Эта страница переведена с помощью Cloud Translation API.

imagenet_v2

Визуализация : Исследуйте в Know Your Data
Описание :

ImageNet-v2 — это тестовый набор ImageNet (10 на класс), собранный в строгом соответствии с исходным протоколом маркировки. Каждое изображение было помечено как минимум 10 работниками MTurk, возможно, больше, и в зависимости от стратегии, используемой для выбора изображений, которые следует включить в число 10, выбранных для данного класса, существует три различных версии набора данных. Пожалуйста, обратитесь к четвертому разделу документа для получения более подробной информации о том, как были составлены различные варианты.

Пространство меток такое же, как у ImageNet2012. Каждый пример представлен в виде словаря со следующими ключами:

«изображение»: образ, (H, W, 3)-тензор.
«метка»: целое число в диапазоне [0, 1000).
'file_name': уникальная строка, идентифицирующая пример в наборе данных.
Домашняя страница : https://github.com/modestyachts/ImageNetV2
Исходный код : tfds.datasets.imagenet_v2.Builder
Версии :
- 1.0.0 : Начальная версия.
- 2.0.0 : файлы обновлены.
- 3.0.0 (по умолчанию): исправлено имя_файла с абсолютного пути на путь относительно каталога данных, например: "class_id/имя_файла.jpg".
- 3.1.0 : Новые URL-адреса ресурсов Hugging Face.
Автоматическое кэширование ( документация ): Нет
Сплиты :

Расколоть	Примеры
`'test'`	10 000

Структура функции :

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

Документация по функциям :

Особенность	Сорт	Форма	Dтип
	ОсобенностиDict
имя файла	Текст		нить
изображение	Изображение	(Нет, Нет, 3)	uint8
этикетка	Метка класса		int64

Контролируемые ключи (см. документ as_supervised ): ('image', 'label')
Цитата :

@inproceedings{recht2019imagenet,
  title={Do ImageNet Classifiers Generalize to ImageNet?},
  author={Recht, Benjamin and Roelofs, Rebecca and Schmidt, Ludwig and Shankar, Vaishaal},
  booktitle={International Conference on Machine Learning},
  pages={5389--5400},
  year={2019}
}