- opis :
Ten zbiór danych składa się ze 101 kategorii żywności i zawiera 101 000 obrazów. Dla każdej klasy dostępnych jest 250 ręcznie przeglądanych obrazów testowych oraz 750 obrazów szkoleniowych. Celowo obrazy treningowe nie zostały oczyszczone, przez co nadal zawierają trochę szumu. Dzieje się tak głównie w postaci intensywnych kolorów, a czasem niewłaściwych etykiet. Wszystkie obrazy zostały przeskalowane, aby miały maksymalną długość boku 512 pikseli.
Dodatkowa dokumentacja : Przeglądaj dokumenty z kodem na
Strona główna : https://data.vision.ee.ethz.ch/cvl/datasets_extra/food-101/
Kod źródłowy :
tfds.image_classification.Food101
Wersje :
-
1.0.0
: Brak informacji o wydaniu. -
2.0.0
(domyślnie): Brak informacji o wersji. -
2.1.0
: Brak informacji o wydaniu.
-
Rozmiar pliku do pobrania :
4.65 GiB
Rozmiar zbioru danych :
Unknown size
Automatyczne buforowanie ( dokumentacja ): Nieznane
Podziały :
Rozdzielać | Przykłady |
---|---|
'train' | 75750 |
'validation' | 25250 |
- Struktura funkcji :
FeaturesDict({
'image': Image(shape=(None, None, 3), dtype=uint8),
'label': ClassLabel(shape=(), dtype=int64, num_classes=101),
})
- Dokumentacja funkcji :
Funkcja | Klasa | Kształt | Typ D | Opis |
---|---|---|---|---|
FunkcjeDict | ||||
obraz | Obraz | (Brak, Brak, 3) | uint8 | |
etykieta | Etykieta klasy | int64 |
Klucze nadzorowane (zobacz dokument
as_supervised
):('image', 'label')
Rysunek ( tfds.show_examples ):
- Przykłady ( tfds.as_dataframe ):
- Cytat :
@inproceedings{bossard14,
title = {Food-101 -- Mining Discriminative Components with Random Forests},
author = {Bossard, Lukas and Guillaumin, Matthieu and Van Gool, Luc},
booktitle = {European Conference on Computer Vision},
year = {2014}
}