wake_vision

Opis :

Wake Vision to duży, wysokiej jakości zbiór danych zawierający ponad 6 milionów obrazów, znacznie przekraczający skalę i różnorodność obecnych zbiorów danych tinyML (100x). Ten zbiór danych zawiera obrazy z adnotacją, czy każdy obraz przedstawia osobę. Ponadto zawiera kompleksowy, szczegółowy punkt odniesienia służący do oceny uczciwości i solidności, obejmujący postrzeganą płeć, postrzegany wiek, odległość od obiektu, warunki oświetleniowe i przedstawienia. Etykiety Wake Vision pochodzą z adnotacji Open Image, które są licencjonowane przez Google LLC na podstawie licencji CC BY 4.0. Obrazy są wymienione jako posiadające licencję CC BY 2.0. Uwaga od Open Images: „chociaż próbowaliśmy zidentyfikować obrazy objęte licencją Creative Commons Uznanie autorstwa, nie składamy żadnych oświadczeń ani zapewnień dotyczących statusu licencji każdego obrazu i należy samodzielnie zweryfikować licencję dla każdego obrazu”.

Strona główna : https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi%3A10.7910%2FDVN%2F1HOPXC
Kod źródłowy : tfds.datasets.wake_vision.Builder
Wersje :
- 1.0.0 (domyślnie): początkowa wersja zestawów danych TensorFlow. Należy pamiętać, że jest to oparte na wersji 2.0 Wake Vision na Harvard Dataverse.
Rozmiar pobierania : Unknown size
Rozmiar zbioru danych : 239.25 GiB
Automatyczne buforowanie ( dokumentacja ): Nie
Podziały :

Podział	Przykłady
`'test'`	55763
`'train_large'`	5 760 428
`'train_quality'`	1 248 230
`'validation'`	18582

Struktura funkcji :

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),
})

Dokumentacja funkcji :

Funkcja	Klasa	Kształt	Typ D
	FunkcjeDykt
wiek_nieznany	Etykieta klasy		int64
część_ciała	Etykieta klasy		int64
jasny	Etykieta klasy		int64
ciemny	Etykieta klasy		int64
opis	Etykieta klasy		int64
daleko	Etykieta klasy		int64
nazwa pliku	Tekst		smyczkowy
płeć_nieznana	Etykieta klasy		int64
obraz	Obraz	(Brak, Brak, 3)	uint8
średnia_odległość	Etykieta klasy		int64
średni_wiek	Etykieta klasy		int64
w pobliżu	Etykieta klasy		int64
non-person_depiction	Etykieta klasy		int64
non-person_non-depiction	Etykieta klasy		int64
normalne_oświetlenie	Etykieta klasy		int64
starszy	Etykieta klasy		int64
osoba	Etykieta klasy		int64
przedstawienie_osoby	Etykieta klasy		int64
głównie_kobieta	Etykieta klasy		int64
głównie_mężczyźni	Etykieta klasy		int64
młody	Etykieta klasy		int64

Nadzorowane klucze (zobacz as_supervised dokument ): ('image', 'person')
Rysunek ( tfds.show_examples ):

Wyobrażanie sobie

Przykłady ( tfds.as_dataframe ): Brak.
Cytat :

@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}
}