Wizualizacja : Eksploruj w regionie Poznaj swoje dane
opis :
Zbiór danych Dmlab zawiera klatki obserwowane przez agenta działającego w środowisku DeepMind Lab, które są opatrzone adnotacją odległości między agentem a różnymi obiektami obecnymi w środowisku. Celem jest ocena zdolności modelu wizualnego do wnioskowania o odległościach od wejścia wizualnego w środowiskach 3D. Zestaw danych Dmlab składa się z kolorowych obrazów 360x480 w 6 klasach. Klasy to odpowiednio {blisko, daleko, bardzo daleko} x {nagroda dodatnia, nagroda ujemna}.
Strona główna : https://github.com/google-research/task_adaptation
Kod źródłowy :
tfds.image_classification.Dmlab
Wersje :
-
2.0.1
(domyślnie): Brak informacji o wersji.
-
Rozmiar pliku do pobrania :
2.81 GiB
Rozmiar zestawu danych :
3.13 GiB
Automatyczne buforowanie ( dokumentacja ): Nie
Podziały :
Rozdzielać | Przykłady |
---|---|
'test' | 22735 |
'train' | 65550 |
'validation' | 22628 |
- Struktura funkcji :
FeaturesDict({
'filename': Text(shape=(), dtype=string),
'image': Image(shape=(360, 480, 3), dtype=uint8),
'label': ClassLabel(shape=(), dtype=int64, num_classes=6),
})
- Dokumentacja funkcji :
Funkcja | Klasa | Kształt | Typ D | Opis |
---|---|---|---|---|
FunkcjeDict | ||||
Nazwa pliku | Tekst | strunowy | ||
obraz | Obraz | (360, 480, 3) | uint8 | |
etykieta | Etykieta klasy | int64 |
Klucze nadzorowane (zobacz dokument
as_supervised
):('image', 'label')
Rysunek ( tfds.show_examples ):
- Przykłady ( tfds.as_dataframe ):
- Cytat :
@article{zhai2019visual,
title={The Visual Task Adaptation Benchmark},
author={Xiaohua Zhai and Joan Puigcerver and Alexander Kolesnikov and
Pierre Ruyssen and Carlos Riquelme and Mario Lucic and
Josip Djolonga and Andre Susano Pinto and Maxim Neumann and
Alexey Dosovitskiy and Lucas Beyer and Olivier Bachem and
Michael Tschannen and Marcin Michalski and Olivier Bousquet and
Sylvain Gelly and Neil Houlsby},
year={2019},
eprint={1910.04867},
archivePrefix={arXiv},
primaryClass={cs.CV},
url = {https://arxiv.org/abs/1910.04867}
}