przechodzić

• Opis :

PASS to wielkoskalowy zbiór danych obrazu, który nie zawiera żadnych ludzi, części ludzkich ani innych informacji umożliwiających identyfikację. Można go używać do wysokiej jakości samonadzorowanego szkolenia wstępnego, znacznie zmniejszając obawy dotyczące prywatności.

PASS zawiera 1 439 589 obrazów bez żadnych etykiet pochodzących z YFCC-100M.

Wszystkie obrazy w tym zbiorze danych są objęte licencją CC-BY, podobnie jak sam zbiór danych. Informacje na temat YFCC-100M można znaleźć na stronie http://www.multimediacommons.org/

• Dodatkowa dokumentacja : Eksploruj w dokumentach z kodem

• Strona główna : https://www.robots.ox.ac.uk/~vgg/data/pass/

• Kod źródłowy : tfds.datasets.pass.Builder

• Wersje :

  • 1.0.0 : Pierwsza wersja.
  • 2.0.0 : v2: Usunięto 472 obrazy z wersji 1, ponieważ przedstawiały ludzi. Dodano także metadane: datetake i GPS.
  • 3.0.0 (domyślnie): v3: Usunięto 131 obrazów z wersji 2, ponieważ zawierały ludzi/tatuaże.

• Rozmiar pobierania : 167.30 GiB

• Rozmiar zbioru danych : 166.43 GiB

• Automatyczne buforowanie ( dokumentacja ): Nie

• Podziały :

Podział	Przykłady
'train'	1 439 588

• Struktura funkcji :

FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'image/creator_uname': Text(shape=(), dtype=string),
    'image/date_taken': Text(shape=(), dtype=string),
    'image/gps_lat': float32,
    'image/gps_lon': float32,
    'image/hash': Text(shape=(), dtype=string),
})

• Dokumentacja funkcji :

Funkcja	Klasa	Kształt	Typ D	Opis
	FunkcjeDykt
obraz	Obraz	(Brak, Brak, 3)	uint8
obraz/nazwa_twórcy	Tekst		strunowy
zdjęcie/data_wykonania	Tekst		strunowy
image/gps_lat	Napinacz		pływak32
image/gps_lon	Napinacz		pływak32
obraz/hasz	Tekst		strunowy

• Klucze nadzorowane (zobacz dokument as_supervised ): None

• Rysunek ( tfds.show_examples ):

• Przykłady ( tfds.as_dataframe ):

• Cytat :

@Article{asano21pass,
author = "Yuki M. Asano and Christian Rupprecht and Andrew Zisserman and Andrea Vedaldi",
title = "PASS: An ImageNet replacement for self-supervised pretraining without humans",
journal = "NeurIPS Track on Datasets and Benchmarks",
year = "2021"
}