cifar100_n

Aviso: download manual necessário. Veja as instruções abaixo.

• Descrição :

Uma versão renomeada do CIFAR-100 com erros reais de anotação humana. Para cada par (imagem, rótulo) no conjunto de trens CIFAR-100 original, ele fornece um rótulo adicional fornecido por um anotador humano real.

• Página inicial : https://www.cs.toronto.edu/~kriz/cifar.html

• Código -fonte: tfds.image_classification.cifar100_n.Cifar100N

• Versões :

  • 1.0.0 : versão inicial.
  • 1.0.1 (padrão): Correspondência fixa entre anotações e imagens.

• Tamanho do download : 160.71 MiB

• Tamanho do conjunto de dados : 136.07 MiB

• Instruções de download manual : este conjunto de dados exige que você baixe os dados de origem manualmente em download_config.manual_dir (o padrão é ~/tensorflow_datasets/downloads/manual/ ):
  Baixe 'side_info_cifar100N.csv', 'CIFAR-100_human_ordered.npy' e 'image_order_c100.npy' de https://github.com/UCSC-REAL/cifar-10-100n

Em seguida, converta 'CIFAR-100_human_ordered.npy' em um arquivo CSV 'CIFAR-100_human_annotations.csv'. Isso pode ser feito com o seguinte código:

import numpy as np
from tensorflow_datasets.core.utils.lazy_imports_utils import pandas as pd
from tensorflow_datasets.core.utils.lazy_imports_utils import tensorflow as tf

human_labels_np_path = '<local_path>/CIFAR-100_human_ordered.npy'
human_labels_csv_path = '<local_path>/CIFAR-100_human_annotations.csv'

with tf.io.gfile.GFile(human_labels_np_path, "rb") as f:
  human_annotations = np.load(f, allow_pickle=True)

df = pd.DataFrame(human_annotations[()])

with tf.io.gfile.GFile(human_labels_csv_path, "w") as f:
  df.to_csv(f, index=False)

• Cache automático ( documentação ): Sim

• Divisões :

Dividir	Exemplos
'test'	10.000
'train'	50.000

• Estrutura de recursos :

FeaturesDict({
    'coarse_label': ClassLabel(shape=(), dtype=int64, num_classes=20),
    'id': Text(shape=(), dtype=string),
    'image': Image(shape=(32, 32, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=100),
    'noise_label': ClassLabel(shape=(), dtype=int64, num_classes=100),
    'worker_id': int64,
    'worker_time': float32,
})

• Documentação do recurso:

Característica	Classe	Forma	Tipo D	Descrição
	RecursosDict
grosseiro_label	ClassLabel		int64
Eu iria	Texto		corda
imagem	Imagem	(32, 32, 3)	uint8
etiqueta	ClassLabel		int64
noise_label	ClassLabel		int64
trabalhador_id	tensor		int64
worker_time	tensor		float32

• Chaves supervisionadas (Consulte as_supervised doc ): None

• Figura ( tfds.show_examples ):

• Exemplos ( tfds.as_dataframe ):

• Citação :

@inproceedings{wei2022learning,
  title={Learning with Noisy Labels Revisited: A Study Using Real-World Human
  Annotations},
  author={Jiaheng Wei and Zhaowei Zhu and Hao Cheng and Tongliang Liu and Gang
  Niu and Yang Liu},
  booktitle={International Conference on Learning Representations},
  year={2022},
  url={https://openreview.net/forum?id=TBWA6PLJZQm}
}