Эта страница была переведа с помощью Cloud Translation API.
Switch to English

кокосовый

@article{DBLP:journals/corr/LinMBHPRDZ14,
  author    = {Tsung{-}Yi Lin and
               Michael Maire and
               Serge J. Belongie and
               Lubomir D. Bourdev and
               Ross B. Girshick and
               James Hays and
               Pietro Perona and
               Deva Ramanan and
               Piotr Doll{'{a} }r and
               C. Lawrence Zitnick},
  title     = {Microsoft {COCO:} Common Objects in Context},
  journal   = {CoRR},
  volume    = {abs/1405.0312},
  year      = {2014},
  url       = {http://arxiv.org/abs/1405.0312},
  archivePrefix = {arXiv},
  eprint    = {1405.0312},
  timestamp = {Mon, 13 Aug 2018 16:48:13 +0200},
  biburl    = {https://dblp.org/rec/bib/journals/corr/LinMBHPRDZ14},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

coco / 2014 (конфигурация по умолчанию)

  • Описание :

COCO - это крупномасштабный набор данных для обнаружения, сегментации и субтитров. Эта версия содержит изображения, ограничивающие рамки и метки для версии 2014 г. Примечание.

  • Некоторые изображения из набора поездов и проверки не имеют аннотаций.
  • В Coco 2014 и 2017 используются одни и те же изображения, но разные разбиения на поезд / вали / тест
  • В тестовом сплите аннотаций нет (только изображения).
  • Коко определяет 91 класс, но данные используют только 80 классов.
  • Panotptic annotations определяет 200 классов, но использует только 133.

  • Описание конфигурации : COCO - это крупномасштабный набор данных для обнаружения, сегментации и субтитров. Эта версия содержит изображения, ограничивающие рамки и метки для версии 2014 г. Примечание.

    • Некоторые изображения из наборов поездов и проверок не имеют аннотаций.
    • В Coco 2014 и 2017 используются одни и те же изображения, но разные разбиения на поезд / вали / тест
    • В тестовом сплите аннотаций нет (только изображения).
    • Коко определяет 91 класс, но данные используют только 80 классов.
    • Panotptic annotations определяет 200 классов, но использует только 133.
  • Размер загружаемого 37.57 GiB : 37.57 GiB

  • Сплит :

Трещина Примеры
'test' 40 775
'test2015' 81 434
'train' 82 783
'validation' 40 504
  • Особенности :
FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=tf.uint8),
    'image/filename': Text(shape=(), dtype=tf.string),
    'image/id': tf.int64,
    'objects': Sequence({
        'area': tf.int64,
        'bbox': BBoxFeature(shape=(4,), dtype=tf.float32),
        'id': tf.int64,
        'is_crowd': tf.bool,
        'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=80),
    }),
})

Визуализация

кокосовый / 2017

  • Описание :

COCO - это крупномасштабный набор данных для обнаружения, сегментации и субтитров. Эта версия содержит изображения, ограничивающие рамки и метки для версии 2017 года. Примечание. * Некоторые изображения из наборов поездов и проверок не имеют аннотаций. * В Coco 2014 и 2017 используются те же изображения, но разные разбиения поезд / валидация / тест * В тестовой группе нет аннотаций (только изображения). * Coco определяет 91 класс, но данные используют только 80 классов. * Panotptic аннотации определяют 200 классов, но используют только 133.

  • Описание конфигурации : COCO - это крупномасштабный набор данных для обнаружения, сегментации и субтитров. Эта версия содержит изображения, ограничивающие рамки и метки для версии 2017 г. Примечание.

    • Некоторые изображения из наборов поездов и проверок не имеют аннотаций.
    • В Coco 2014 и 2017 используются одни и те же изображения, но разные разбиения на поезд / вали / тест

    • В тестовом сплите аннотаций нет (только изображения).

    • Коко определяет 91 класс, но данные используют только 80 классов.

    • Panotptic annotations определяет 200 классов, но использует только 133.

  • Размер загружаемого файла : 25.20 GiB

  • Сплит :

Трещина Примеры
'test' 40 670
'train' 118 287
'validation' 5 000
  • Особенности :
FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=tf.uint8),
    'image/filename': Text(shape=(), dtype=tf.string),
    'image/id': tf.int64,
    'objects': Sequence({
        'area': tf.int64,
        'bbox': BBoxFeature(shape=(4,), dtype=tf.float32),
        'id': tf.int64,
        'is_crowd': tf.bool,
        'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=80),
    }),
})

Визуализация

кокосовый / 2017_panoptic

  • Описание :

COCO - это крупномасштабный набор данных для обнаружения, сегментации и субтитров. Эта версия содержит изображения, ограничивающие рамки и метки для версии 2017 года. Примечание. * Некоторые изображения из наборов поездов и проверок не имеют аннотаций. * В Coco 2014 и 2017 используются те же изображения, но разные разбиения поезд / валидация / тест * В тестовой группе нет аннотаций (только изображения). * Coco определяет 91 класс, но данные используют только 80 классов. * Panotptic аннотации определяют 200 классов, но используют только 133.

  • Описание конфигурации : COCO - это крупномасштабный набор данных для обнаружения, сегментации и субтитров. Эта версия содержит изображения, ограничивающие рамки и метки для версии 2017 г. Примечание.

    • Некоторые изображения из набора поездов и проверки не имеют аннотаций.
    • В Coco 2014 и 2017 используются одни и те же изображения, но разные разбиения на поезд / вали / тест

    • В тестовом сплите нет аннотаций (только изображения).

    • Коко определяет 91 класс, но данные используют только 80 классов.

    • Panotptic annotations определяет 200 классов, но использует только 133.

  • Размер загружаемого 19.57 GiB : 19.57 GiB

  • Сплит :

Трещина Примеры
'train' 118 287
'validation' 5 000
  • Особенности :
FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=tf.uint8),
    'image/filename': Text(shape=(), dtype=tf.string),
    'image/id': tf.int64,
    'panoptic_image': Image(shape=(None, None, 3), dtype=tf.uint8),
    'panoptic_image/filename': Text(shape=(), dtype=tf.string),
    'panoptic_objects': Sequence({
        'area': tf.int64,
        'bbox': BBoxFeature(shape=(4,), dtype=tf.float32),
        'id': tf.int64,
        'is_crowd': tf.bool,
        'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=133),
    }),
})