استانفورد_سگ

• توضیحات :

مجموعه داده Stanford Dogs شامل تصاویری از 120 نژاد سگ از سراسر جهان است. این مجموعه داده با استفاده از تصاویر و حاشیه نویسی از ImageNet برای طبقه بندی تصاویر ریز دانه ساخته شده است. 20580 تصویر وجود دارد که از این تعداد 12000 برای آموزش و 8580 تصویر برای تست استفاده می شود. برچسب‌های کلاس و حاشیه‌نویسی جعبه محدود برای همه 12000 تصویر ارائه شده است.

• اسناد اضافی : کاوش در کاغذها با کد

• صفحه اصلی : http://vision.stanford.edu/aditya86/ImageNetDogs/main.html

• کد منبع : tfds.datasets.stanford_dogs.Builder

• نسخه ها :

  • 0.2.0 (پیش فرض): بدون یادداشت انتشار.

• حجم دانلود : 778.12 MiB

• حجم مجموعه داده : 744.72 MiB

• ذخیره خودکار ( اسناد ): خیر

• تقسیم ها :

شکاف	مثال ها
'test'	8580
'train'	12000

• ساختار ویژگی :

FeaturesDict({
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'image/filename': Text(shape=(), dtype=string),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=120),
    'objects': Sequence({
        'bbox': BBoxFeature(shape=(4,), dtype=float32),
    }),
})

• مستندات ویژگی :

ویژگی	کلاس	شکل	نوع D	شرح
	FeaturesDict
تصویر	تصویر	(هیچ، هیچ، 3)	uint8
تصویر/نام فایل	متن		رشته
برچسب	ClassLabel		int64
اشیاء	توالی
اشیاء/bbox	ویژگی BBox	(4،)	float32

• کلیدهای نظارت شده (مشاهده as_supervised doc ): ('image', 'label')

• شکل ( tfds.show_examples ):

• مثال‌ها ( tfds.as_dataframe ):

• نقل قول :

@inproceedings{KhoslaYaoJayadevaprakashFeiFei_FGVC2011,
author = "Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and
          Li Fei-Fei",
title = "Novel Dataset for Fine-Grained Image Categorization",
booktitle = "First Workshop on Fine-Grained Visual Categorization,
             IEEE Conference on Computer Vision and Pattern Recognition",
year = "2011",
month = "June",
address = "Colorado Springs, CO",
}
@inproceedings{imagenet_cvpr09,
        AUTHOR = {Deng, J. and Dong, W. and Socher, R. and Li, L.-J. and
                  Li, K. and Fei-Fei, L.},
        TITLE = { {ImageNet: A Large-Scale Hierarchical Image Database} },
        BOOKTITLE = {CVPR09},
        YEAR = {2009},
        BIBSOURCE = "http://www.image-net.org/papers/imagenet_cvpr09.bib"}