coco_captions

شرح :

COCO یک مجموعه داده شناسایی، تقسیم بندی و زیرنویس در مقیاس بزرگ است. این نسخه شامل تصاویر، جعبه‌های محدودکننده، برچسب‌ها و شرح‌ها از COCO 2014 است که به زیر مجموعه‌های تعریف‌شده توسط Karpathy و Li (2015) تقسیم شده‌اند. این به طور موثر داده های اعتبارسنجی COCO 2014 اصلی را به مجموعه های آزمایشی و اعتبارسنجی 5000 تصویری جدید، به علاوه یک مجموعه "بازنشانی" حاوی 30 هزار تصویر باقی مانده تقسیم می کند. همه تقسیم‌بندی‌ها حاشیه‌نویسی دارند.

اسناد اضافی : کاوش در کاغذها با کد
توضیحات پیکربندی : این نسخه شامل تصاویر، کادرهای محدود کننده و برچسب‌هایی برای نسخه 2014 است.
صفحه اصلی : http://cocodataset.org/#home
کد منبع : tfds.object_detection.CocoCaptions
نسخه ها :
- 1.1.0 (پیش فرض): بدون یادداشت انتشار.
حجم دانلود : 37.61 GiB
حجم مجموعه داده : 18.83 GiB
ذخیره خودکار ( اسناد ): خیر
تقسیم ها :

شکاف	مثال ها
`'restval'`	30,504
`'test'`	5000
`'train'`	82783
`'val'`	5000

ساختار ویژگی :

FeaturesDict({
    'captions': Sequence({
        'id': int64,
        'text': string,
    }),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'image/filename': Text(shape=(), dtype=string),
    'image/id': int64,
    'objects': Sequence({
        'area': int64,
        'bbox': BBoxFeature(shape=(4,), dtype=float32),
        'id': int64,
        'is_crowd': bool,
        'label': ClassLabel(shape=(), dtype=int64, num_classes=80),
    }),
})

مستندات ویژگی :

ویژگی	کلاس	شکل	نوع D
	FeaturesDict
زیرنویس ها	توالی
زیرنویس / شناسه	تانسور		int64
زیرنویس / متن	تانسور		رشته
تصویر	تصویر	(هیچ، هیچ، 3)	uint8
تصویر/نام فایل	متن		رشته
تصویر / شناسه	تانسور		int64
اشیاء	توالی
اشیاء/منطقه	تانسور		int64
اشیاء/bbox	ویژگی BBox	(4،)	float32
اشیاء / شناسه	تانسور		int64
اشیاء/is_crowd	تانسور		بوول
اشیاء/برچسب	ClassLabel		int64

کلیدهای نظارت شده (به as_supervised doc مراجعه کنید): None
شکل ( tfds.show_examples ):

تجسم

مثال‌ها ( tfds.as_dataframe ):

نقل قول :

@article{DBLP:journals/corr/LinMBHPRDZ14,
  author    = {Tsung{-}Yi Lin and
               Michael Maire and
               Serge J. Belongie and
               Lubomir D. Bourdev and
               Ross B. Girshick and
               James Hays and
               Pietro Perona and
               Deva Ramanan and
               Piotr Doll{'{a} }r and
               C. Lawrence Zitnick},
  title     = {Microsoft {COCO:} Common Objects in Context},
  journal   = {CoRR},
  volume    = {abs/1405.0312},
  year      = {2014},
  url       = {http://arxiv.org/abs/1405.0312},
  archivePrefix = {arXiv},
  eprint    = {1405.0312},
  timestamp = {Mon, 13 Aug 2018 16:48:13 +0200},
  biburl    = {https://dblp.org/rec/bib/journals/corr/LinMBHPRDZ14},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}@inproceedings{DBLP:conf/cvpr/KarpathyL15,
  author    = {Andrej Karpathy and
               Fei{-}Fei Li},
  title     = {Deep visual-semantic alignments for generating image
               descriptions},
  booktitle = { {IEEE} Conference on Computer Vision and Pattern Recognition,
               {CVPR} 2015, Boston, MA, USA, June 7-12, 2015},
  pages     = {3128--3137},
  publisher = { {IEEE} Computer Society},
  year      = {2015},
  url       = {https://doi.org/10.1109/CVPR.2015.7298932},
  doi       = {10.1109/CVPR.2015.7298932},
  timestamp = {Wed, 16 Oct 2019 14:14:50 +0200},
  biburl    = {https://dblp.org/rec/conf/cvpr/KarpathyL15.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

coco_captions

coco_captions/2014 (پیکربندی پیش فرض)