uyanıklık_vizyonu

Tanım :

Wake Vision, mevcut TinyML veri kümelerinin (100x) ölçeğini ve çeşitliliğini önemli ölçüde aşan, 6 milyondan fazla görüntü içeren büyük, yüksek kaliteli bir veri kümesidir. Bu veri kümesi, her görüntünün bir kişiyi içerip içermediğine ilişkin ek açıklamalar içeren görüntüler içerir. Ek olarak, adaleti ve sağlamlığı değerlendirmek için algılanan cinsiyeti, algılanan yaşı, konu mesafesini, aydınlatma koşullarını ve tasvirleri kapsayan kapsamlı, ayrıntılı bir kıyaslama içerir. Wake Vision etiketleri, Google LLC tarafından CC BY 4.0 lisansı kapsamında lisanslanan Open Image ek açıklamalarından türetilmiştir. Görseller CC BY 2.0 lisansına sahip olarak listelenmiştir. Açık Görsellerden Not: "Creative Commons Attribution lisansı kapsamında lisanslanan görselleri belirlemeye çalışsak da, her görselin lisans durumuyla ilgili hiçbir beyan veya garanti vermiyoruz ve her görselin lisansını kendiniz doğrulamanız gerekir."

Ana sayfa : https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi%3A10.7910%2FDVN%2F1HOPXC
Kaynak kodu : tfds.datasets.wake_vision.Builder
Sürümler :
- 1.0.0 (varsayılan): İlk TensorFlow Veri Kümeleri sürümü. Bunun Harvard Dataverse'deki Wake Vision'ın 2.0 sürümüne dayandığını unutmayın.
İndirme boyutu : Unknown size
Veri kümesi boyutu : 239.25 GiB
Otomatik önbelleğe alınmış ( belgeler ): Hayır
Bölünmeler :

Bölmek	Örnekler
`'test'`	55.763
`'train_large'`	5.760.428
`'train_quality'`	1.248.230
`'validation'`	18.582

Özellik yapısı :

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),
})

Özellik belgeleri :

Özellik	Sınıf	Şekil	Dtipi
	ÖzelliklerDict
yaş_bilinmiyor	SınıfEtiketi		int64
vücut parçası	SınıfEtiketi		int64
parlak	SınıfEtiketi		int64
karanlık	SınıfEtiketi		int64
tasvir	SınıfEtiketi		int64
uzak	SınıfEtiketi		int64
dosya adı	Metin		sicim
cinsiyet_bilinmiyor	SınıfEtiketi		int64
görüntü	Resim	(Yok, Yok, 3)	uint8
orta mesafe	SınıfEtiketi		int64
orta yaş	SınıfEtiketi		int64
yakın	SınıfEtiketi		int64
non-person_depiction	SınıfEtiketi		int64
non-person_non-tasvir	SınıfEtiketi		int64
normal_aydınlatma	SınıfEtiketi		int64
daha yaşlı	SınıfEtiketi		int64
kişi	SınıfEtiketi		int64
kişi_tasviri	SınıfEtiketi		int64
ağırlıklı olarak kadın	SınıfEtiketi		int64
ağırlıklı olarak erkek	SınıfEtiketi		int64
genç	SınıfEtiketi		int64

Denetlenen anahtarlar ( as_supervised belgesine bakın): ('image', 'person')
Şekil ( tfds.show_examples ):

Görselleştirme

Örnekler ( tfds.as_dataframe ): Eksik.
Alıntı :

@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}
}