дао

• Описание :

Набор данных TAO представляет собой большой набор данных для обнаружения видеообъектов, состоящий из 2907 видео высокого разрешения и 833 категорий объектов. Обратите внимание, что для хранения этого набора данных требуется не менее 300 ГБ свободного места.

• Дополнительная документация : изучить документы с кодом north_east

• Домашняя страница : https://taodataset.org/

• Исходный код : tfds.video.tao.Tao

• Версии :

  • 1.0.0 (по умолчанию): Первоначальный выпуск.

• Размер загрузки : 113.96 GiB

• Инструкции по ручной загрузке : этот набор данных требует, чтобы вы загружали исходные данные вручную в download_config.manual_dir (по умолчанию ~/tensorflow_datasets/downloads/manual/ ):
  Некоторые файлы TAO (видео HVACS и AVA) необходимо загружать вручную, поскольку требуется вход в MOT. Загрузите эти данные, следуя инструкциям на странице https://motchallenge.net/tao_download.php .

Загрузите эти данные и переместите полученные ZIP-файлы в ~/tensorflow_datasets/downloads/manual/.

Если данные, требующие ручной загрузки, отсутствуют, они будут пропущены, и будут использоваться только данные, не требующие ручной загрузки.

• Автоматическое кэширование ( документация ): Нет

• Сплиты :

• Ключи под наблюдением (см . документ as_supervised ): None

• Рисунок ( tfds.show_examples ): не поддерживается.

• Цитата :

@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}
}

тао/480_640 (конфигурация по умолчанию)

• Описание конфигурации : размер всех изображений билинейно изменен до 480 X 640.

• Размер набора данных : 482.30 GiB .

• Структура функции :

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)),
})

• Документация по функциям :

• Примеры ( tfds.as_dataframe ):

дао/полное_разрешение

• Описание конфигурации : версия набора данных с полным разрешением.

• Размер набора данных : 171.24 GiB

• Структура функции :

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)),
})

• Документация по функциям :

• Примеры ( tfds.as_dataframe ):