet 放回历史，它的意义在于把「数据」提到了与「算法」同等的位置：先有大规模标注数据，算法突破才有较量的场地。这个经验后来被反复复制，语音、文本、多模态模型都沿用了大数据集先行的路数。今天你用豆包识别一张植物照片、用腾讯元宝拍题讲解，背后视觉能力的共同前提，就是这类千万级图库的存在。李飞飞的人物主线见李飞飞一篇。想验收一个模型的图片能力，可以让 DeepSeek 与 Kimi 描述同一张图再对比细节——数据集规模决定模型的见识，见识够不够，还要落在自己的任务上看。

ImageNet 数据集快问快答

• ImageNet 里到底有多少张图？：公开口径约 1400 万张、两万多个类别；用于 ILSVRC 竞赛的子集为一千类、一百多万张训练图，具体数字以官方发布为准。
• 图片是团队自己拍的吗？：主要从公开网络检索收集，再由众包 worker 逐张核对过滤，流程写在团队的公开论文与公开讲述里。
• 数据集与竞赛是一回事吗？：数据集是底座，竞赛是 2010 年起基于其子集设立的年度评测，竞赛的详细脉络另有专篇，本文讲数据集本身。