nourriture101

  • Description:

Cet ensemble de données se compose de 101 catégories d'aliments, avec 101'000 images. Pour chaque classe, 250 images de test revues manuellement sont fournies ainsi que 750 images d'entraînement. À dessein, les images d'entraînement n'ont pas été nettoyées et contiennent donc encore une certaine quantité de bruit. Cela se présente principalement sous la forme de couleurs intenses et parfois de mauvaises étiquettes. Toutes les images ont été redimensionnées pour avoir une longueur de côté maximale de 512 pixels.

Diviser Exemples
'train' 75 750
'validation' 25 250
  • Caractéristiques:
FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=tf.uint8),
    'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=101),
})

Visualisation

  • citation:
@inproceedings{bossard14,
  title = {Food-101 -- Mining Discriminative Components with Random Forests},
  author = {Bossard, Lukas and Guillaumin, Matthieu and Van Gool, Luc},
  booktitle = {European Conference on Computer Vision},
  year = {2014}
}