imagenet_v2

Descripción :

ImageNet-v2 es un conjunto de pruebas de ImageNet (10 por clase) recopilado siguiendo de cerca el protocolo de etiquetado original. Cada imagen ha sido etiquetada por al menos 10 trabajadores de MTurk, posiblemente más, y dependiendo de la estrategia utilizada para seleccionar qué imágenes incluir entre las 10 elegidas para la clase dada, hay tres versiones diferentes del conjunto de datos. Consulte la sección cuatro del documento para obtener más detalles sobre cómo se compilaron las diferentes variantes.

El espacio de etiquetas es el mismo que el de ImageNet2012. Cada ejemplo se representa como un diccionario con las siguientes claves:

'imagen': La imagen, un tensor (H, W, 3).
'etiqueta': un número entero en el rango [0, 1000).
'nombre_archivo': un código único que identifica el ejemplo dentro del conjunto de datos.
Página de inicio : https://github.com/modestyachts/ImageNetV2
Código fuente : tfds.datasets.imagenet_v2.Builder
Versiones :
- 1.0.0 : Versión inicial.
- 2.0.0 : Archivos actualizados.
- 3.0.0 (predeterminado): corrige el nombre del archivo, de la ruta absoluta a la ruta relativa al directorio de datos, es decir: "class_id/filename.jpg".
- 3.1.0 : Nuevas URL para recursos de Hugging Face.
Almacenamiento en caché automático ( documentación ): No
Divisiones :

Dividir	Ejemplos
`'test'`	10.000

Estructura de características :

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

Documentación de funciones :

Característica	Clase	Forma	tipo D
	FuncionesDict
Nombre del archivo	Texto		cadena
imagen	Imagen	(Ninguno, Ninguno, 3)	uint8
etiqueta	Etiqueta de clase		int64

Claves supervisadas (Ver documento as_supervised ): ('image', 'label')
Citación :

@inproceedings{recht2019imagenet,
  title={Do ImageNet Classifiers Generalize to ImageNet?},
  author={Recht, Benjamin and Roelofs, Rebecca and Schmidt, Ludwig and Shankar, Vaishaal},
  booktitle={International Conference on Machine Learning},
  pages={5389--5400},
  year={2019}
}