bangun_visi

Keterangan :

Wake Vision adalah kumpulan data besar dan berkualitas tinggi yang menampilkan lebih dari 6 juta gambar, jauh melebihi skala dan keragaman kumpulan data tinyML saat ini (100x). Kumpulan data ini mencakup gambar dengan anotasi apakah setiap gambar berisi seseorang. Selain itu, ini juga mencakup tolok ukur terperinci yang komprehensif untuk menilai keadilan dan kekokohan, yang mencakup persepsi gender, persepsi usia, jarak subjek, kondisi pencahayaan, dan penggambaran. Label Wake Vision berasal dari anotasi Open Image yang dilisensikan oleh Google LLC di bawah lisensi CC BY 4.0. Gambar-gambar tersebut terdaftar memiliki lisensi CC BY 2.0. Catatan dari Open Images: "meskipun kami mencoba mengidentifikasi gambar yang dilisensikan di bawah lisensi Creative Commons Attribution, kami tidak membuat pernyataan atau jaminan mengenai status lisensi setiap gambar dan Anda harus memverifikasi sendiri lisensi untuk setiap gambar."

Beranda : https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi%3A10.7910%2FDVN%2F1HOPXC
Kode sumber : tfds.datasets.wake_vision.Builder
Versi :
- 1.0.0 (default): Rilis Kumpulan Data TensorFlow awal. Perhatikan bahwa ini didasarkan pada Wake Vision versi 2.0 di Harvard Dataverse.
Ukuran unduhan : Unknown size
Ukuran kumpulan data : 239.25 GiB
Cache otomatis ( dokumentasi ): Tidak
Perpecahan :

Membelah	Contoh
`'test'`	55.763
`'train_large'`	5.760.428
`'train_quality'`	1.248.230
`'validation'`	18.582

Struktur fitur :

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),
})

Dokumentasi fitur :

Fitur	Kelas	Membentuk	Tipe D
	FiturDict
usia_tidak diketahui	Label Kelas		int64
bagian_tubuh	Label Kelas		int64
terang	Label Kelas		int64
gelap	Label Kelas		int64
penggambaran	Label Kelas		int64
jauh	Label Kelas		int64
nama file	Teks		rangkaian
gender_tidak diketahui	Label Kelas		int64
gambar	Gambar	(Tidak ada, Tidak ada, 3)	uint8
jarak_sedang	Label Kelas		int64
usia_tengah	Label Kelas		int64
di dekat	Label Kelas		int64
penggambaran_non-orang	Label Kelas		int64
non-orang_non-penggambaran	Label Kelas		int64
pencahayaan_normal	Label Kelas		int64
lebih tua	Label Kelas		int64
orang	Label Kelas		int64
orang_penggambaran	Label Kelas		int64
didominasi_perempuan	Label Kelas		int64
didominasi_laki-laki	Label Kelas		int64
muda	Label Kelas		int64

Kunci yang diawasi (Lihat dokumen as_supervised ): ('image', 'person')
Gambar ( tfds.show_examples ):

Visualisasi

Contoh ( tfds.as_dataframe ): Tidak ada.
Kutipan :

@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}
}