常用的开源图像数据集有哪些
时间: 2023-09-18 09:12:20 浏览: 56
常用的开源图像数据集有:
1. MNIST:手写数字图像数据集,包含 6 万张训练图像和 1 万张测试图像。
2. CIFAR-10/CIFAR-100:分别包含 10 类和 100 类物体的彩色图像,每类有 6,000 张训练图像和 1,000 张测试图像。
3. ImageNet:包含超过 1,000 万张图片,被广泛用于图像分类、目标检测等任务。
4. COCO:包含超过 33 万张带有注释的图像,用于目标检测、语义分割、实例分割等任务。
5. PASCAL VOC:包含 20 类物体的图像数据集,用于目标检测、图像分割等任务。
6. Open Images:包含超过 90 万张图片,每张图片都有多个物体的标注信息,用于目标检测、图像分割等任务。
7. Cityscapes:包含来自 50 座不同城市的 5,000 张高分辨率图像,用于道路场景分割等任务。
8. SUN:包含超过 14,000 类室内和室外场景的图像,用于场景分类等任务。
这些数据集在计算机视觉和深度学习领域被广泛使用,可以用于训练和测试模型,也可以用于研究和学习相关算法。
相关问题
细粒度图像分类开源网络有哪些
目前比较流行的细粒度图像分类开源网络包括以下几种:
1. CUB-200-2011:该数据集包含200种鸟类共约6000张图像。常用的网络模型包括VGG、ResNet、DenseNet等。
2. Stanford Dogs:该数据集包含120种狗共约20,000张图像。常用的网络模型包括Inception-v3、ResNet-152等。
3. FGVC Aircraft:该数据集包含100种飞机共约10,000张图像。常用的网络模型包括VGG、ResNet、Inception-v3等。
4. Stanford Cars:该数据集包含196种汽车共约16,000张图像。常用的网络模型包括VGG、ResNet、Inception-v3等。
5. Oxford 102 Flowers:该数据集包含102种花卉共约8,000张图像。常用的网络模型包括VGG、ResNet、Inception-v3等。
以上是常用的细粒度图像分类开源网络和对应数据集,可以根据需求选择适合自己的模型。
tensorflow2 自学数据集有哪些
TensorFlow 2作为一个开源机器学习框架,提供了丰富的自学数据集供用户使用。其中一些常用的自学数据集如下:
1. MNIST手写数字识别数据集:这是一个非常初级的数据集,包含了一系列0-9的手写数字图片,用于进行数字识别任务的训练。
2. CIFAR-10图像分类数据集:这是一个经典的图像分类数据集,包含了10个不同类别的RGB图片,用于进行图像分类任务的训练。
3. IMDB电影评论情感分类数据集:这个数据集包含了来自互联网电影数据库(IMDB)的50,000个电影评论,用于进行情感分类任务的训练。
4. Fashion MNIST时尚服饰图像分类数据集:这个数据集是MNIST数据集的一个扩展,包含了10个类别的时尚服饰图片,用于进行时尚服饰图像分类任务的训练。
5. Stanford Dogs狗狗品种识别数据集:这个数据集包含了来自120个不同品种的20,580张狗狗图片,用于进行狗狗品种识别任务的训练。
6. TED演讲文本生成数据集:这个数据集包含了来自TED演讲的文本数据,用于进行文本生成任务的训练。
以上是一些常见的自学数据集,它们具有不同的特征和用途,可以帮助用户在TensorFlow 2上进行各种类型的机器学习任务训练与学习。除了这些数据集,用户还可以根据自己的需求使用其他数据集或者自己创建数据集来进行训练。