Wizualizacja : Eksploruj w regionie Poznaj swoje dane
opis :
ImageNet-R to zestaw obrazów oznaczonych etykietami ImageNet, które zostały uzyskane poprzez kolekcjonowanie dzieł sztuki, kreskówek, deviantart, graffiti, haftów, grafik, origami, obrazów, wzorów, przedmiotów plastikowych, pluszowych, rzeźb, szkiców, tatuaży, zabawek i wersje gier wideo klas ImageNet. ImageNet-R ma wersje 200 klas ImageNet, co daje 30 000 obrazów. poprzez zbieranie nowych danych i przechowywanie tylko tych obrazów, których modele ResNet-50 nie potrafią poprawnie sklasyfikować. Aby uzyskać więcej informacji, zapoznaj się z artykułem.
Przestrzeń na etykiety jest taka sama jak w przypadku ImageNet2012. Każdy przykład jest reprezentowany jako słownik z następującymi kluczami:
- „obraz”: obraz, tensor a (H, W, 3).
- „etykieta”: liczba całkowita z zakresu [0, 1000).
„nazwa_pliku”: unikatowe żądanie identyfikujące przykład w zbiorze danych.
Dodatkowa dokumentacja : Przeglądaj dokumenty z kodem
Strona główna : https://github.com/hendrycks/imagenet-r
Kod źródłowy :
tfds.datasets.imagenet_r.Builder
Wersje :
-
0.1.0
: Brak informacji o wydaniu. -
0.2.0
(domyślnie): Napraw nazwę_pliku, od ścieżki bezwzględnej do ścieżki względnej do katalogu imagenet-r, np.: „imagenet_synset_id/nazwa_pliku.jpg”.
-
Rozmiar pliku do pobrania :
2.04 GiB
Rozmiar zestawu danych :
2.02 GiB
Automatyczne buforowanie ( dokumentacja ): Nie
Podziały :
Rozdzielać | Przykłady |
---|---|
'test' | 30 000 |
- Struktura funkcji :
FeaturesDict({
'file_name': Text(shape=(), dtype=string),
'image': Image(shape=(None, None, 3), dtype=uint8),
'label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
})
- Dokumentacja funkcji :
Funkcja | Klasa | Kształt | Typ D | Opis |
---|---|---|---|---|
FunkcjeDict | ||||
Nazwa pliku | Tekst | strunowy | ||
obraz | Obraz | (Brak, Brak, 3) | uint8 | |
etykieta | Etykieta klasy | int64 |
Klucze nadzorowane (zobacz dokument
as_supervised
):('image', 'label')
Rysunek ( tfds.show_examples ):
- Przykłady ( tfds.as_dataframe ):
- Cytat :
@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}
}