Ensembles de données pour la vision par ordinateur (2)

Achetez-moi un café☕

*Mon article explique MNIST, EMNIST, QMNIST, ETLCDB, Kuzushiji et Moving MNIST.

(1) Mode-MNIST(2017) :

• a les 70 000 images de mode reliées chacune à un label de 10 classes avec 10 classes : *Mémos :
  • 60 000 pour le train et 10 000 pour le test.
  • Chaque image mesure 28x28 pixels.
• est FashionMNIST() dans PyTorch.

(2) Caltech 101(2003) :

• a les 8 677 images d'objets chacune connectée à une étiquette de 101 catégories (classes). *Chaque image mesure environ 300 x 200 pixels.
• est Caltech101() dans PyTorch.

(3) Caltech 256(2007) :

• a les 30 607 images d'objets connectées à une étiquette de 257 catégories (classes). *En fait, il compte 257 catégories (classes) contre le nom Caltech 256.
• est Caltech256() dans PyTorch.

(4) CelebA (attributs CelebFaces à grande échelle)(2015) :

• les 202 599 images de visages de célébrités sont chacune connectées à 40 attributs : *Mémos :
  • 162 770 pour le train, 19 867 pour la validation et 19 962 pour le test.
  • Le téléchargement direct depuis Google Drive est recommandé car le téléchargement avec l'API Google Drive depuis Google Drive est trop encombré.
• est CelebA() dans PyTorch.

(5) CIFAR-10(Institut canadien de recherches avancées-10)(2009) :

• a les 60 000 images de véhicules et d'animaux reliées chacune à une étiquette de 10 classes : *Mémos :
  • 50 000 pour le train et 10 000 pour le test.
  • Chaque image mesure 32x32 pixels.
• est CIFAR10() dans PyTorch.

(6) CIFAR-100(Institut canadien de recherches avancées-100)(2009) :

• a les 60 000 images d'objets chacune connectée à une étiquette de 100 classes : *Mémos :
  • 50 000 pour le train et 10 000 pour le test.
  • Chaque image mesure 32x32 pixels.
• est CIFAR100() dans PyTorch.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!