175種の鳥類のデータセット。23,657個の訓練画像、875個のテスト画像（各種ごとに5個）、および875個の検証画像（各種ごとに5個）。
すべての画像はjpg形式の224 X 224 X 3のカラー画像で、jpg形式の「統合」画像セットも含まれています。この画像セットは、訓練、テスト、および検証画像を1つのデータセットにまとめたもので、独自の訓練、テスト、および検証セットを作成したいユーザーに役立ちます。
各種の画像はそれぞれ別のサブディレクトリに含まれています。もしあなたがディレクトリからのKerasフローを入力データとして実装する場合。
画像は、種名でインターネット検索を行って収集されました。ある種の画像ファイルをダウンロードすると、私が開発したPythonの重複画像検出プログラムを使って、重複画像が存在するかどうかを確認します。検出されたすべての重複画像を削除し、訓練、テスト、および検証セット間で共通の画像にならないようにします。
その後、画像を切り抜いて、鳥が画像の画素の少なくとも50％を占めるようにします。次に、画像をjpg形式の224 X 224 X 3にリサイズします。切り抜きにより、CNNで処理されるときに、画像に十分な情報があり、高精度の分類器を作成できるようになります。すべてのファイルは順番に番号付けされています。したがって、テスト画像は1.jpgから5.jpgと命名されています。検証画像についても同様です。訓練画像も「ゼロ」埋めで順番に番号付けされています。たとえば、001.jpg、002.jpg…010.jpg、011.jpg…099.jpg、100.jpg、102.jpgなどです。ゼロ埋めはPythonのファイル機能と一緒に使用でき、ディレクトリ内のKerasフローを維持します。
訓練セットは不均衡で、各種のファイル数が異なります。ただし、各種には少なくとも100個の訓練画像ファイルがあります。この不均衡は、私のカーネル分類器に影響を与えません。なぜなら、テストセットで98％以上の精度を達成しているからです。
データセットにおける大きな不均衡の1つは、雄の種の画像と雌の種の画像の比率です。約80％の画像が雄で、20％が雌です。典型的な雄の色ははるかに多様で、ある種の雌は通常淡白です。したがって、雄と雌の画像はまったく異なって見える可能性があります。ほとんどすべてのテストおよび検証画像は、その種の雄から取得されています。したがって、分類器は雌の種の画像では性能が悪い可能性があります。
データセットには、訓練済みのモデルファイルBIRDS - 224 - 175 - 98.62.h5とテキストファイルBIRDS - 175.txtも含まれています。これらのファイルは、付属のPredictorプログラムと組み合わせて使用されます。このプログラムは、これらのファイルを使用して、訓練済みのモデルで入力画像を予測します。フォルダPredictorテストセットには、Predictorプログラムが予測できる101個のテスト画像が含まれています。私はすぐに予測プログラムを公開します。最後に、ファイルerror list 98.62.txtがあり、これはモデルが875個のテスト画像のテストセットで持つエラーのリストを示しています。