Aprenda o que há de mais recente em aprendizado de máquina, IA generativa e muito mais no WiML Symposium 2023 Registre-se

Esta página foi traduzida pela API Cloud Translation.

imagenet2012_subset

Visualização : Explorar em Conheça seus dados
Descrição :

Imagenet2012Subset é um subconjunto do conjunto de dados ImageNet ILSVRC 2012 original. O conjunto de dados compartilha o mesmo conjunto de validação que o conjunto de dados ImageNet ILSVRC 2012 original. No entanto, o conjunto de treinamento é subamostrado de forma balanceada. Na configuração 1pct , 1%, ou 12811, as imagens são amostradas, a maioria das classes tem o mesmo número de imagens (média de 12,8), algumas classes aleatoriamente têm 1 exemplo a mais que outras; e na configuração 10pct , ~10%, ou 128116, a maioria das classes tem o mesmo número de imagens (média de 128), e algumas classes aleatoriamente têm 1 exemplo a mais do que outras.

Isso deve ser usado como referência para aprendizado semi-supervisionado e foi originalmente usado no documento SimCLR ( https://arxiv.org/abs/2002.05709 ).

Página inicial : http://image-net.org/
Código-fonte : tfds.datasets.imagenet2012_subset.Builder
Versões :
- 2.0.0 : Corrige rótulos de validação.
- 2.0.1 : Correção de codificação. Nenhuma mudança do ponto de vista do usuário.
- 3.0.0 : Corrige a coloração em ~12 imagens (CMYK -> RGB). Corrija o formato para consistência (converta a única imagem png em Jpeg). Leitura de geração mais rápida diretamente do arquivo.
- 4.0.0 : (não publicado)
- 5.0.0 (padrão): Nova API de divisão ( https://tensorflow.org/datasets/splits )
- 5.1.0 : Adicionado divisão de teste.
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/ ):
manual_dir deve conter dois arquivos: ILSVRC2012_img_train.tar e ILSVRC2012_img_val.tar. Você precisa se registrar em https://image-net.org/download-images para obter o link para baixar o conjunto de dados.
Armazenado em cache automaticamente ( documentação ): Não
Estrutura de recursos :

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

Documentação do recurso :

Característica	Classe	Forma	Tipo D
	RecursosDict
nome do arquivo	Texto		corda
imagem	Imagem	(Nenhuma, Nenhuma, 3)	uint8
etiqueta	ClassLabel		int64

Chaves supervisionadas (Consulte as_supervised doc ): ('image', 'label')
Citação :

@article{chen2020simple,
  title={A Simple Framework for Contrastive Learning of Visual Representations},
  author={Chen, Ting and Kornblith, Simon and Norouzi, Mohammad and Hinton, Geoffrey},
  journal={arXiv preprint arXiv:2002.05709},
  year={2020}
}
@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}
}