stanford_dogs

• Descriptif :

L'ensemble de données Stanford Dogs contient des images de 120 races de chiens du monde entier. Cet ensemble de données a été construit à l'aide d'images et d'annotations d'ImageNet pour la tâche de catégorisation fine des images. Il existe 20 580 images, dont 12 000 sont utilisées pour la formation et 8 580 pour les tests. Des étiquettes de classe et des annotations de boîte englobante sont fournies pour les 12 000 images.

• Documentation complémentaire : Explorer sur Papers With Code north_east

• Page d' accueil : http://vision.stanford.edu/aditya86/ImageNetDogs/main.html

• Code source : tfds.datasets.stanford_dogs.Builder

• Versions :

  • 0.2.0 (par défaut) : aucune note de version.

• Taille du téléchargement : 778.12 MiB

• Taille du jeu de données : 744.72 MiB

• Mise en cache automatique ( documentation ): Non

• Fractionnements :

• Structure des fonctionnalités :

FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'image/filename': Text(shape=(), dtype=string),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=120),
    'objects': Sequence({
        'bbox': BBoxFeature(shape=(4,), dtype=float32),
    }),
})

• Documentation des fonctionnalités :

• Clés supervisées (Voir as_supervised doc ): ('image', 'label')

• Figure ( tfds.show_examples ):

• Exemples ( tfds.as_dataframe ):

• Citation :

@inproceedings{KhoslaYaoJayadevaprakashFeiFei_FGVC2011,
author = "Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and
          Li Fei-Fei",
title = "Novel Dataset for Fine-Grained Image Categorization",
booktitle = "First Workshop on Fine-Grained Visual Categorization,
             IEEE Conference on Computer Vision and Pattern Recognition",
year = "2011",
month = "June",
address = "Colorado Springs, CO",
}
@inproceedings{imagenet_cvpr09,
        AUTHOR = {Deng, J. and Dong, W. and Socher, R. and Li, L.-J. and
                  Li, K. and Fei-Fei, L.},
        TITLE = { {ImageNet: A Large-Scale Hierarchical Image Database} },
        BOOKTITLE = {CVPR09},
        YEAR = {2009},
        BIBSOURCE = "http://www.image-net.org/papers/imagenet_cvpr09.bib"}