- توضیحات :
Open Images انتشار 9 میلیون پوندی تصویری مشارکتی است که با برچسب های سطح تصویر ، جعبه های محدود کردن شی ، ماسک تقسیم بندی اشیا، و روابط بصری حاشیه نویسی شده است. این مجموعه داده منحصر به فرد بزرگ و متنوع به منظور تحریک پیشرفت هنر در تجزیه و تحلیل و درک تصاویر طراحی شده است.
این شامل اطلاعات مربوط به مسیر تشخیص شیject مسابقه است. هدف در این مسیر پیش بینی یک جعبه محدود کننده محکم در اطراف تمام نمونه های شی object 500 کلاس است.
تصاویر با برچسب های سطح تصویر مثبت حاوی حاکی از وجود کلاسهای خاص در شی هستند و با برچسب های سطح تصویر منفی ، نشان می دهد که کلاسهای خاصی وجود ندارد. در این مسابقه ، سایر کلاسهای بدون اطلاع از ارزیابی در آن تصویر مستثنی هستند. برای هر برچسب سطح تصویر مثبت در یک تصویر ، هر نمونه از آن کلاس شی در تصویر حاوی حاشیه بود.
صفحه اصلی : https://storage.googleapis.com/openimages/web/challenge2019.html
کد منبع :
tfds.object_detection.OpenImagesChallenge2019Detection
نسخه ها :
-
1.0.0
(پیش فرض): بدون یادداشت انتشار.
-
اندازه
534.63 GiB
:534.63 GiB
ذخیره خودکار ( مستندات ): خیر
تقسیم :
شکاف | مثال ها |
---|---|
'test' | 99،999 |
'train' | 1،743،042 |
'validation' | 41،620 |
- ویژگی ها :
FeaturesDict({
'bobjects': Sequence({
'bbox': BBoxFeature(shape=(4,), dtype=tf.float32),
'is_group_of': tf.bool,
'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=500),
}),
'id': Text(shape=(), dtype=tf.string),
'image': Image(shape=(None, None, 3), dtype=tf.uint8),
'objects': Sequence({
'confidence': tf.float32,
'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=500),
'source': Text(shape=(), dtype=tf.string),
}),
})
کلیدهای تحت نظارت (به
as_supervised
سند نظارت شده مراجعه کنید):None
نقل قول :
open_images_challenge2019_detection / 200k (پیکربندی پیش فرض)
توضیحات پیکربندی : تصاویر حداکثر 200000 پیکسل و با کیفیت 72 JPEG دارند.
اندازه مجموعه داده :
59.40 GiB
شکل ( tfds.show_examples ):
- مثالها ( tfds.as_dataframe ):
open_images_challenge2019_detection / 300k
شرح پیکربندی : تصاویر حداکثر 300000 پیکسل و با کیفیت 72 JPEG دارند.
اندازه مجموعه داده :
80.44 GiB
شکل ( tfds.show_examples ):
- مثالها ( tfds.as_dataframe ):