Wir stellen N-ImageNet vor, ein großskaliges Datenset, das speziell für robuste, feinkörnige Objekterkennung mit Ereigniskameras entwickelt wurde. Das Datenset wurde mithilfe programmierbarer Hardware gesammelt, bei der eine Ereigniskamera kontinuierlich um einen Bildschirm bewegt wird, auf dem Bilder aus ImageNet angezeigt werden. N-ImageNet dient als anspruchsvolles Benchmark für ereignisbasierte Objekterkennung, da es eine große Anzahl an Klassen und Samples umfasst. Experimentell zeigen wir, dass ein Vortrainieren auf N-ImageNet die Leistung ereignisbasierter Klassifikatoren verbessert und deren Fähigkeit unterstützt, mit wenigen gelabelten Daten zu lernen. Darüber hinaus präsentieren wir mehrere Varianten von N-ImageNet, um die Robustheit ereignisbasierter Klassifikatoren unter unterschiedlichen Kameratrajektorien und extremen Beleuchtungsbedingungen zu testen, und schlagen eine neuartige Ereignisdarstellung vor, um die Leistungsabnahme zu verringern. So weit uns bekannt ist, sind wir die Ersten, die quantitativ die Auswirkungen verschiedener Umweltbedingungen auf ereignisbasierte Objekterkennungsalgorithmen untersuchen. N-ImageNet und seine Varianten sollen zukünftig die praktische Implementierung ereignisbasierter Objekterkennungsalgorithmen in der realen Welt unterstützen.