tao

• Descriptif :

L'ensemble de données TAO est un grand ensemble de données de détection d'objets vidéo composé de 2 907 vidéos haute résolution et de 833 catégories d'objets. Notez que cet ensemble de données nécessite au moins 300 Go d'espace libre pour être stocké.

• Documentation complémentaire : Explorer sur Papers With Code north_east

• Page d' accueil : https://taodataset.org/

• Code source : tfds.video.tao.Tao

• Versions :

  • 1.0.0 (par défaut) : version initiale.

• Taille du téléchargement : 113.96 GiB

• Instructions de téléchargement manuel : cet ensemble de données nécessite que vous téléchargiez manuellement les données sources dans download_config.manual_dir (par défaut ~/tensorflow_datasets/downloads/manual/ ) :
  Certains fichiers TAO (vidéos HVACS et AVA) doivent être téléchargés manuellement car une connexion au MOT est requise. Veuillez télécharger et ces données en suivant les instructions sur https://motchallenge.net/tao_download.php

Téléchargez ces données et déplacez les fichiers .zip résultants vers ~/tensorflow_datasets/downloads/manual/

Si les données nécessitant un téléchargement manuel ne sont pas présentes, elles seront ignorées et seules les données ne nécessitant pas de téléchargement manuel seront utilisées.

• Mise en cache automatique ( documentation ): Non

• Fractionnements :

• Clés supervisées (Voir as_supervised doc ): None

• Figure ( tfds.show_examples ) : non pris en charge.

• Citation :

@article{Dave_2020,
   title={TAO: A Large-Scale Benchmark for Tracking Any Object},
   ISBN={9783030585587},
   ISSN={1611-3349},
   url={http://dx.doi.org/10.1007/978-3-030-58558-7_26},
   DOI={10.1007/978-3-030-58558-7_26},
   journal={Lecture Notes in Computer Science},
   publisher={Springer International Publishing},
   author={Dave, Achal and Khurana, Tarasha and Tokmakov, Pavel and Schmid, Cordelia and Ramanan, Deva},
   year={2020},
   pages={436-454}
}

tao/480_640 (configuration par défaut)

• Description de la configuration : Toutes les images sont redimensionnées de manière bilinéaire à 480 X 640

• Taille du jeu de données : 482.30 GiB

• Structure des fonctionnalités :

FeaturesDict({
    'metadata': FeaturesDict({
        'dataset': string,
        'height': int32,
        'neg_category_ids': Tensor(shape=(None,), dtype=int32),
        'not_exhaustive_category_ids': Tensor(shape=(None,), dtype=int32),
        'num_frames': int32,
        'video_name': string,
        'width': int32,
    }),
    'tracks': Sequence({
        'bboxes': Sequence(BBoxFeature(shape=(4,), dtype=float32)),
        'category': ClassLabel(shape=(), dtype=int64, num_classes=363),
        'frames': Sequence(int32),
        'is_crowd': bool,
        'scale_category': string,
        'track_id': int32,
    }),
    'video': Video(Image(shape=(480, 640, 3), dtype=uint8)),
})

• Documentation des fonctionnalités :

• Exemples ( tfds.as_dataframe ):

tao/full_resolution

• Description de la configuration : la version pleine résolution du jeu de données.

• Taille du jeu de données : 171.24 GiB

• Structure des fonctionnalités :

FeaturesDict({
    'metadata': FeaturesDict({
        'dataset': string,
        'height': int32,
        'neg_category_ids': Tensor(shape=(None,), dtype=int32),
        'not_exhaustive_category_ids': Tensor(shape=(None,), dtype=int32),
        'num_frames': int32,
        'video_name': string,
        'width': int32,
    }),
    'tracks': Sequence({
        'bboxes': Sequence(BBoxFeature(shape=(4,), dtype=float32)),
        'category': ClassLabel(shape=(), dtype=int64, num_classes=363),
        'frames': Sequence(int32),
        'is_crowd': bool,
        'scale_category': string,
        'track_id': int32,
    }),
    'video': Video(Image(shape=(None, None, 3), dtype=uint8)),
})

• Documentation des fonctionnalités :

• Exemples ( tfds.as_dataframe ):