cats_vs_dogs
קוד פתוחmicrosoftunknown2022-03-02
microsoft עומדים גם מאחורי Sho, ויש עליו סקירה כאן.
תמונות של חתולים וכלבים שמיועדות לאימון מודלים של סיווג בינארי. זה אוסף קלאסי ומוכר היטב שמתאים לבדיקות מהירות, ניסויי ראייה ממוחשבת ותרגול בסיסי בלי להסתבך בהגדרות מורכבות.
- 2,489הורדות בחודש
- 69לייקים
מה זה
המאגר כולל 23,410 תמונות שמחולקות לשתי תוויות בלבד, חתול שמסומן באפס וכלב שמסומן באחת. המקור הוא תת-קבוצה מתוך פרויקט Asirra, מערכת אימות מסוג קאפצ'ה שפותחה בשיתוף עם אתר Petfinder. התמונות הועלו וסווגו במקור על ידי עובדים ומתנדבים באלפי מקלטים לבעלי חיים ברחבי ארצות הברית, כך שמדובר בצילומים אותנטיים עם מגוון זוויות, תאורות ורקעים.
במהלך הכנת הנתונים סוננו החוצה 1,738 קבצים פגומים שלא נכנסו לגרסה הסופית. המאגר מגיע כיום עם חלוקה אחת בלבד של אימון (train), כך שמי שרוצה לבחון את המודל צריך לפצל לעצמו חלק מהדאטה לצורכי ולידציה ובדיקה.
מתאים ל
- אימון מסווג בינארי בסיסי
לימוד עקרונות ראייה ממוחשבת ואימון רשתות קונבולוציה פשוטות.
- השוואת ביצועי מודלים
הרצת מבחני השוואה מול מודלים קיימים על בנצ'מרק ותיק ומוכר.
- ניסויי התקפות על קאפצ'ה
בדיקת חוסן של מנגנוני זיהוי מבוססי תמונות חיות כמו Asirra.
איפה זה נופל
התמונות נאספו עבור תחרות קאגל ישנה ומאמר מ־2007, כך שהאיכות הטכנית והרזולוציות מייצגות תקופה מוקדמת יחסית של האינטרנט. כל המידע מגיע ממקלטים בארצות הברית, ולכן הגזעים והסביבות משקפים בעיקר את האזור הזה. בנוסף, חסר פירוט בכרטיס לגבי מידע אישי או רגיש, ואין חלוקה מובנית לסט בדיקה, מה שמחייב פיצול ידני זהיר.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
הרישיון מוגדר כלא ידוע ואין פרטים ברורים בכרטיס המאגר. מומלץ להגביל את השימוש למחקר, ניסויים פנימיים או לימוד.
איך התמונות סווגו והאם יש בהן טעויות תיוג?
התיוג נעשה על ידי משתמשי אתר Petfinder שבחרו את קטגוריית בעל החיים בעת העלאת המודעה. החוקרים מציינים שיש לנתונים אמת קרקע ברורה, אך 1,738 קבצים פגומים הוסרו מראש.
האם המאגר כולל חלוקה מוכנה לטסט וולידציה?
לא. המאגר מכיל רק חלוקת train של 23,410 דוגמאות, ואתם צריכים לפצל אותו בעצמכם בקוד לפני האימון.
איך טוענים
הנתונים מחולקים לשני קבצי parquet, ולא נדרש אישור גישה מיוחד כדי להוריד אותם. כל רשומה כוללת את שדה התמונה image בפורמט PIL ושדה מספרי בשם labels שמייצג את המחלקה. צריך לזכור שפעולת הפענוח של התמונות מתבצעת ברגע הגישה, ולכן מומלץ לגשת קודם לאינדקס הדגימה ורק אז לשדה התמונה כדי למנוע האטה בטעינה.
from datasets import load_dataset
ds = load_dataset("microsoft/cats_vs_dogs")הרישיון
הרישיון מוגדר כ־unknown, כלומר לא ידוע. כרטיס המאגר מציין שדרוש מידע נוסף, כך שאין הצהרה ברורה אם מותר להשתמש בתמונות למטרות מסחריות או מה התנאים לגבי מודלים שאומנו עליהן. לא הייתי בונה על זה מוצר מסחרי בלי לקבל קודם ייעוץ משפטי ובדיקה של תנאי המקור של מיקרוסופט ופטפיינדר.