Set Data untuk Penglihatan Komputer (4)

Beli Saya Kopi☕

*Memo:

• Siaran saya menerangkan MNIST, EMNIST, QMNIST, ETLCDB, Kuzushiji dan Moving MNIST.
• Siaran saya menerangkan Fashion-MNIST, Caltech 101, Caltech 256, CelebA, CIFAR-10 dan CIFAR-100.
• Siaran saya menerangkan Oxford-IIIT Pet, Oxford 102 Flower, Stanford Cars, Places365, Flickr8k dan Flickr30k.

(1) ImageNet(2009):

• mempunyai 1,331,167 imej objek(1,281,167 untuk kereta api dan 50,000 untuk pengesahan) setiap satu disambungkan kepada label daripada 1000 kelas: *Memo:
  • Setiap kelas mempunyai satu atau lebih nama yang mewakili perkara yang sama.
  • Anda boleh memuat turun ILSVRC2012_devkit_t12.tar.gz, ILSVRC2012_img_train.tar dan ILSVRC2012_img_val.tar.
• ialah ImageNet() dalam PyTorch.

(2) LSUN(Pemahaman Adegan Berskala Besar)(2015):

• mempunyai imej pemandangan dan terdapat 10 set data Bilik Tidur, Jambatan, Church Outdoor, Bilik Darjah, Bilik Persidangan , Ruang Makan, Dapur, Ruang Tamu, Restoran dan Menara:
  • Bilik Tidur mempunyai 3,033,342 imej bilik tidur(3,033,042 untuk kereta api dan 300 untuk pengesahan).
  • Jambatan mempunyai 818,987 imej jambatan(818,687 untuk kereta api dan 300 untuk pengesahan).
  • Church Outdoor mempunyai 126,527 imej luar gereja(126,227 untuk kereta api dan 300 untuk pengesahan).
  • Bilik Darjah mempunyai 126,527 imej bilik darjah(126,227 untuk kereta api dan 300 untuk pengesahan).
  • Bilik Persidangan mempunyai 229,369 imej bilik persidangan(229,069 untuk kereta api dan 300 untuk pengesahan).
  • Bilik Makan mempunyai 657,871 imej ruang makan(657,571 untuk kereta api dan 300 untuk pengesahan).
  • Dapur mempunyai 2,212,577 imej dapur(2,212,277 untuk kereta api dan 300 untuk pengesahan).
  • Ruang Tamu mempunyai 1,316,102 imej ruang tamu(1,315,802 untuk kereta api dan 300 untuk pengesahan).
  • Restoran mempunyai 626,631 imej restoran(626,331 untuk kereta api dan 300 untuk pengesahan).
  • Menara mempunyai 708,564 imej menara(708,264 untuk kereta api dan 300 untuk pengesahan).
• ialah LSUN() dalam PyTorch tetapi ia mempunyai pepijat.

(3) MS COCO(Microsoft Common Objects in Context)(2014):

• mempunyai imej objek dengan anotasi dan terdapat 16 set data 2014 Train images dan 2014 Val images dengan 2014 Train/Val anotasi, 2014 Uji imej dengan Imej Pengujian 2014 info, imej Ujian 2015 dengan maklumat Imej Ujian 2015, imej Latih 2017 dan imej Val 2017 dengan 2017 Anotasi Train/Val, anotasi Stuff Train/Val 2017 atau anotasi Kereta Api/Val Panoptic 2017, Imej Ujian 2017 dengan maklumat Imej Ujian 2017 dan dengan Maklumat Imej Tidak Berlabel 2017: *Memo:
  • Imej kereta api 2014 mempunyai 82,782 imej.
  • Imej Val 2014 mempunyai 40,504 imej.
  • anotasi Train/Val 2014 mempunyai 123,286 anotasi(82,782 untuk kereta api dan 40,504 untuk pengesahan) untuk imej Keretapi 2014 dan imej Val 2014.
  • Imej ujian 2014 mempunyai 40,775 imej.
  • Maklumat Imej Ujian 2014 mempunyai 40,775 anotasi untuk Imej Ujian 2014.
  • Imej ujian 2015 mempunyai 81,434 imej.
  • Maklumat Imej Ujian 2015 mempunyai 81,434 anotasi untuk imej Ujian 2015.
  • Imej kereta api 2017 mempunyai 118,287 imej.
  • Imej Val 2017 mempunyai 5,000 imej.
  • anotasi Train/Val 2017 mempunyai 123,287 anotasi(118,287 untuk kereta api dan 5,000 untuk pengesahan) untuk imej Keretapi 2017 dan imej Val 2017.
  • anotasi Stuff Train/Val 2017 mempunyai 123,287 anotasi(118,287 untuk kereta api dan 5,000 untuk pengesahan) untuk imej Keretapi 2017 dan imej Val 2017..
  • anotasi Kereta Api/Val Panoptic 2017 mempunyai 123,287 anotasi(118,287 untuk kereta api dan 5,000 untuk pengesahan) untuk imej Kereta Api 2017 dan imej Val 2017..
  • Imej ujian 2017 mempunyai 40,670 imej.
  • Maklumat Imej Ujian 2017 mempunyai 40,670 anotasi untuk Imej Ujian 2017.
  • Imej tidak berlabel 2017 mempunyai 123,403 imej.
  • Maklumat Imej Tidak Berlabel 2017 mempunyai 123,403 anotasi untuk Imej Tidak Berlabel 2017.
juga dipanggil COCO sahaja.
ialah CocoDetection() atau CocoCaptions()

Atas ialah kandungan terperinci Set Data untuk Penglihatan Komputer (4). Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!