DataSeeds.AI-Sample-Dataset-DSD
קוד פתוחDataseedsapache-2.02025-05-22
מדגם של 7,772 תמונות שצילמו משתמשים עם מסיכות סגמנטציה ונתוני צילום מלאים. הוא מתאים למי שמאמן מודלים לתיאור תמונה ומחפש טקסט שנכתב בידי אנשים לצד הגדרות המצלמה המקוריות.
- 234הורדות בחודש
- 26לייקים
מה זה
המאגר כולל 7,772 רשומות שמחולקות לסט אימון של 7,010 תמונות וסט אימות של 762 תמונות. כל רשומה מורכבת מתצלום אמיתי בפורמט דיגיטלי, כותרת, תיאור עלילתי של המתרחש בתמונה, וניתוח טכני וקומפוזיציוני של הסצנה. מעבר לכך, כל תמונה מגיעה עם תוויות זיהוי אובייקטים, רשימת פריטים מפולחים ומסיכות סגמנטציה גיאומטריות בצורת קואורדינטות פוליגוניות.
המקור של התמונות הוא אתר התחרויות GuruShots, שבו צלמים חובבים ומקצועיים מעלים עבודות לאתגרים שונים ומדרגים זה את זה. התוכן עבר סינון ידני ובקרה בכמה שלבים כדי להבטיח את איכות התיוג. בנוסף לטקסט ולסגמנטציה, הרשומות שומרות נתוני EXIF מלאים ישירות מחיישן המצלמה, כולל יצרן המצלמה, הדגם, סוג העדשה, מפתח הצמצם, רגישות החיישן וזמן החשיפה.
מתאים ל
- אימון מודלי ראייה ושפה
כוונון עדין של מודלים כמו LLaVA לכתיבת תיאורי תמונה טכניים שמבוססים על טקסט אנושי.
- סגמנטציה סמנטית מונחית
זיהוי וסימון גבולות של עצמים בתצלומים בעזרת פוליגונים מדויקים שנבדקו ידנית.
- הערכת איכות וסגנון צילום
בניית מסווגים אסתטיים שמצליבים בין נתוני חשיפה וצמצם לבין רמת התמונה.
איפה זה נופל
זהו מדגם קטן שנלקח מתוך מאגר מסחרי של עשרות מיליונים, והוא משמש בעיקר כהדגמה לפעילות המסחרית של החברה. כל התיאורים והכותרות כתובים באנגלית בלבד, ואין ייצוג לעברית. בנוסף, התמונות נאספו מפלטפורמת תחרויות צילום, מה שיוצר הטיה מובנית לכיוון צילומים אמנותיים ומבוימים. מודל שיאומן כאן ילמד להכיר צילומי איכות, ולא תמונות יומיומיות, מטושטשות או תעשייתיות.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
כן, הרישיון המוגדר הוא apache-2.0, והיוצרים מציינים במפורש שהמדגם מותר לשימוש מסחרי ולא מסחרי. מותר לאמן מודלים שיוטמעו במוצרים סגורים. יש רק להקפיד על הכללת הקרדיט ונוסח הרישיון בהתאם לדרישות.
כמה מקום בדיסק צריך בשביל להוריד אותו?
המשקל הכולל של הקבצים עומד על כארבעה נקודה אחד גיגה בייט. הנתונים שמורים בקובצי Parquet שמכילים את התמונות עצמן, התיוגים ומסיכות הסגמנטציה. מומלץ להקצות לפחות חמישה גיגה בייט פנויים כדי לאפשר חילוץ וטעינה תקינים לזיכרון.
האם הדאטהסט כולל תוכן בעברית?
לא, כל התוויות, שמות התמונות, התיאורים העלילתיים וההסברים הטכניים נכתבו באנגלית בלבד. אם המוצר שלכם נדרש לייצר כיתובים בעברית, תצטרכו לתרגם את הטקסטים בעצמכם או לאמן מודל שיודע לגשר בין השפות.
איך המידע הזה נאסף ומאיפה הוא הגיע?
התמונות הועלו במקור על ידי צלמים לפלטפורמת תחרויות הצילום GuruShots. לאחר מכן צוות עורכים ומתייגים אנושיים ביצע בקרת איכות רב שלבית, סימן מסיכות פוליגוניות וכתב את תיאורי הסצנה. נתוני הציוד והחשיפה נמשכו ישירות מתוך קובצי המקור.
במה הוא שונה ממאגרי תמונות פתוחים כמו COCO?
בניגוד למאגרים כלליים שמכילים תמונות אקראיות מהרשת, כאן מדובר בתצלומי איכות מבוססי תחרויות עם נתוני EXIF מלאים. בנוסף לתוויות רגילות, יש כאן תיאורים טכניים מפורטים של הקומפוזיציה והתאורה. עם זאת, הוא מכיל פחות משמונת אלפים תמונות, כך שהוא קטן בהרבה.
איך טוענים
טוענים את הנתונים דרך ספריית datasets באמצעות הפקודה load_dataset עם המזהה של המאגר. הקבצים שמורים בפורמט Parquet יחד עם תמונות JPG, והנפח הכולל להורדה עומד על כארבעה נקודה אחד גיגה בייט. אין צורך באישור גישה ידני או בהרשמה מיוחדת כדי למשוך את הקבצים. בעת העבודה, השדות המרכזיים שצריך לשים לב אליהם הם image, שמוחזר כאובייקט תמונה, segmentation_masks, שמכיל מערכים של קואורדינטות לפוליגונים, והשדות הטקסטואליים של התיאורים.
from datasets import load_dataset
ds = load_dataset("Dataseeds/DataSeeds.AI-Sample-Dataset-DSD")הרישיון
המאגר פורסם תחת רישיון apache-2.0, שמתיר שימוש מסחרי ומחקר ללא תשלום תמלוגים. אתם יכולים לשלב את התמונות, לשנות את הנתונים ולאמן עליהם מודלים בלי לחשוף את הקוד שלכם, בתנאי שתשמרו על הודעת זכויות היוצרים ותצרפו עותק של הרישיון המקורי.
- שימוש מסחרי
- שינוי הקוד
- הפצה מחדש
- שימוש בפטנטים