imagenet_r

با مجموعه‌ها، منظم بمانید ذخیره و دسته‌بندی محتوا براساس اولویت‌های شما.

ImageNet-R مجموعه‌ای از تصاویر برچسب‌گذاری شده با برچسب‌های ImageNet است که با جمع‌آوری آثار هنری، کارتون‌ها، هنرهای انحرافی، گرافیتی، گلدوزی، گرافیک، اوریگامی، نقاشی، الگوها، اشیاء پلاستیکی، اشیاء مخمل خواب دار، مجسمه‌ها، طرح‌ها، خالکوبی‌ها، اسباب‌بازی‌ها و اجرای بازی های ویدیویی از کلاس های ImageNet. ImageNet-R دارای 200 کلاس ImageNet است که منجر به 30000 تصویر می شود. با جمع‌آوری داده‌های جدید و نگهداری تنها آن دسته از تصاویری که مدل‌های ResNet-50 قادر به طبقه‌بندی صحیح آن‌ها نیستند. برای جزئیات بیشتر لطفا به مقاله مراجعه کنید.

فضای برچسب مانند ImageNet2012 است. هر مثال به عنوان یک فرهنگ لغت با کلیدهای زیر نشان داده می شود:

  • 'تصویر': تصویر، یک تانسور (H, W, 3).
  • 'label': یک عدد صحیح در محدوده [0، 1000).
  • 'file_name': یک نیش منحصر به فرد که نمونه را در مجموعه داده شناسایی می کند.

  • اسناد اضافی : کاوش در کاغذها با کد

  • صفحه اصلی : https://github.com/hendrycks/imagenet-r

  • کد منبع : tfds.datasets.imagenet_r.Builder

  • نسخه ها :

    • 0.1.0 : بدون یادداشت انتشار.
    • 0.2.0 (پیش‌فرض): نام file_name را از مسیر مطلق به مسیر نسبت به دایرکتوری imagenet-r اصلاح کنید، یعنی: "imagenet_synset_id/filename.jpg".
  • حجم دانلود : 2.04 GiB

  • حجم مجموعه داده : 2.02 GiB

  • ذخیره خودکار ( اسناد ): خیر

  • تقسیم ها :

شکاف مثال ها
'test' 30000
  • ساختار ویژگی :
FeaturesDict({
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
})
  • مستندات ویژگی :
ویژگی کلاس شکل نوع D شرح
FeaturesDict
نام فایل متن رشته
تصویر تصویر (هیچ، هیچ، 3) uint8
برچسب ClassLabel int64

تجسم

  • نقل قول :
@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}
}