imagenet_r

ImageNet-R è un insieme di immagini etichettate con etichette ImageNet che sono state ottenute collezionando arte, cartoni animati, deviantart, graffiti, ricami, grafica, origami, dipinti, motivi, oggetti di plastica, oggetti di peluche, sculture, schizzi, tatuaggi, giocattoli e rappresentazioni di videogiochi delle classi ImageNet. ImageNet-R ha rappresentazioni di 200 classi ImageNet risultanti in 30.000 immagini. raccogliendo nuovi dati e conservando solo quelle immagini che i modelli ResNet-50 non riescono a classificare correttamente. Per maggiori dettagli si rimanda al documento.

Lo spazio etichetta è lo stesso di ImageNet2012. Ogni esempio è rappresentato come un dizionario con le seguenti chiavi:

  • 'immagine': L'immagine, a (H, W, 3)-tensore.
  • 'etichetta': un numero intero compreso nell'intervallo [0, 1000).

  • 'file_name': una puntura univoca che identifica l'esempio all'interno del set di dati.

  • Documentazione aggiuntiva : Esplora documenti con codice

  • Pagina iniziale : https://github.com/hendrycks/imagenet-r

  • Codice sorgente : tfds.datasets.imagenet_r.Builder

  • Versioni :

    • 0.1.0 : Nessuna nota di rilascio.
    • 0.2.0 (predefinito): correggi nome_file, da percorso assoluto a percorso relativo alla directory imagenet-r, ad esempio: "imagenet_synset_id/nomefile.jpg".

  • Dimensione del download : 2.04 GiB

  • Dimensione del set di dati : 2.02 GiB

  • Cache automatica ( documentazione ): No

  • Divisioni :

Diviso Esempi
'test' 30.000
  • Struttura delle caratteristiche :
FeaturesDict({
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
})
  • Documentazione delle funzionalità :
Caratteristica Classe Forma Tipo D Descrizione
CaratteristicheDict
nome del file Testo corda
Immagine Immagine (Nessuno, Nessuno, 3) uint8
etichetta ClassLabel int64

Visualizzazione

  • Citazione :
@article{hendrycks2020many,
  title={The Many Faces of Robustness: A Critical Analysis of Out-of-Distribution Generalization},
  author={Dan Hendrycks and Steven Basart and Norman Mu and Saurav Kadavath and Frank Wang and Evan Dorundo and Rahul Desai and Tyler Zhu and Samyak Parajuli and Mike Guo and Dawn Song and Jacob Steinhardt and Justin Gilmer},
  journal={arXiv preprint arXiv:2006.16241},
  year={2020}
}