Tao

• Descripción :

El conjunto de datos TAO es un gran conjunto de datos de detección de objetos de video que consta de 2907 videos de alta resolución y 833 categorías de objetos. Tenga en cuenta que este conjunto de datos requiere al menos 300 GB de espacio libre para almacenar.

• Documentación adicional : Explore en Papers With Code north_east

• Página de inicio: https://taodataset.org/

• Código fuente : tfds.video.tao.Tao

• Versiones :

  • 1.0.0 (predeterminado): Versión inicial.

• Tamaño de descarga : 113.96 GiB

• Instrucciones de descarga manual : este conjunto de datos requiere que descargue los datos de origen manualmente en download_config.manual_dir (el valor predeterminado es ~/tensorflow_datasets/downloads/manual/ ):
  Algunos archivos TAO (videos HVACS y AVA) deben descargarse manualmente porque se requiere iniciar sesión en MOT. Descargue esos datos siguiendo las instrucciones en https://motchallenge.net/tao_download.php

Descargue estos datos y mueva los archivos .zip resultantes a ~/tensorflow_datasets/downloads/manual/

Si los datos que requieren descarga manual no están presentes, se omitirán y solo se utilizarán los datos que no requieran descarga manual.

• Almacenamiento automático en caché ( documentación ): No

• Divisiones :

• Claves supervisadas (Ver as_supervised doc ): None

• Figura ( tfds.show_examples ): no compatible.

• Cita :

@article{Dave_2020,
   title={TAO: A Large-Scale Benchmark for Tracking Any Object},
   ISBN={9783030585587},
   ISSN={1611-3349},
   url={http://dx.doi.org/10.1007/978-3-030-58558-7_26},
   DOI={10.1007/978-3-030-58558-7_26},
   journal={Lecture Notes in Computer Science},
   publisher={Springer International Publishing},
   author={Dave, Achal and Khurana, Tarasha and Tokmakov, Pavel and Schmid, Cordelia and Ramanan, Deva},
   year={2020},
   pages={436-454}
}

tao/480_640 (configuración predeterminada)

• Descripción de la configuración : todas las imágenes se redimensionan de forma bilineal a 480 X 640

• Tamaño del conjunto de datos : 482.30 GiB

• Estructura de características :

FeaturesDict({
    'metadata': FeaturesDict({
        'dataset': string,
        'height': int32,
        'neg_category_ids': Tensor(shape=(None,), dtype=int32),
        'not_exhaustive_category_ids': Tensor(shape=(None,), dtype=int32),
        'num_frames': int32,
        'video_name': string,
        'width': int32,
    }),
    'tracks': Sequence({
        'bboxes': Sequence(BBoxFeature(shape=(4,), dtype=float32)),
        'category': ClassLabel(shape=(), dtype=int64, num_classes=363),
        'frames': Sequence(int32),
        'is_crowd': bool,
        'scale_category': string,
        'track_id': int32,
    }),
    'video': Video(Image(shape=(480, 640, 3), dtype=uint8)),
})

• Documentación de características :

• Ejemplos ( tfds.as_dataframe ):

tao/resolución_completa

• Descripción de la configuración : la versión de resolución completa del conjunto de datos.

• Tamaño del conjunto de datos : 171.24 GiB

• Estructura de características :

FeaturesDict({
    'metadata': FeaturesDict({
        'dataset': string,
        'height': int32,
        'neg_category_ids': Tensor(shape=(None,), dtype=int32),
        'not_exhaustive_category_ids': Tensor(shape=(None,), dtype=int32),
        'num_frames': int32,
        'video_name': string,
        'width': int32,
    }),
    'tracks': Sequence({
        'bboxes': Sequence(BBoxFeature(shape=(4,), dtype=float32)),
        'category': ClassLabel(shape=(), dtype=int64, num_classes=363),
        'frames': Sequence(int32),
        'is_crowd': bool,
        'scale_category': string,
        'track_id': int32,
    }),
    'video': Video(Image(shape=(None, None, 3), dtype=uint8)),
})

• Documentación de características :

• Ejemplos ( tfds.as_dataframe ):