Pomoc chronić Wielkiej Rafy Koralowej z TensorFlow na Kaggle Dołącz Wyzwanie

open_images_v4

Otwarte obrazy to zbiór danych składający się z około 9 mln obrazów, które zostały opisane etykietami na poziomie obrazu i obramowaniami obiektów.

Zestaw szkoleniowy V4 zawiera 14,6 mln ramek ograniczających dla 600 klas obiektów na 1,74 mln obrazów, co czyni go największym istniejącym zestawem danych z adnotacjami lokalizacji obiektów. Pudełka zostały w dużej mierze ręcznie narysowane przez profesjonalnych adnotatorów, aby zapewnić dokładność i spójność. Obrazy są bardzo zróżnicowane i często zawierają złożone sceny z kilkoma obiektami (średnio 8,4 na obraz). Ponadto zestaw danych jest opatrzony adnotacjami etykietami na poziomie obrazu obejmującymi tysiące klas.

Podział Przykłady
'test' 125 436
'train' 1 743 042
'validation' 41,620
  • Cechy:
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 (konfiguracja domyślna)

  • Opis config: obrazy w ich oryginalnej rozdzielczości i jakości.

  • Rysunek ( tfds.show_examples ):

Wyobrażanie sobie

open_images_v4/300k

  • Opis config: obrazy mają około 300.000 pikseli, przy 72 jakości JPEG.

  • Rysunek ( tfds.show_examples ):

Wyobrażanie sobie

open_images_v4/200k

  • Opis config: obrazy mają około 200.000 pikseli, przy 72 jakości JPEG.

  • Rysunek ( tfds.show_examples ):

Wyobrażanie sobie