пробуждение_видение

Описание :

Wake Vision — это большой высококачественный набор данных, содержащий более 6 миллионов изображений, что значительно превышает масштаб и разнообразие текущих наборов данных tinyML (в 100 раз). Этот набор данных включает изображения с аннотациями о том, содержит ли каждое изображение человека. Кроме того, он включает в себя комплексный детальный критерий для оценки справедливости и надежности, охватывающий воспринимаемый пол, воспринимаемый возраст, расстояние до объекта, условия освещения и изображения. Ярлыки Wake Vision созданы на основе аннотаций Open Image, которые лицензированы Google LLC по лицензии CC BY 4.0. Изображения указаны как имеющие лицензию CC BY 2.0. Примечание от Open Images: «Хотя мы пытались идентифицировать изображения, лицензированные по лицензии Creative Commons Attribution, мы не делаем никаких заявлений и не даем гарантий относительно статуса лицензии каждого изображения, и вам следует проверить лицензию для каждого изображения самостоятельно».

Домашняя страница : https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi%3A10.7910%2FDVN%2F1HOPXC.
Исходный код : tfds.datasets.wake_vision.Builder .
Версии :
- 1.0.0 (по умолчанию): начальная версия наборов данных TensorFlow. Обратите внимание, что это основано на версии 2.0 Wake Vision в Harvard Dataverse.
Размер загрузки : Unknown size
Размер набора данных : 239.25 GiB
Автокэширование ( документация ): Нет
Расколы :

Расколоть	Примеры
`'test'`	55 763
`'train_large'`	5 760 428
`'train_quality'`	1 248 230
`'validation'`	18 582

Структура функции :

FeaturesDict({
    'age_unknown': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'body_part': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'bright': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'dark': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'depiction': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'far': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'filename': Text(shape=(), dtype=string),
    'gender_unknown': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'medium_distance': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'middle_age': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'near': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'non-person_depiction': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'non-person_non-depiction': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'normal_lighting': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'older': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'person': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'person_depiction': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'predominantly_female': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'predominantly_male': ClassLabel(shape=(), dtype=int64, num_classes=2),
    'young': ClassLabel(shape=(), dtype=int64, num_classes=2),
})

Функциональная документация :

Особенность	Сорт	Форма	Дтип
	ВозможностиDict
возраст_неизвестен	Класслейбл		int64
часть_тела	Класслейбл		int64
яркий	Класслейбл		int64
темный	Класслейбл		int64
описание	Класслейбл		int64
далеко	Класслейбл		int64
имя файла	Текст		нить
пол_неизвестен	Класслейбл		int64
изображение	Изображение	(Нет, Нет, 3)	uint8
среднее_дистанция	Класслейбл		int64
средний_возраст	Класслейбл		int64
около	Класслейбл		int64
не-person_depiction	Класслейбл		int64
нечеловек_неизображение	Класслейбл		int64
нормальное_освещение	Класслейбл		int64
старше	Класслейбл		int64
человек	Класслейбл		int64
person_depiction	Класслейбл		int64
преимущественно_женщины	Класслейбл		int64
преимущественно_мужчины	Класслейбл		int64
молодой	Класслейбл		int64

Контролируемые ключи (см. документ as_supervised ): ('image', 'person')
Рисунок ( tfds.show_examples ):

Визуализация

Примеры ( tfds.as_dataframe ):

Цитата :

@article{banbury2024wake,
  title={Wake Vision: A Large-scale, Diverse Dataset and Benchmark Suite for TinyML Person Detection},
  author={Banbury, Colby and Njor, Emil and Stewart, Matthew and Warden, Pete and Kudlur, Manjunath and Jeffries, Nat and Fafoutis, Xenofon and Reddi, Vijay Janapa},
  journal={arXiv preprint arXiv:2405.00892},
  year={2024}
}