imagenet_r

• Description :

ImageNet-R est un ensemble d'images étiquetées avec des étiquettes ImageNet obtenues en collectant des œuvres d'art, des dessins animés, deviantart, des graffitis, des broderies, des graphiques, des origami, des peintures, des motifs, des objets en plastique, des objets en peluche, des sculptures, des croquis, des tatouages, des jouets et rendus de jeux vidéo des classes ImageNet. ImageNet-R propose des rendus de 200 classes ImageNet, ce qui donne 30 000 images. en collectant de nouvelles données et en conservant uniquement les images que les modèles ResNet-50 ne parviennent pas à classer correctement. Pour plus de détails, veuillez vous référer au document.

L'espace des étiquettes est le même que celui d'ImageNet2012. Chaque exemple est représenté sous forme de dictionnaire avec les clés suivantes :

• 'image' : L'image, un (H, W, 3)-tenseur.
• « étiquette » : un entier compris dans la plage [0, 1 000).

• 'file_name' : une chaîne unique identifiant l'exemple dans l'ensemble de données.

• Documentation supplémentaire : Explorer sur les articles avec le code north_east

• Page d'accueil : https://github.com/hendrycks/imagenet-r

• Code source : tfds.datasets.imagenet_r.Builder

• Versions :

  • 0.1.0 : Aucune note de version.
  • 0.2.0 (par défaut) : Correction du nom du fichier, du chemin absolu au chemin relatif au répertoire imagenet-r, c'est-à-dire : "imagenet_synset_id/filename.jpg".

• Taille du téléchargement : 2.04 GiB

• Taille du jeu de données : 2.02 GiB

• Mise en cache automatique ( documentation ) : Non

• Divisions :

• Structure des fonctionnalités :

FeaturesDict({
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
})

• Documentation des fonctionnalités :

• Clés supervisées (Voir doc as_supervised ) : ('image', 'label')

• Figure ( tfds.show_examples ) :

• Exemples ( tfds.as_dataframe ) :

• Citation :

@article{hendrycks2020many,
  title={The Many Faces of Robustness: A Critical Analysis of Out-of-Distribution Generalization},
  author={Dan Hendrycks and Steven Basart and Norman Mu and Saurav Kadavath and Frank Wang and Evan Dorundo and Rahul Desai and Tyler Zhu and Samyak Parajuli and Mike Guo and Dawn Song and Jacob Steinhardt and Justin Gilmer},
  journal={arXiv preprint arXiv:2006.16241},
  year={2020}
}