Визуализация : Исследуйте в Know Your Data
Описание :
ImageNet-R — это набор изображений, помеченных этикетками ImageNet, которые были получены путем сбора произведений искусства, мультфильмов, DeviantArt, граффити, вышивки, графики, оригами, картин, узоров, пластиковых предметов, плюшевых предметов, скульптур, эскизов, татуировок, игрушек и т. видеоигровые представления классов ImageNet. ImageNet-R имеет представления 200 классов ImageNet, что дает 30 000 изображений. собирая новые данные и сохраняя только те изображения, которые модели ResNet-50 не могут правильно классифицировать. Для более подробной информации, пожалуйста, обратитесь к бумаге.
Пространство меток такое же, как у ImageNet2012. Каждый пример представлен в виде словаря со следующими ключами:
- «изображение»: образ, (H, W, 3)-тензор.
- «метка»: целое число в диапазоне [0, 1000).
'file_name': уникальная строка, идентифицирующая пример в наборе данных.
Дополнительная документация : изучить документы с кодом
Домашняя страница : https://github.com/hendrycks/imagenet-r
Исходный код :
tfds.datasets.imagenet_r.Builder
Версии :
-
0.1.0
: Нет примечаний к выпуску. -
0.2.0
(по умолчанию): исправлено имя_файла с абсолютного пути на путь относительно каталога imagenet-r, например: «imagenet_synset_id/filename.jpg».
-
Размер загрузки :
2.04 GiB
Размер набора данных :
2.02 GiB
Автоматическое кэширование ( документация ): Нет
Сплиты :
Расколоть | Примеры |
---|---|
'test' | 30 000 |
- Структура функции :
FeaturesDict({
'file_name': Text(shape=(), dtype=string),
'image': Image(shape=(None, None, 3), dtype=uint8),
'label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
})
- Документация по функциям :
Особенность | Учебный класс | Форма | Dтип | Описание |
---|---|---|---|---|
ОсобенностиDict | ||||
имя файла | Текст | нить | ||
изображение | Изображение | (Нет, Нет, 3) | uint8 | |
этикетка | Метка класса | int64 |
Контролируемые ключи (см. документ
as_supervised
):('image', 'label')
Рисунок ( tfds.show_examples ):
- Примеры ( tfds.as_dataframe ):
- Цитата :
@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}
}