- توضیحات :
SA-1B دانلود کنید
Segment Anything 1 Billion (SA-1B) مجموعه داده ای است که برای آموزش مدل های تقسیم بندی اشیاء همه منظوره از تصاویر جهان باز طراحی شده است. مجموعه داده در مقاله "Segment Anything" معرفی شد.
مجموعه داده SA-1B شامل 11 میلیون تصویر متنوع، با وضوح بالا، دارای مجوز و محافظت از حریم خصوصی و حاشیه نویسی ماسک 1.1B است. ماسکها در قالب کدگذاری طول اجرا (RLE) COCO ارائه میشوند و کلاس ندارند.
مجوز سفارشی است. لطفا شرایط و ضوابط کامل را در https://ai.facebook.com/datasets/segment-anything-downloads بخوانید
همه ویژگی ها در مجموعه داده اصلی هستند به جز image.content
(محتوای تصویر).
شما می توانید ماسک های تقسیم بندی را با موارد زیر رمزگشایی کنید:
import tensorflow_datasets as tfds
pycocotools = tfds.core.lazy_imports.pycocotools
ds = tfds.load('segment_anything', split='train')
for example in tfds.as_numpy(ds):
segmentation = example['annotations']['segmentation']
for counts, size in zip(segmentation['counts'], segmentation['size']):
encoded_mask = {'size': size, 'counts': counts}
mask = pycocotools.decode(encoded_mask) # np.array(dtype=uint8) mask
...
صفحه اصلی : https://ai.facebook.com/datasets/segment-anything-downloads
کد منبع :
tfds.datasets.segment_anything.Builder
نسخه ها :
-
1.0.0
(پیش فرض): انتشار اولیه.
-
حجم دانلود :
10.28 TiB
اندازه مجموعه داده :
10.59 TiB
دستورالعملهای دانلود دستی : این مجموعه داده از شما میخواهد که دادههای منبع را به صورت دستی در
download_config.manual_dir
بارگیری کنید (پیشفرض به~/tensorflow_datasets/downloads/manual/
):
فایل پیوندها را از https://ai.facebook.com/datasets/segment-anything-downloads دانلود کنیدmanual_dir
باید حاوی فایل پیوندهایی باشد که به عنوان segment_anything_links.txt ذخیره شده است.ذخیره خودکار ( اسناد ): خیر
تقسیم ها :
شکاف | مثال ها |
---|---|
'train' | 11,185,362 |
- ساختار ویژگی :
FeaturesDict({
'annotations': Sequence({
'area': Scalar(shape=(), dtype=uint64),
'bbox': BBoxFeature(shape=(4,), dtype=float32),
'crop_box': BBoxFeature(shape=(4,), dtype=float32),
'id': Scalar(shape=(), dtype=uint64),
'point_coords': Tensor(shape=(1, 2), dtype=float64),
'predicted_iou': Scalar(shape=(), dtype=float64),
'segmentation': FeaturesDict({
'counts': string,
'size': Tensor(shape=(2,), dtype=uint64),
}),
'stability_score': Scalar(shape=(), dtype=float64),
}),
'image': FeaturesDict({
'content': Image(shape=(None, None, 3), dtype=uint8),
'file_name': string,
'height': uint64,
'image_id': uint64,
'width': uint64,
}),
})
- مستندات ویژگی :
ویژگی | کلاس | شکل | نوع D | شرح |
---|---|---|---|---|
FeaturesDict | ||||
حاشیه نویسی | توالی | |||
حاشیه نویسی/منطقه | اسکالر | uint64 | ناحیه بر حسب پیکسل ماسک. | |
حاشیه نویسی/bbox | ویژگی BBox | (4،) | float32 | جعبه دور ماسک، با فرمت TFDS. |
حاشیه نویسی/crop_box | ویژگی BBox | (4،) | float32 | برش تصویر مورد استفاده برای تولید ماسک، در قالب TFDS. |
حاشیه نویسی / شناسه | اسکالر | uint64 | شناسه برای حاشیه نویسی. | |
حاشیه نویسی/point_coords | تانسور | (1، 2) | float64 | نقطه، ورودی مدل را برای تولید ماسک مختصات می کند. |
حاشیه نویسی/predicted_iou | اسکالر | float64 | پیش بینی خود مدل از کیفیت ماسک. | |
حاشیه نویسی / بخش بندی | FeaturesDict | ماسک تقسیم بندی رمزگذاری شده در قالب COCO RLE (دیکت با size کلیدها و counts ). | ||
حاشیه نویسی / بخش بندی / شمارش | تانسور | رشته | ||
حاشیه نویسی / بخش بندی / اندازه | تانسور | (2،) | uint64 | |
حاشیه نویسی/پایداری_نمره | اسکالر | float64 | معیاری برای سنجش کیفیت ماسک | |
تصویر | FeaturesDict | |||
تصویر/محتوا | تصویر | (هیچ، هیچ، 3) | uint8 | محتوای تصویر. |
تصویر/نام_فایل | تانسور | رشته | ||
ارتفاع تصویر | تانسور | uint64 | ||
image/image_id | تانسور | uint64 | ||
عرض تصویر | تانسور | uint64 |
کلیدهای نظارت شده (به
as_supervised
doc مراجعه کنید):None
شکل ( tfds.show_examples ): پشتیبانی نمی شود.
مثالها ( tfds.as_dataframe ): وجود ندارد.
نقل قول :
@misc{kirillov2023segment,
title={Segment Anything},
author={Alexander Kirillov and Eric Mintun and Nikhila Ravi and Hanzi Mao and Chloe Rolland and Laura Gustafson and Tete Xiao and Spencer Whitehead and Alexander C. Berg and Wan-Yen Lo and Piotr Dollár and Ross Girshick},
year={2023},
eprint={2304.02643},
archivePrefix={arXiv},
primaryClass={cs.CV}
}