• Keterangan :

Unduh SA-1B

Segment Anything 1 Billion (SA-1B) adalah kumpulan data yang dirancang untuk melatih model segmentasi objek tujuan umum dari gambar dunia terbuka. Kumpulan data diperkenalkan di makalah "Segmen Apa Pun" .

Kumpulan data SA-1B terdiri dari 11 juta gambar yang beragam, beresolusi tinggi, berlisensi, dan melindungi privasi serta 1,1 miliar anotasi masker. Masker diberikan dalam format COCO run-length coding (RLE), dan tidak memiliki kelas.

Lisensinya bersifat khusus. Silakan baca syarat dan ketentuan selengkapnya di https://ai.facebook.com/datasets/segment-anything-downloads

Semua fitur ada di dataset asli kecuali image.content (isi gambar).

Anda dapat memecahkan kode masker segmentasi dengan:

import tensorflow_datasets as tfds

pycocotools = tfds.core.lazy_imports.pycocotools

ds = tfds.load('segment_anything', split='train')
for example in tfds.as_numpy(ds):
  segmentation = example['annotations']['segmentation']
  for counts, size in zip(segmentation['counts'], segmentation['size']):
    encoded_mask = {'size': size, 'counts': counts}
    mask = pycocotools.decode(encoded_mask)  # np.array(dtype=uint8) mask
    ...

• Beranda : https://ai.facebook.com/datasets/segment-anything-downloads

• Kode sumber : tfds.datasets.segment_anything.Builder

• Versi :

  • 1.0.0 (default): Rilis awal.

• Ukuran unduhan : 10.28 TiB

• Ukuran kumpulan data : 10.59 TiB

• Petunjuk pengunduhan manual : Kumpulan data ini mengharuskan Anda mengunduh data sumber secara manual ke download_config.manual_dir (defaultnya adalah ~/tensorflow_datasets/downloads/manual/ ):
  Unduh file tautan dari https://ai.facebook.com/datasets/segment-anything-downloads manual_dir harus berisi file tautan yang disimpan sebagai segment_anything_links.txt.

• Cache otomatis ( dokumentasi ): Tidak

• Perpecahan :

• Struktur fitur :

FeaturesDict({
    'annotations': Sequence({
        'area': Scalar(shape=(), dtype=uint64, description=The area in pixels of the mask.),
        'bbox': BBoxFeature(shape=(4,), dtype=float32, description=The box around the mask, in TFDS format.),
        'crop_box': BBoxFeature(shape=(4,), dtype=float32, description=The crop of the image used to generate the mask, in TFDS format.),
        'id': Scalar(shape=(), dtype=uint64, description=Identifier for the annotation.),
        'point_coords': Tensor(shape=(1, 2), dtype=float64, description=The point coordinates input to the model to generate the mask.),
        'predicted_iou': Scalar(shape=(), dtype=float64, description=The model's own prediction of the mask's quality.),
        'segmentation': FeaturesDict({
            'counts': string,
            'size': Tensor(shape=(2,), dtype=uint64),
        }),
        'stability_score': Scalar(shape=(), dtype=float64, description=A measure of the mask's quality.),
    }),
    'image': FeaturesDict({
        'content': Image(shape=(None, None, 3), dtype=uint8, description=Content of the image.),
        'file_name': string,
        'height': uint64,
        'image_id': uint64,
        'width': uint64,
    }),
})

• Dokumentasi fitur :

• Kunci yang diawasi (Lihat dokumen as_supervised ): None

• Gambar ( tfds.show_examples ): Tidak didukung.

• Contoh ( tfds.as_dataframe ): Tidak ada.

• Kutipan :

@misc{kirillov2023segment,
  title={Segment Anything},
  author={Alexander Kirillov and Eric Mintun and Nikhila Ravi and Hanzi Mao and Chloe Rolland and Laura Gustafson and Tete Xiao and Spencer Whitehead and Alexander C. Berg and Wan-Yen Lo and Piotr Dollár and Ross Girshick},
  year={2023},
  eprint={2304.02643},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}