imagenet2012_fewshot

توضیحات :

Imagenet2012Fewshot زیرمجموعه ای از مجموعه داده اصلی ImageNet ILSVRC 2012 است. مجموعه داده از همان مجموعه اعتبارسنجی مجموعه داده اصلی ImageNet ILSVRC 2012 استفاده می کند. با این حال، مجموعه آموزشی به صورت متوازن برچسب زیر نمونه برداری می شود. در پیکربندی 5shot ، 5 تصویر در هر برچسب، یا 5000 تصویر نمونه برداری می شود. و در پیکربندی 10shot ، 10 تصویر در هر برچسب یا 10000 تصویر نمونه برداری می شود.

صفحه اصلی : http://image-net.org/
کد منبع : tfds.datasets.imagenet2012_fewshot.Builder
نسخه ها :
- 2.0.0 : برچسب های اعتبار سنجی را برطرف کنید.
- 2.0.1 : رفع کدگذاری. هیچ تغییری از نظر کاربر وجود ندارد.
- 3.0.0 : رفع رنگ آمیزی در 12 تصویر (CMYK -> RGB). ثابت فرمت (تبدیل تصویر png به Jpeg). خواندن سریعتر نسل به طور مستقیم از آرشیو.
- 4.0.0 : (منتشر نشده)
- 5.0.0 : API تقسیم جدید ( https://tensorflow.org/datasets/splits )
- 5.0.1 (پیش فرض): بدون یادداشت انتشار.
- 5.1.0 : تقسیم تست اضافه شد.
اندازه دانلود : Unknown size
دستورالعمل‌های دانلود دستی : این مجموعه داده از شما می‌خواهد که داده‌های منبع را به صورت دستی در download_config.manual_dir دانلود کنید (پیش‌فرض ~/tensorflow_datasets/downloads/manual/ ):
manual_dir باید شامل دو فایل باشد: ILSVRC2012_img_train.tar و ILSVRC2012_img_val.tar. برای دریافت لینک دانلود مجموعه داده، باید در https://image-net.org/download-images ثبت نام کنید.
ذخیره خودکار ( اسناد ): خیر
ساختار ویژگی :

FeaturesDict({
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
})

مستندات ویژگی :

ویژگی	کلاس	شکل	نوع D
	FeaturesDict
نام فایل	متن		رشته
تصویر	تصویر	(هیچ، هیچ، 3)	uint8
برچسب	ClassLabel		int64

کلیدهای نظارت شده (مشاهده as_supervised doc ): ('image', 'label')
نقل قول :

@article{ILSVRC15,
  Author = {Olga Russakovsky and Jia Deng and Hao Su and Jonathan Krause and Sanjeev Satheesh and Sean Ma and Zhiheng Huang and Andrej Karpathy and Aditya Khosla and Michael Bernstein and Alexander C. Berg and Li Fei-Fei},
  Title = { {ImageNet Large Scale Visual Recognition Challenge} },
  Year = {2015},
  journal   = {International Journal of Computer Vision (IJCV)},
  doi = {10.1007/s11263-015-0816-y},
  volume={115},
  number={3},
  pages={211-252}
}