Die Fähigkeit, Objekte unabhängig von Bildverzerrungen oder Wetterbedingungen zu erkennen, ist für realweltliche Anwendungen des Deep Learnings wie autonomes Fahren entscheidend. Wir stellen hier ein benutzerfreundliches Benchmark-Set zur Verfügung, um die Leistungsfähigkeit von Objekterkennungsmodellen bei abnehmender Bildqualität zu bewerten. Die drei daraus resultierenden Benchmark-Datensätze, als Pascal-C, Coco-C und Cityscapes-C bezeichnet, enthalten eine große Vielfalt an Bildverzerrungen. Wir zeigen, dass eine Reihe von standardisierten Objekterkennungsmodellen bei verfälschten Bildern einen erheblichen Leistungsverlust erleiden (bis hinunter auf 30--60% der ursprünglichen Leistung). Allerdings führt ein einfacher Trick der Datenverstärkung – das Stylisieren der Trainingsbilder – zu einer erheblichen Steigerung der Robustheit über alle Verzerrungsarten, -schweregrade und -datensätze hinweg. Wir sehen uns vor, unser umfassendes Benchmark-Set zur Nachverfolgung zukünftiger Fortschritte bei der Entwicklung robuster Objekterkennungsmodelle einzusetzen. Das Benchmark-Set, der Code und die Daten sind öffentlich zugänglich.