Open Image 数据集简介

Introduction

Google 又放出了一个大新闻：

就是如上的 Open Image 图像数据集，Google Research Blob 对这组数据集做了简单的介绍：Introducing the Open Images Dataset。

数据集的 Github 地址为：https://github.com/openimages/dataset

这约 900 万张的链接图像（基本来自 flickr），横跨了大约 6000 个类别，这些标签比 ImageNet（1000 类） 包含更多贴近实际生活的实体。这么大量的图像数据，足够保证从头训练一个深度网络模型。

这些图像数据遵从 Creative Commons Attribution license。但是 Google 在注释里注明，不保证每张图像都可以遵从这个规则去使用，需要你自己去验证：

While we tried to identify images that are licensed under a Creative Commons Attribution license, we make no representations or warranties regarding the license status of each image and you should verify the license for each image yourself.

图像的 labels 是 image-level，即 图像层级的，类似于 Google Cloud Vision API，即对于一张图像，分析出图像中包含的实体、场景、文字等，如下所示：

对于一张包含两只狗的图像而言，Google Cloud Vision API 分析出的 labels 包含：Dog（狗）、Mammal（哺乳动物）、Vertebrate（脊椎动物）等等。

这个 Google Cloud Vision API 非常强大，还可以检测自然场景文字检测：

对于 Open Image dataset 中的 validation set，Google 对上面的这些 labels 进行了人工的检验，将错误的 labels 剔除掉了。每一张图像大约有 8 个 labels，示例如下：

Google 已经基于这个 Open Image 数据集训练了 Inception v3 model，这个 model 也可以用于去 fine-tuning 其他的任务，如 Deep Dream、artistic style transfer，在未来的几个月中，Google 还会继续提升 Open Image 的标注质量。

这个 Open Image 由 Google、CMU、Cornell 大学合作完成，这个 Open Image 数据集，以及最近放出的 Youtube-8M 对机器学习界又是一次助攻。

Data organization

每一张图像被赋予一个唯一的 64-bit 的标识码（ID），在 CSV 文件中，如 000060e3121c7305。

数据集被分为 training set，包含 9011219 张图像，validation set，包含 167057 张图像。每一张图像包含 0 个，1 个或者多个 image-level 的 labels。

数据集都是由机器标注的，其中，validation set 是经过人的检验的，但是在 Machine image-level annotations (train and validation sets) 中也包含了机器标注的 validation set。

images.csv 文件格式

给的原图像地址文件格式，每一行包含了原图像 URL 地址，它们对应唯一的 ImageID、标题、作者，以及 license 信息：

ImageID,OriginalURL,OriginalLandingURL,License,AuthorProfileURL,Author,Title
…

000060e3121c7305,”https://c1.staticflickr.com/5/4129/5215831864_46f356962f_o.jpg“,\
“https://www.flickr.com/photos/brokentaco/5215831864“,\
“https://creativecommons.org/licenses/by/2.0/“,\
“https://www.flickr.com/people/brokentaco/“,”David”,”28 Nov 2010 Our new house.”

打开看看，如下：

labels.csv 文件格式

首先，labels 各自对应的单词含义，在 词典 dict.csv 里描述如下：

标注 annotation 的格式如下：ImageID, confidence: labels, confidence: labels, ……，下面分别是 train、validation 的 csv 文件：

对于人工检验的 confidence 而言，其值只有两个取值：$1$、$0$，给定的 csv 文件如下：

可以看到，人工验证过的中的 ImageID 与 机器标注中的 ImageID 一样，但是 confidence 只有 $1$、$0$ 两个值。

Stats and data quality

Open Image 数据中，各类是非常不均衡的。有些 label 对应着百万张图像，有些 label 只有几百、几十张图像：

同时，机器标注中，也包含了一些噪声，通常来说，label 对应的图像越多，这个 label 越准确。

Download the data

1. Image URLs and metadata (654 MB MB)
2. Machine image-level annotations (train and validation sets) (330 MB)
3. Human image-level annotations (validation set) (7 MB)