Ayuda a proteger la Gran Barrera de Coral con TensorFlow en Kaggle Únete Challenge

open_images_v4

Imágenes abiertas es un conjunto de datos de ~ 9 millones de imágenes que se han anotado con etiquetas a nivel de imagen y cuadros delimitadores de objetos.

El conjunto de entrenamiento de V4 contiene 14,6 millones de cuadros delimitadores para 600 clases de objetos en imágenes de 1,74 millones, lo que lo convierte en el conjunto de datos existente más grande con anotaciones de ubicación de objetos. Las cajas han sido dibujadas en gran medida manualmente por anotadores profesionales para garantizar la precisión y la coherencia. Las imágenes son muy diversas y suelen contener escenas complejas con varios objetos (8,4 por imagen de media). Además, el conjunto de datos está anotado con etiquetas a nivel de imagen que abarcan miles de clases.

Separar Ejemplos de
'test' 125,436
'train' 1,743,042
'validation' 41.620
  • características:
FeaturesDict({
    'bobjects': Sequence({
        'bbox': BBoxFeature(shape=(4,), dtype=tf.float32),
        'is_depiction': tf.int8,
        'is_group_of': tf.int8,
        'is_inside': tf.int8,
        'is_occluded': tf.int8,
        'is_truncated': tf.int8,
        'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=601),
        'source': ClassLabel(shape=(), dtype=tf.int64, num_classes=6),
    }),
    'image': Image(shape=(None, None, 3), dtype=tf.uint8),
    'image/filename': Text(shape=(), dtype=tf.string),
    'objects': Sequence({
        'confidence': tf.int32,
        'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=19995),
        'source': ClassLabel(shape=(), dtype=tf.int64, num_classes=6),
    }),
    'objects_trainable': Sequence({
        'confidence': tf.int32,
        'label': ClassLabel(shape=(), dtype=tf.int64, num_classes=7186),
        'source': ClassLabel(shape=(), dtype=tf.int64, num_classes=6),
    }),
})
@article{OpenImages,
  author = {Alina Kuznetsova and
            Hassan Rom and
            Neil Alldrin and
            Jasper Uijlings and
            Ivan Krasin and
            Jordi Pont-Tuset and
            Shahab Kamali and
            Stefan Popov and
            Matteo Malloci and
            Tom Duerig and
            Vittorio Ferrari},
  title = {The Open Images Dataset V4: Unified image classification,
           object detection, and visual relationship detection at scale},
  year = {2018},
  journal = {arXiv:1811.00982}
}
@article{OpenImages2,
  author = {Krasin, Ivan and
            Duerig, Tom and
            Alldrin, Neil and
            Ferrari, Vittorio
            and Abu-El-Haija, Sami and
            Kuznetsova, Alina and
            Rom, Hassan and
            Uijlings, Jasper and
            Popov, Stefan and
            Kamali, Shahab and
            Malloci, Matteo and
            Pont-Tuset, Jordi and
            Veit, Andreas and
            Belongie, Serge and
            Gomes, Victor and
            Gupta, Abhinav and
            Sun, Chen and
            Chechik, Gal and
            Cai, David and
            Feng, Zheyun and
            Narayanan, Dhyanesh and
            Murphy, Kevin},
  title = {OpenImages: A public dataset for large-scale multi-label and
           multi-class image classification.},
  journal = {Dataset available from
             https://storage.googleapis.com/openimages/web/index.html},
  year={2017}
}

open_images_v4 / original (configuración predeterminada)

  • Descripción config: imágenes con su resolución y la calidad original.

  • Figura ( tfds.show_examples ):

Visualización

open_images_v4 / 300k

  • Descripción config: Las imágenes tienen aproximadamente 300.000 píxeles, a 72 calidad JPEG.

  • Figura ( tfds.show_examples ):

Visualización

open_images_v4 / 200k

  • Descripción config: Las imágenes tienen aproximadamente 200.000 píxeles, a 72 calidad JPEG.

  • Figura ( tfds.show_examples ):

Visualización