open_images_v4

Open Images est un ensemble de données d'environ 9 millions d'images qui ont été annotées avec des étiquettes au niveau de l'image et des cadres de délimitation d'objet.

L'ensemble d'apprentissage de la V4 contient 14,6 millions de cadres de délimitation pour 600 classes d'objets sur 1,74 million d'images, ce qui en fait le plus grand ensemble de données existant avec des annotations d'emplacement d'objets. Les cases ont été en grande partie dessinées manuellement par des annotateurs professionnels pour assurer l'exactitude et la cohérence. Les images sont très diverses et contiennent souvent des scènes complexes avec plusieurs objets (8,4 par image en moyenne). De plus, l'ensemble de données est annoté avec des étiquettes au niveau de l'image couvrant des milliers de classes.

Diviser Exemples
'test' 125 436
'train' 1 743 042
'validation' 41 620
  • Caractéristiques:
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 (configuration par défaut)

  • Description Config: Images à leur résolution d' origine et de la qualité.

  • Figure ( tfds.show_examples ):

Visualisation

open_images_v4/300k

  • Description Config: Les images ont à peu près 300 000 pixels, à 72 la qualité JPEG.

  • Figure ( tfds.show_examples ):

Visualisation

open_images_v4/200k

  • Description Config: Les images ont environ 200 000 pixels, à 72 la qualité JPEG.

  • Figure ( tfds.show_examples ):

Visualisation