городские пейзажи

  • Описание :

Cityscapes — это набор данных, состоящий из разнообразных городских уличных сцен в 50 разных городах в разное время года, а также наземных истин для нескольких задач зрения, включая семантическую сегментацию, сегментацию на уровне экземпляра (TODO) и вывод о несоответствии стереопары.

Для задач сегментации (разделение по умолчанию, доступное через «cityscapes/semantic_segmentation») Cityscapes предоставляет плотные аннотации на уровне пикселей для 5000 изображений с разрешением 1024 * 2048, предварительно разделенных на обучающие (2975), проверочные (500) и тестовые (1525) наборы. Аннотации меток для задач сегментации охватывают более 30 классов, обычно встречающихся при восприятии сцены вождения. Подробную информацию о ярлыках можно найти здесь: https://github.com/mcordts/cityscapesScripts/blob/master/cityscapesscripts/helpers/labels.py#L52-L99 .

Cityscapes также предоставляет аннотации грубой сегментации (доступные через «cityscapes/semantic_segmentation_extra») для 19998 изображений в разделении «train_extra», которые могут оказаться полезными для моделей предварительной подготовки/объемных данных.

Помимо сегментации, городские пейзажи также предоставляют пары стереоизображений и наземные истины для задач вывода о несоответствии как на обычных, так и на дополнительных разбиениях (доступных через «cityscapes/stereo_disparity» и «cityscapes/stereo_disparity_extra» соответственно).

Ингорированные примеры:

  • Для «городских пейзажей/stereo_disparity_extra»:
    • troisdorf_000000 000073 {*} изображений (карта несоответствий отсутствует)

  • Дополнительная документация : изучить документы с кодом

  • Домашняя страница : https://www.cityscapes-dataset.com

  • Исходный код : tfds.datasets.cityscapes.Builder

  • Версии :

    • 1.0.0 (по умолчанию): нет примечаний к выпуску.

  • Размер загрузки : Unknown size

  • 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/ ):
    Вы должны загрузить файлы с https://www.cityscapes-dataset.com/login/ (для этого набора данных требуется регистрация). Для базовой конфигурации (semantic_segmentation) необходимо скачать 'leftImg8bit_trainvaltest.zip' и 'gtFine_trainvaltest.zip'. Для других конфигураций требуются дополнительные файлы — см. код для более подробной информации.

  • Автоматическое кэширование ( документация ): Нет

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

  • Рисунок ( tfds.show_examples ): не поддерживается.

  • Цитата :

@inproceedings{Cordts2016Cityscapes,
  title={The Cityscapes Dataset for Semantic Urban Scene Understanding},
  author={Cordts, Marius and Omran, Mohamed and Ramos, Sebastian and Rehfeld, Timo and Enzweiler, Markus and Benenson, Rodrigo and Franke, Uwe and Roth, Stefan and Schiele, Bernt},
  booktitle={Proc. of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},
  year={2016}
}

citys/semantic_segmentation (конфигурация по умолчанию)

  • Описание конфигурации : набор данных семантической сегментации Cityscapes.

  • Размер набора данных : 10.86 GiB

  • Сплиты :

Расколоть Примеры
'test' 1525
'train' 2975
'validation' 500
  • Структура функции :
FeaturesDict({
    'image_id': Text(shape=(), dtype=string),
    'image_left': Image(shape=(1024, 2048, 3), dtype=uint8),
    'segmentation_label': Image(shape=(1024, 2048, 1), dtype=uint8),
})
  • Документация по функциям :
Особенность Учебный класс Форма Dтип Описание
ОсобенностиDict
image_id Текст нить
image_left Изображение (1024, 2048, 3) uint8
метка_сегментации Изображение (1024, 2048, 1) uint8

городские пейзажи/semantic_segmentation_extra

  • Описание конфигурации : набор данных семантической сегментации Cityscapes с разделением train_extra и грубыми метками.

  • Размер набора данных : 51.92 GiB

  • Сплиты :

Расколоть Примеры
'train' 2975
'train_extra' 19 998
'validation' 500
  • Структура функции :
FeaturesDict({
    'image_id': Text(shape=(), dtype=string),
    'image_left': Image(shape=(1024, 2048, 3), dtype=uint8),
    'segmentation_label': Image(shape=(1024, 2048, 1), dtype=uint8),
})
  • Документация по функциям :
Особенность Учебный класс Форма Dтип Описание
ОсобенностиDict
image_id Текст нить
image_left Изображение (1024, 2048, 3) uint8
метка_сегментации Изображение (1024, 2048, 1) uint8

городские пейзажи/stereo_disparity

  • Описание конфигурации : Стереоизображение городских пейзажей и набор данных карт несоответствий.

  • Размер набора данных : 25.03 GiB

  • Сплиты :

Расколоть Примеры
'test' 1525
'train' 2975
'validation' 500
  • Структура функции :
FeaturesDict({
    'disparity_map': Image(shape=(1024, 2048, 1), dtype=uint8),
    'image_id': Text(shape=(), dtype=string),
    'image_left': Image(shape=(1024, 2048, 3), dtype=uint8),
    'image_right': Image(shape=(1024, 2048, 3), dtype=uint8),
})
  • Документация по функциям :
Особенность Учебный класс Форма Dтип Описание
ОсобенностиDict
несоответствие_карта Изображение (1024, 2048, 1) uint8
image_id Текст нить
image_left Изображение (1024, 2048, 3) uint8
image_right Изображение (1024, 2048, 3) uint8

городские пейзажи/stereo_disparity_extra

  • Описание конфигурации : Стереоизображение городских пейзажей и набор данных карт несоответствий с разделением train_extra.

  • Размер набора данных : 119.18 GiB

  • Сплиты :

Расколоть Примеры
'train' 2975
'train_extra' 19 997
'validation' 500
  • Структура функции :
FeaturesDict({
    'disparity_map': Image(shape=(1024, 2048, 1), dtype=uint8),
    'image_id': Text(shape=(), dtype=string),
    'image_left': Image(shape=(1024, 2048, 3), dtype=uint8),
    'image_right': Image(shape=(1024, 2048, 3), dtype=uint8),
})
  • Документация по функциям :
Особенность Учебный класс Форма Dтип Описание
ОсобенностиDict
несоответствие_карта Изображение (1024, 2048, 1) uint8
image_id Текст нить
image_left Изображение (1024, 2048, 3) uint8
image_right Изображение (1024, 2048, 3) uint8