Set Data untuk Penglihatan Komputer (2)

Beli Saya Kopi☕

*Siaran saya menerangkan MNIST, EMNIST, QMNIST, ETLCDB, Kuzushiji dan Moving MNIST.

(1) Fesyen-MNIST(2017):

• mempunyai 70,000 imej fesyen setiap satu disambungkan ke label daripada 10 kelas dengan 10 kelas: *Memo:
  • 60,000 untuk kereta api dan 10,000 untuk ujian.
  • Setiap imej ialah 28x28 piksel.
• ialah FashionMNIST() dalam PyTorch.

(2) Caltech 101(2003):

• mempunyai 8,677 imej objek setiap satu disambungkan ke label daripada 101 kategori(kelas). *Setiap imej adalah kira-kira 300x200 piksel.
• ialah Caltech101() dalam PyTorch.

(3) Caltech 256(2007):

• mempunyai 30,607 imej objek yang disambungkan kepada label daripada 257 kategori(kelas). *Sebenarnya, ia mempunyai 257 kategori(kelas) berbanding nama Caltech 256.
• ialah Caltech256() dalam PyTorch.

(4) CelebA(Atribut CelebFaces Berskala Besar)(2015):

• mempunyai 202,599 imej wajah selebriti setiap satu disambungkan kepada 40 atribut: *Memo:
  • 162,770 untuk kereta api, 19,867 untuk pengesahan dan 19,962 untuk ujian.
  • Muat turun terus dari Google Drive adalah disyorkan kerana memuat turunnya dengan API Google Drive daripada Google Drive adalah terlalu sesak.
• ialah CelebA() dalam PyTorch.

(5) CIFAR-10(Canadian Institute For Advanced Research-10)(2009):

• mempunyai 60,000 imej kenderaan dan haiwan setiap satu disambungkan ke label daripada 10 kelas: *Memo:
  • 50,000 untuk kereta api dan 10,000 untuk ujian.
  • Setiap imej ialah 32x32 piksel.
• ialah CIFAR10() dalam PyTorch.

(6) CIFAR-100(Institut Kanada Untuk Penyelidikan Lanjutan-100)(2009):

• mempunyai 60,000 imej objek setiap satu disambungkan ke label daripada 100 kelas: *Memo:
  • 50,000 untuk kereta api dan 10,000 untuk ujian.
  • Setiap imej ialah 32x32 piksel.
• ialah CIFAR100() dalam PyTorch.

Atas ialah kandungan terperinci Set Data untuk Penglihatan Komputer (2). Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!