ImageNet

ImageNet ist eine ab 2006 aufgebaute, entlang der Wortnetz-Taxonomie WordNet geordnete Sammlung von Millionen aus dem Web zusammengetragener und per Crowdwork verifizierter Fotografien – und zugleich der Name des Wettbewerbs, der zwischen 2010 und 2017 auf einer Teilmenge von tausend Objektklassen ausgetragen wurde. Beides zusammen gilt als der institutionelle Ort, an dem sich das maschinelle Sehen vom Entwurf besserer Modelle auf das Sammeln größerer Datenmengen umstellte.

Zusammenfassung

Der Datensatz und der zugehörige Wettbewerb, die ImageNet Large Scale Visual Recognition Challenge (ILSVRC), bilden gemeinsam die Achse, um die sich die Geschichte des Deep Learning in der Bilderkennung dreht.

Fei-Fei Li und ihre Mitarbeiter veröffentlichten 2009 eine Sammlung von 3,2 Millionen Bildern in 5.247 Kategorien; bis 2014 wuchs sie auf 14.197.122 Bilder in 21.841 Synsets. Die semantische Ordnung übernahm ImageNet von WordNet, der in Princeton entwickelten lexikalischen Datenbank des Englischen.

Die Verifikation der Bilder besorgte Amazon Mechanical Turk – ein Umstand, der lange als bloßes technisches Detail behandelt wurde und erst im Rückblick als das erkennbar wurde, was er ist: die arbeitsteilige Voraussetzung dessen, was später „KI-Fortschritt” hieß.

Der Wettbewerb machte diese Datenbasis vergleichbar. Auf einer Teilmenge von 1.000 Klassen mit 1.281.167 Trainings-, 50.000 Validierungs- und 100.000 Testbildern maßen sich ab 2010 die Systeme aneinander.

2012 gewann AlexNet mit einer Top-5-Fehlerrate von 15,3 Prozent gegen 26,2 Prozent des zweitbesten Beitrags – ein Abstand, den man in der Bildverarbeitung bis dahin nicht kannte. Von da an waren Convolutional Neural Networks und Grafikkarten die Standardantwort auf fast jede Sehaufgabe.

Die Erzählung, die daraus wurde – eine Kurve, die von 28 Prozent Fehler auf 2,25 Prozent fällt und dabei „den Menschen überholt” –, hält der genauen Prüfung schlecht stand.

Ebenso wenig hält die Annahme stand, ein aus dem Web zusammengesuchter und über eine Wörterbuchtaxonomie sortierter Bildbestand sei ein neutrales Abbild der sichtbaren Welt. Beide Befunde, der messtechnische und der politische, sind seit etwa 2019 die eigentliche Substanz dessen, was man über ImageNet wissen sollte.

Begriffsgeschichte

Die Ausgangsidee stammt aus einer Zeit, in der die Computer Vision anders tickte. Um 2006 galt als Königsweg, bessere Modelle zu bauen: raffiniertere Merkmalsdeskriptoren, bessere Kernel, elegantere Wahrscheinlichkeitsmodelle. Datensätze waren klein – Fei-Fei Lis eigener Caltech-101 umfasste einige tausend Bilder – und die verbreitete Diagnose lautete, dass die Modelle zu schwach seien.

Li vertrat die Gegenthese: Die Modelle seien nicht das Problem, sondern der Hunger nach Beispielen, den man ihnen nie gestillt habe. Ein Kind sehe in wenigen Lebensjahren Hunderte Millionen Ansichten; ein Klassifikator sehe ein paar hundert. Statt das Modell zu verbessern, müsse man die Welt vollständiger vorlegen.

Diese Umkehrung – Daten vor Modell – war zum Zeitpunkt ihrer Formulierung eine Außenseiterposition. Li beschreibt in ihrer Autobiografie, dass Anträge abgelehnt und Gutachten mit der Frage beschieden wurden, warum eine Universität so etwas überhaupt tun solle.

Die Sammlung entstand über etwa zweieinhalb Jahre in einer Kooperation zwischen Li, dem Systeminformatiker Kai Li und dem Doktoranden Jia Deng, zunächst in Princeton, später mit Stanforder Beteiligung.

Der erste Anlauf, Bilder von Hilfskräften sortieren zu lassen, scheiterte an der Größenordnung: Der Bestand wäre erst nach Jahrzehnten fertig geworden. Der Ausweg war Amazon Mechanical Turk, eine 2005 gestartete Plattform für kleinteilige, stückweise vergütete Mikroaufgaben.

Erst sie machte das Projekt in überschaubarer Zeit bezahlbar. Die Veröffentlichung erfolgte 2009 auf der Konferenz für Computer Vision und Mustererkennung; ein Jahr später startete der Wettbewerb, am Vorbild der europäischen PASCAL-VOC-Reihe orientiert, aber um zwei Größenordnungen größer.

Methodische Grundlagen

Die Ordnungsentscheidung war die folgenreichste. ImageNet organisiert seine Kategorien nicht nach visuellen Ähnlichkeiten, sondern nach WordNet, der von George A. Miller in Princeton aufgebauten lexikalischen Datenbank, die englische Wörter in Bedeutungsgruppen – Synsets – bündelt und diese über Ober- und Unterbegriffsrelationen verknüpft.

ImageNet nimmt im Wesentlichen den Substantivteil dieses Netzes und versucht, jedes Synset mit Bildern zu belegen. Eine Kategorie ist damit nicht das Ergebnis einer Beobachtung, sondern die Übersetzung eines Wörterbucheintrags in eine Bildmenge. Was WordNet als Wort führt, wird bei ImageNet zu einer Sehklasse – auch dort, wo dem Wort gar nichts Sichtbares entspricht.

Der Bildabruf erfolgte über Suchmaschinen, mit nach mehreren Sprachen erweiterten Suchbegriffen, um die Trefferausbeute zu erhöhen. Der so entstandene Kandidatenbestand war verrauscht; verwertbar wurde er erst durch die Verifikation. Auf Mechanical Turk wurde den Arbeitenden jeweils ein Kandidatenbild zusammen mit der Kategoriedefinition vorgelegt, mit der binären Frage, ob das Bild ein Exemplar dieser Kategorie enthalte.

Jedes Bild ging an mehrere Personen unabhängig voneinander; die nötige Zahl übereinstimmender Voten wurde pro Synset dynamisch bestimmt, da leicht zu erkennende Kategorien weniger Bestätigungen brauchen als schwer abgrenzbare. Die Autoren berichten eine mittlere Präzision von 99,7 Prozent über die Synsets hinweg.

Wie viele Menschen daran gearbeitet haben, unter welchen Bedingungen und für welche Vergütung, geht aus den Primärveröffentlichungen nicht hervor. Genau diese Leerstelle ist der Ansatzpunkt der späteren Kritik: Emily Denton und Kolleginnen zeigen in ihrer kritischen Geschichte des Datensatzes, dass die Annotierenden konsequent als austauschbare, durch Mehrheitsentscheid stabilisierte Ressource behandelt werden und nicht als Urheber einer Deutungsleistung.

Die Frage, ob ein Bild ein „Braut” oder ein „Versager” zeigt, ist keine mechanische Prüfung, sondern eine Interpretation – die im Aggregat verschwindet und als Ground Truth wieder auftaucht.

Auch der binäre Zuschnitt der Aufgabe hat Folgen. Weil Kandidaten einzeln und isoliert bewertet wurden und weil jedes Bild am Ende genau ein Etikett trägt, entstand ein Datensatz, dessen Aufgabe – genau ein Objekt pro Bild – mit dem, was auf den Bildern tatsächlich zu sehen ist, nur teilweise übereinstimmt. Dimitris Tsipras und Kollegen haben diese Verschiebung zwischen Erhebungsverfahren und behauptetem Messgegenstand systematisch nachgewiesen.

Anwendungsfelder

Über ein Jahrzehnt war ImageNet die Standardquelle für Vortraining. Ein auf den 1.000 Klassen trainiertes Netz lieferte allgemeine visuelle Merkmale, die sich für Objekterkennung, Segmentierung, medizinische Bildauswertung oder Fernerkundung weiterverwenden ließen – Transfer Learning hieß in der Praxis fast immer: ImageNet-Gewichte laden und nachtrainieren.

Die Kopplung war so eng, dass Fortschritt auf ImageNet als Stellvertreter für Fortschritt in der Bildverarbeitung überhaupt galt.

Diese Kopplung wurde ab 2018 relativiert. Kaiming He, Ross Girshick und Piotr Dollár zeigten, dass sich auf COCO vergleichbare Ergebnisse auch aus zufälliger Initialisierung erreichen lassen: Das Vortraining beschleunige die Konvergenz früh im Training, verbessere aber nicht notwendig die Endgenauigkeit auf der Zielaufgabe.

Das ist ein bemerkenswerter Befund, weil er die ökonomische Begründung des Vortrainings – Rechenzeit sparen – von der epistemischen – bessere Repräsentationen lernen – trennt. Nur die erste hielt stand.

Der zweite Anwendungsstrang ist der Benchmark selbst. ImageNet-Genauigkeit wurde zur Währung, in der Architekturvorschläge abgerechnet wurden: Dropout, Batch-Normalisierung, Residualverbindungen, schließlich der Vision Transformer mussten sich hier ausweisen. Das hatte den Vorteil der Vergleichbarkeit und den Nachteil, dass alles, was ImageNet nicht misst – Robustheit, Kalibrierung, Verhalten außerhalb der Verteilung –, jahrelang unter dem Radar blieb.

Empirische Befunde

Die bekannteste Zahlenreihe der jüngeren KI-Geschichte ist die Top-5-Fehlerrate der ILSVRC-Sieger: 28,2 Prozent im Jahr 2010, rund 25 Prozent 2011, dann der Einbruch auf 15,3 Prozent durch AlexNet 2012, knapp unter sieben Prozent 2014, 3,57 Prozent 2015 durch ein Residualnetz mit über hundert Schichten und 2,251 Prozent beim letzten Durchgang 2017.

Diese Kurve wird routinemäßig als Beleg für exponentiellen Fortschritt zitiert. Drei Vorbehalte sind angebracht.

Erstens misst sie Top-5, nicht Top-1: Als richtig gilt eine Antwort, wenn die zutreffende Klasse unter den fünf höchstbewerteten liegt. Diese Metrik wurde gewählt, weil viele Bilder mehrere Objekte zeigen und die Einetikettierung sonst unfair wäre – sie ist also eine eingestandene Notlösung für ein Datensatzproblem. Top-1-Werte liegen deutlich höher und werden in populären Darstellungen fast nie genannt.

Zweitens die viel zitierte „menschliche Fehlerrate” von 5,1 Prozent, an der die Systeme angeblich 2015 vorbeizogen.

Ihr Ursprung ist ein Selbstversuch: Andrej Karpathy, damals Doktorand und Mitautor der Wettbewerbsübersicht, lernte über Wochen die tausend Klassen, übte an 500 Validierungsbildern und annotierte anschließend 1.500 Testbilder – mit anfangs etwa einem Bild pro Minute, bei feinkörnigen Kategorien deutlich langsamer. Sein Ergebnis waren jene 5,1 Prozent.

Ein zweiter, weniger trainierter Annotator kam bei rund 280 Bildern auf etwa zwölf Prozent.

Die Zahl beruht also auf zwei Personen, einer davon Mitglied des Forschungsteams, und auf 1.500 von 100.000 Testbildern.

Karpathy selbst hat dagegen protestiert, sie als Konstante zu lesen: Menschliche Genauigkeit sei „kein Punkt”, sondern liege „auf einer Abwägungskurve” zwischen Aufwand, Expertise und Fehlerrate; ein Ensemble sehr sorgfältiger Fachannotatoren könne vermutlich auf drei Prozent kommen, mit etwa zwei Prozent als optimistischer Untergrenze.

Aus diesem ausdrücklichen Vorbehalt wurde in der Rezeption eine Schwelle, deren Unterschreiten Pressemitteilungen rechtfertigte.

Die spätere Nachmessung bestätigt den Vorbehalt. Vaishaal Shankar und Kollegen setzten fünf trainierte Annotatoren ein, die im Median 26 Sekunden pro Bild aufwendeten, und fanden, dass erst die Modelle des Jahres 2020 mit dem besten menschlichen Annotator gleichzogen.

Auf den 590 reinen Objektklassen lagen Menschen über 99 Prozent, das beste Modell bei 95 Prozent. Vor allem aber: Bei einem Wechsel auf den nachgebauten Testsatz ImageNet-V2 blieben alle fünf Menschen innerhalb eines Prozentpunkts stabil, während die Modelle fünf bis acht Punkte verloren. Die Behauptung „übermenschlicher” Bilderkennung war ein Artefakt einer sehr dünnen Baseline.

Drittens die Etiketten selbst. Benjamin Recht und Kollegen bauten mit ImageNet-V2 einen neuen Testsatz nach dem ursprünglichen Verfahren und beobachteten Genauigkeitseinbrüche von elf bis vierzehn Prozentpunkten – nicht, wie zunächst vermutet, wegen Überanpassung an den alten Testsatz durch wiederholte Auswertung, sondern weil die neuen Bilder geringfügig schwerer sind.

Curtis Northcutt, Anish Athalye und Jonas Mueller schätzen den Anteil falscher Etiketten im ImageNet-Validierungssatz auf mindestens sechs Prozent und zeigen, dass bei so verrauschten Testsätzen kleinere Modelle größere überholen können – die Rangfolge der Benchmarks hängt also am Rauschen.

Lucas Beyer und Kollegen annotierten den Validierungssatz neu und fanden, dass rund 29 Prozent der Bilder mehrere Objekte enthalten oder mehrdeutig sind; unter ihren korrigierten Etiketten erreichen die ursprünglichen ImageNet-Labels selbst nur 90,02 Prozent, während gute Modelle bei 91,2 Prozent liegen.

Anders gesagt: Die letzten Zehntelprozente, um die in den 2010er Jahren gerungen wurde, lagen unter dem Fehlerniveau der Referenz, gegen die gemessen wurde.

Kontroversen und Kritik

Die zweite Kritiklinie zielt nicht auf die Messung, sondern auf die Taxonomie.

2019 veröffentlichten Kate Crawford und Trevor Paglen den Essay „Excavating AI” und begleitend die Netzinstallation „ImageNet Roulette”, die beliebige hochgeladene Porträts mit ImageNet-Personenkategorien belegte.

Der Effekt war unmittelbar: Die Kategorien, die WordNet als Substantive für Menschen führt und die ImageNet arglos übernommen hatte, umfassten Beleidigungen, rassistische und sexistische Ausdrücke sowie Charakterurteile – von „Alkoholiker” über „Versager” bis zu Kategorien, die schlicht Schmähungen sind.

Crawford und Paglen lesen das als Rückkehr der Physiognomik: die Annahme, aus dem Sichtbaren lasse sich auf Charakter, Herkunft oder moralischen Wert schließen. Die Installation ging Ende September 2019 vom Netz, nachdem sie ihren Zweck erfüllt hatte.

Parallel, und bemerkenswert, arbeitete das ImageNet-Team selbst an einer Revision.

Kaiyu Yang, Klint Qinami, Fei-Fei Li, Jia Deng und Olga Russakovsky legten auf der Konferenz für Fairness, Rechenschaftspflicht und Transparenz (FAccT, damals noch FAT*) eine Untersuchung des Personenteilbaums vor. Von 2.832 Synsets stuften sie 1.593 als beleidigend oder unsicher ein – sie hingen an 600.040 Bildern. Von den verbleibenden 1.239 erwiesen sich 1.081 als nicht bildbar, also als Wörter, denen kein sichtbares Merkmal entspricht: „epileptisch”, „einsprachig”. Übrig blieben 158 Kategorien mit 133.697 Bildern. Zusätzlich annotierten sie 13.900 Bilder demografisch und fanden eine deutliche Übervertretung von Männern sowie einen Anteil dunkler Hauttöne von im Mittel 6,2 Prozent, konzentriert auf stereotype Kategorien – bei „Rapper” 66,4 Prozent. Bemerkenswert ist die Nebenbeobachtung, dass die berühmten 1.000 ILSVRC-Klassen nur drei Personenkategorien enthalten: Sporttaucher, Bräutigam, Baseballspieler. Der problematische Teil des Datensatzes war also gerade nicht der, mit dem der Wettbewerb ausgetragen wurde – was erklärt, warum er so lange unbemerkt blieb.

Vinay Uday Prabhu und Abeba Birhane erweiterten die Prüfung auf den Wettbewerbsteil und fanden auch dort nicht einwilligungsfähig entstandene Aufnahmen, darunter eindeutig pornografisches Material. Sie forderten verbindliche Ethikprüfungen für die Kuratierung großer Datensätze. Damit ist die dritte Kritiklinie benannt: Einwilligung. ImageNets Bilder stammen aus dem Web; die Abgebildeten wurden nicht gefragt.

Kaiyu Yang und Kollegen zählten 562.626 Gesichter in 243.198 Bildern – rund 17 Prozent des Wettbewerbsdatensatzes – und zeigten, dass eine Version mit unkenntlich gemachten Gesichtern die Objekterkennung nur geringfügig verschlechtert.

Der Datenschutzpreis für die Genauigkeit war also niedrig; er wurde nur zehn Jahre lang nicht bezahlt, weil niemand ihn eingefordert hatte. Diese Vorgeschichte ist der Grund, warum die heutige Debatte über Trainingsdaten generativer Modelle so ausgeht, wie sie ausgeht: Der Präzedenzfall des stillschweigenden Zugriffs war längst geschaffen und mit einem Nobelpreisrang an Prestige versehen, bevor jemand die Frage stellte.

Stand 2025/2026

Der Datensatz existiert in mehreren, nicht deckungsgleichen Fassungen. Alexandra Sasha Luccioni und Kate Crawford zählen neun Versionen – fünf offizielle Ausgaben und mindestens vier von der Community erzeugte Varianten –, sodass „der ImageNet-Datensatz” streng genommen ein Sammelbegriff ist.

Die Winter-2021-Fassung setzt die Empfehlungen der Fairnessstudie um und reduziert die Personenkategorien von 2.832 auf 158; über eine Million Personenbilder wurden gelöscht.

Nur hat die Community die bereinigte Fassung weitgehend ignoriert: In einer von Luccioni und Crawford untersuchten Modellsammlung nutzte von 65 Modellen genau eines die Version von 2021, während 32 auf älteren Ableitungen mit den ursprünglichen Kategorien aufsetzten. Eine Datensatzkorrektur erreicht die Praxis nicht, wenn sie Reproduzierbarkeit kostet – ein Befund, der über ImageNet hinausweist.

Als Vortrainingsquelle ist ImageNet weitgehend abgelöst. CLIP, 2021 auf 400 Millionen aus dem Netz gezogenen Bild-Text-Paaren trainiert, erreichte ohne ein einziges der 1,28 Millionen ImageNet-Trainingsbilder die Genauigkeit eines auf ImageNet trainierten ResNet-50 – und zwar über natürlichsprachliche Aufsicht statt über feste Klassenlisten.

LAION-5B stellte 2022 knapp sechs Milliarden Bild-Text-Paare offen bereit. Damit verschob sich die Skala um drei Größenordnungen und der Begriff der Kategorie löste sich auf: Ein Modell, das Bilder und Sätze in denselben Raum abbildet, braucht keine tausend Schubladen mehr. Der Preis ist, dass die Kuratierung, die ImageNet immerhin dokumentiert und später korrigiert hat, in diesen Korpora praktisch nicht mehr stattfindet.

Geblieben ist dreierlei. Erstens ein Diagnoseinstrument: ImageNet und seine Varianten dienen weiterhin als Standardprüfstand, an dem sich neue Architekturen kalibrieren lassen, wenn auch nicht mehr als Fortschrittsmaß – die verbleibenden Prozentpunkte liegen im Rauschen der Etiketten.

Zweitens ein Vorbild im schlechten wie im guten Sinn: Die Praxis des ungefragten Web-Scrapings ist hier normalisiert worden, und ebenso ist hier zum ersten Mal ein großes Team die eigene Sammlung öffentlich durchgegangen und hat Teile davon gelöscht.

Drittens eine Lehre über Benchmarks: Eine Zahl, die lange genug als Zielgröße dient, hört auf, ein Maß zu sein. Die Karriere der Fehlerratenkurve – von einer Hilfsmetrik über eine Fortschrittserzählung zu einem Argument in Debatten über maschinelle Übermenschlichkeit – ist der am besten dokumentierte Fall dieses Mechanismus, den die KI-Forschung besitzt.

Quellenangaben

Deng, Jia / Dong, Wei / Socher, Richard / Li, Li-Jia / Li, Kai / Fei-Fei, Li, 2009. ImageNet: A Large-Scale Hierarchical Image Database. In: Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2009), S. 248–255. DOI: 10.1109/CVPR.2009.5206848.
Miller, George A., 1995. WordNet: A Lexical Database for English. Communications of the ACM, 38 (11), 39–41.
Krizhevsky, Alex / Sutskever, Ilya / Hinton, Geoffrey E., 2012. ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems 25 (NeurIPS 2012), S. 1097–1105.
Russakovsky, Olga u. a., 2015. ImageNet Large Scale Visual Recognition Challenge. In: International Journal of Computer Vision 115 (3), S. 211–252. DOI: 10.1007/s11263-015-0816-y.
Karpathy, Andrej, 2014. What I Learned from Competing Against a ConvNet on ImageNet. Blogbeitrag, karpathy.github.io, 2. September 2014.
Li, Fei-Fei, 2023. The Worlds I See: Curiosity, Exploration, and Discovery at the Dawn of AI.
Crawford, Kate / Paglen, Trevor, 2021. Excavating AI: The Politics of Images in Machine Learning Training Sets. AI & Society, 36 (4), 1105–1116. DOI: 10.1007/s00146-021-01162-8
Yang, Kaiyu / Qinami, Klint / Fei-Fei, Li u. a., 2020. Towards Fairer Datasets: Filtering and Balancing the Distribution of the People Subtree in the ImageNet Hierarchy. Conference on Fairness, Accountability, and Transparency (FAT* 2020). DOI: 10.1145/3351095.3375709. arXiv: 1912.07726
Yang, Kaiyu / Yau, Jacqueline H. / Fei-Fei, Li u. a., 2022. A Study of Face Obfuscation in ImageNet. Proceedings of Machine Learning Research, 162, 25313–25330. arXiv: 2103.06191
Prabhu, Vinay Uday / Birhane, Abeba, 2020. Large Image Datasets: A Pyrrhic Win for Computer Vision? Preprint. arXiv: 2006.16923
Denton, Emily / Hanna, Alex / Amironesei, Razvan u. a., 2021. On the Genealogy of Machine Learning Datasets: A Critical History of ImageNet. Big Data & Society, 8 (2). DOI: 10.1177/20539517211035955
Luccioni, Alexandra Sasha / Crawford, Kate, 2024. The Nine Lives of ImageNet: A Sociotechnical Retrospective of a Foundation Dataset and the Limits of Automated Essentialism. Journal of Data-centric Machine Learning Research.
Northcutt, Curtis G. / Athalye, Anish / Mueller, Jonas, 2021. Pervasive Label Errors in Test Sets Destabilize Machine Learning Benchmarks. NeurIPS 2021, Track on Datasets and Benchmarks. arXiv: 2103.14749
Beyer, Lucas / Hénaff, Olivier J. / Kolesnikov, Alexander u. a., 2020. Are We Done with ImageNet? Preprint. arXiv: 2006.07159
Recht, Benjamin / Roelofs, Rebecca / Schmidt, Ludwig u. a., 2019. Do ImageNet Classifiers Generalize to ImageNet? Proceedings of Machine Learning Research, 97, 5389–5400. arXiv: 1902.10811
Shankar, Vaishaal / Roelofs, Rebecca / Mania, Horia u. a., 2020. Evaluating Machine Accuracy on ImageNet. Proceedings of Machine Learning Research, 119, 8634–8644.
Tsipras, Dimitris / Santurkar, Shibani / Engstrom, Logan u. a., 2020. From ImageNet to Image Classification: Contextualizing Progress on Benchmarks. Proceedings of Machine Learning Research, 119, 9625–9635. arXiv: 2005.11295
He, Kaiming / Girshick, Ross / Dollár, Piotr, 2018. Rethinking ImageNet Pre-training. Preprint. arXiv: 1811.08883
Radford, Alec / Kim, Jong Wook / Hallacy, Chris / Ramesh, Aditya / Goh, Gabriel / Agarwal, Sandhini / Sastry, Girish / Askell, Amanda / Mishkin, Pamela / Clark, Jack / Krueger, Gretchen / Sutskever, Ilya, 2021. Learning Transferable Visual Models from Natural Language Supervision. In: Proceedings of the 38th International Conference on Machine Learning (ICML 2021). arXiv: 2103.00020.
Schuhmann, Christoph u. a., 2022. LAION-5B: An Open Large-Scale Dataset for Training Next Generation Image-Text Models. In: Advances in Neural Information Processing Systems 35 (NeurIPS 2022). arXiv: 2210.08402.

← Zurück zur Lexikon-Übersicht

Zuletzt bearbeitet: 10. August 2026

Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.