imagenet_v2

Descrizione :

ImageNet-v2 è un set di test ImageNet (10 per classe) raccolto seguendo attentamente il protocollo di etichettatura originale. Ogni immagine è stata etichettata da almeno 10 lavoratori MTurk, forse di più, e a seconda della strategia utilizzata per selezionare quali immagini includere tra le 10 scelte per una determinata classe ci sono tre diverse versioni del set di dati. Si prega di fare riferimento alla sezione quattro del documento per maggiori dettagli su come sono state compilate le diverse varianti.

Lo spazio dell'etichetta è lo stesso di ImageNet2012. Ogni esempio è rappresentato come un dizionario con le seguenti chiavi:

'immagine': L'immagine, un tensore (H, W, 3).
'etichetta': un numero intero nell'intervallo [0, 1000).
'file_name': una stringa univoca che identifica l'esempio all'interno del set di dati.
Pagina iniziale : https://github.com/modestyachts/ImageNetV2
Codice sorgente : tfds.datasets.imagenet_v2.Builder
Versioni :
- 1.0.0 : versione iniziale.
- 2.0.0 : file aggiornati.
- 3.0.0 (predefinito): corretto file_name, dal percorso assoluto al percorso relativo alla directory dei dati, ad esempio: "class_id/filename.jpg".
- 3.1.0 : Nuovi URL per le risorse di Hugging Face.
Memorizzazione nella cache automatica ( documentazione ): No
Divide :

Diviso	Esempi
`'test'`	10.000

Struttura delle caratteristiche :

FeaturesDict({
    'file_name': Text(shape=(), dtype=string),
    'image': Image(shape=(None, None, 3), dtype=uint8),
    'label': ClassLabel(shape=(), dtype=int64, num_classes=1000),
})

Documentazione delle funzionalità :

Caratteristica	Classe	Forma	Tipo D
	CaratteristicheDict
nome del file	Testo		corda
Immagine	Immagine	(Nessuno, Nessuno, 3)	uint8
etichetta	ClassLabel		int64

Chiavi supervisionate (vedi il documento as_supervised ): ('image', 'label')
Citazione :

@inproceedings{recht2019imagenet,
  title={Do ImageNet Classifiers Generalize to ImageNet?},
  author={Recht, Benjamin and Roelofs, Rebecca and Schmidt, Ludwig and Shankar, Vaishaal},
  booktitle={International Conference on Machine Learning},
  pages={5389--5400},
  year={2019}
}