nourriture101

• Descriptif :

Ce jeu de données se compose de 101 catégories d'aliments, avec 101'000 images. Pour chaque classe, 250 images de test examinées manuellement sont fournies ainsi que 750 images de formation. À dessein, les images d'entraînement n'ont pas été nettoyées et contiennent donc encore une certaine quantité de bruit. Cela se présente principalement sous la forme de couleurs intenses et parfois de mauvaises étiquettes. Toutes les images ont été redimensionnées pour avoir une longueur de côté maximale de 512 pixels.

• Documentation complémentaire : Explorer sur Papers With Code

• Page d' accueil : https://data.vision.ee.ethz.ch/cvl/datasets_extra/food-101/

• Code source : tfds.image_classification.Food101

• Versions :

  • 1.0.0 : Aucune note de version.
  • 2.0.0 (par défaut) : aucune note de version.
  • 2.1.0 : Aucune note de version.

• Taille du téléchargement : 4.65 GiB

• Taille du jeu de données : Unknown size

• Mise en cache automatique ( documentation ): Inconnu

• Fractionnements :

Diviser	Exemples
'train'	75 750
'validation'	25 250

• Structure des fonctionnalités :

FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=101),
})

• Documentation des fonctionnalités :

Caractéristique	Classer	Forme	Dtype	La description
	FonctionnalitésDict
image	Image	(Aucun, Aucun, 3)	uint8
étiquette	Étiquette de classe		int64

• Clés supervisées (Voir as_supervised doc ): ('image', 'label')

• Figure ( tfds.show_examples ):

• Exemples ( tfds.as_dataframe ):

• Citation :

@inproceedings{bossard14,
  title = {Food-101 -- Mining Discriminative Components with Random Forests},
  author = {Bossard, Lukas and Guillaumin, Matthieu and Van Gool, Luc},
  booktitle = {European Conference on Computer Vision},
  year = {2014}
}