imagenet_r

• Visualização : Explorar em Conheça seus dados

• Descrição :

ImageNet-R é um conjunto de imagens rotuladas com rótulos ImageNet que foram obtidas coletando arte, cartoons, deviantart, graffiti, bordados, gráficos, origami, pinturas, padrões, objetos de plástico, objetos de pelúcia, esculturas, esboços, tatuagens, brinquedos e representações de jogos de vídeo de classes ImageNet. ImageNet-R tem renderizações de 200 classes ImageNet resultando em 30.000 imagens. coletando novos dados e mantendo apenas as imagens que os modelos ResNet-50 falham em classificar corretamente. Para mais detalhes, consulte o papel.

O espaço do rótulo é o mesmo do ImageNet2012. Cada exemplo é representado como um dicionário com as seguintes chaves:

• 'image': A imagem, um (H, W, 3)-tensor.
• 'rótulo': Um número inteiro no intervalo [0, 1000).

• 'file_name': Uma sequência única que identifica o exemplo dentro do conjunto de dados.

• Documentação Adicional : Explore em Papers With Code

• Página inicial : https://github.com/hendrycks/imagenet-r

• Código-fonte : tfds.datasets.imagenet_r.Builder

• Versões :

  • 0.1.0 : Sem notas de versão.
  • 0.2.0 (padrão): Corrige file_name, do caminho absoluto para o caminho relativo ao diretório imagenet-r, ou seja: "imagenet_synset_id/filename.jpg".

• Tamanho do download : 2.04 GiB

• Tamanho do conjunto de dados : 2.02 GiB

• Armazenado em cache automaticamente ( documentação ): Não

• Divisões :

Dividir	Exemplos
'test'	30.000

• 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	Descrição
	RecursosDict
nome do arquivo	Texto		corda
imagem	Imagem	(Nenhuma, Nenhuma, 3)	uint8
etiqueta	ClassLabel		int64

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

• Figura ( tfds.show_examples ):

• Exemplos ( tfds.as_dataframe ):

• Citação :

@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}
}