- توضیحات :
مجموعه داده Stanford Dogs شامل تصاویری از 120 نژاد سگ از سراسر جهان است. این مجموعه داده با استفاده از تصاویر و حاشیه نویسی از ImageNet برای طبقه بندی تصاویر ریز دانه ساخته شده است. 20580 تصویر وجود دارد که از این تعداد 12000 برای آموزش و 8580 تصویر برای تست استفاده می شود. برچسبهای کلاس و حاشیهنویسی جعبه محدود برای همه 12000 تصویر ارائه شده است.
اسناد اضافی : کاوش در کاغذها با کد
صفحه اصلی : http://vision.stanford.edu/aditya86/ImageNetDogs/main.html
کد منبع :
tfds.datasets.stanford_dogs.Builder
نسخه ها :
-
0.2.0
(پیش فرض): بدون یادداشت انتشار.
-
حجم دانلود :
778.12 MiB
حجم مجموعه داده :
744.72 MiB
ذخیره خودکار ( اسناد ): خیر
تقسیم ها :
شکاف | مثال ها |
---|---|
'test' | 8580 |
'train' | 12000 |
- ساختار ویژگی :
FeaturesDict({
'image': Image(shape=(None, None, 3), dtype=uint8),
'image/filename': Text(shape=(), dtype=string),
'label': ClassLabel(shape=(), dtype=int64, num_classes=120),
'objects': Sequence({
'bbox': BBoxFeature(shape=(4,), dtype=float32),
}),
})
- مستندات ویژگی :
ویژگی | کلاس | شکل | نوع D | شرح |
---|---|---|---|---|
FeaturesDict | ||||
تصویر | تصویر | (هیچ، هیچ، 3) | uint8 | |
تصویر/نام فایل | متن | رشته | ||
برچسب | ClassLabel | int64 | ||
اشیاء | توالی | |||
اشیاء/bbox | ویژگی BBox | (4،) | float32 |
کلیدهای نظارت شده (مشاهده
as_supervised
doc ):('image', 'label')
شکل ( tfds.show_examples ):
- مثالها ( tfds.as_dataframe ):
- نقل قول :
@inproceedings{KhoslaYaoJayadevaprakashFeiFei_FGVC2011,
author = "Aditya Khosla and Nityananda Jayadevaprakash and Bangpeng Yao and
Li Fei-Fei",
title = "Novel Dataset for Fine-Grained Image Categorization",
booktitle = "First Workshop on Fine-Grained Visual Categorization,
IEEE Conference on Computer Vision and Pattern Recognition",
year = "2011",
month = "June",
address = "Colorado Springs, CO",
}
@inproceedings{imagenet_cvpr09,
AUTHOR = {Deng, J. and Dong, W. and Socher, R. and Li, L.-J. and
Li, K. and Fei-Fei, L.},
TITLE = { {ImageNet: A Large-Scale Hierarchical Image Database} },
BOOKTITLE = {CVPR09},
YEAR = {2009},
BIBSOURCE = "http://www.image-net.org/papers/imagenet_cvpr09.bib"}