Bestehende Bildklassifizierungsdatensätze, die in der Computer Vision verwendet werden, neigen dazu, eine gleichmäßige Verteilung von Bildern über Objektkategorien aufzuweisen. Im Gegensatz dazu ist die natürliche Welt stark unbalanciert, da einige Arten häufiger vorkommen und leichter zu fotografieren sind als andere. Um Fortschritte unter herausfordernden realen Bedingungen zu fördern, stellen wir den iNaturalist-Artenklassifizierungs- und -erkennungsdatensatz vor, der 859.000 Bilder von über 5.000 verschiedenen Pflanzen- und Tierarten umfasst. Er enthält visuell ähnliche Arten, die in einer Vielzahl von Situationen aus aller Welt aufgenommen wurden. Die Bilder wurden mit unterschiedlichen Kameras aufgenommen, weisen unterschiedliche Bildqualitäten auf, zeigen ein starkes Klassenungleichgewicht und wurden von mehreren Bürgerwissenschaftlern verifiziert. Wir diskutieren das Sammeln des Datensatzes und präsentieren umfangreiche Baseline-Experimente mit den neuesten Computer-Vision-Klassifizierungs- und -Erkennungsmodellen. Die Ergebnisse zeigen, dass aktuelle nicht-ensemblebasierte Methoden nur eine Top-One-Klassifizierungsgenauigkeit von 67 % erreichen, was die Schwierigkeit des Datensatzes verdeutlicht. Insbesondere beobachten wir schlechte Ergebnisse für Klassen mit wenigen Trainingsbeispielen, was darauf hindeutet, dass Low-Shot-Lernen (低样本学习) mehr Aufmerksamkeit erfordert.