Francesco/wine-labels

---
dataset_info:
features:
- name: image_id
dtype: int64
- name: image
dtype: image
- name: width
dtype: int32
- name: height
dtype: int32
- name: objects
sequence:
- name: id
dtype: int64
- name: area
dtype: int64
- name: bbox
sequence: float32
length: 4
- name: category
dtype:
class_label:
names:
'0': wine-labels
'1': AlcoholPercentage
'2': Appellation AOC DOC AVARegion
'3': Appellation QualityLevel
'4': CountryCountry
'5': Distinct Logo
'6': Established YearYear
'7': Maker-Name
'8': Organic
'9': Sustainable
'10': Sweetness-Brut-SecSweetness-Brut-Sec
'11': TypeWine Type
'12': VintageYear
annotations_creators:
- crowdsourced
language_creators:
- found
language:
- en
license:
- cc
multilinguality:
- monolingual
size_categories:
- 1K<n<10K
source_datasets:
- original
task_categories:
- object-detection
task_ids: []
pretty_name: wine-labels
tags:
- rf100
---

# Dataset Card for wine-labels

** The original COCO dataset is stored at `dataset.tar.gz`**

## Dataset Description

- **Homepage:** https://universe.roboflow.com/object-detection/wine-labels
- **Point of Contact:** [e-mail]

### Dataset Summary

wine-labels

### Supported Tasks and Leaderboards

- `object-detection`: The dataset can be used to train a model for Object Detection.

### Languages

English

## Dataset Structure

### Data Instances

A data point comprises an image and its object annotations.

```
{
'image_id': 15,
'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=640x640 at 0x2373B065C18>,
'width': 964043,
'height': 640,
'objects': {
'id': [114, 115, 116, 117],
'area': [3796, 1596, 152768, 81002],
'bbox': [
[302.0, 109.0, 73.0, 52.0],
[810.0, 100.0, 57.0, 28.0],
[160.0, 31.0, 248.0, 616.0],
[741.0, 68.0, 202.0, 401.0]
],
'category': [4, 4, 0, 0]
}
}
```

### Data Fields

- `image`: the image id
- `image`: `PIL.Image.Image` object containing the image. Note that when accessing the image column: `dataset[0]["image"]` the image file is automatically decoded. Decoding of a large number of image files might take a significant amount of time. Thus it is important to first query the sample index before the `"image"` column, *i.e.* `dataset[0]["image"]` should **always** be preferred over `dataset["image"][0]`
- `width`: the image width
- `height`: the image height
- `objects`: a dictionary containing bounding box metadata for the objects present on the image
- `id`: the annotation id
- `area`: the area of the bounding box
- `bbox`: the object's bounding box (in the [coco](https://albumentations.ai/docs/getting_started/bounding_boxes_augmentation/#coco) format)
- `category`: the object's category.

#### Who are the annotators?

Annotators are Roboflow users

## Additional Information

### Licensing Information

See original homepage https://universe.roboflow.com/object-detection/wine-labels

### Citation Information

```
@misc{ wine-labels,
title = { wine labels Dataset },
type = { Open Source Dataset },
author = { Roboflow 100 },
howpublished = { \url{ https://universe.roboflow.com/object-detection/wine-labels } },
url = { https://universe.roboflow.com/object-detection/wine-labels },
journal = { Roboflow Universe },
publisher = { Roboflow },
year = { 2022 },
month = { nov },
note = { visited on 2023-03-29 },
}"
```

### Contributions

Thanks to [@mariosasko](https://github.com/mariosasko) for adding this dataset.

dataset_info:
数据集信息
features:
- 名称：图像ID（image_id），数据类型：int64（64位整数）
- 名称：图像（image），数据类型：图像
- 名称：图像宽度（width），数据类型：int32（32位整数）
- 名称：图像高度（height），数据类型：int32（32位整数）
- 名称：目标对象（objects），序列类型：
- 名称：标注ID（id），数据类型：int64（64位整数）
- 名称：边界框面积（area），数据类型：int64（64位整数）
- 名称：边界框（bbox），序列类型：float32（32位浮点数），长度为4
- 名称：类别（category），数据类型：类别标签，类别名称映射：
'0': 葡萄酒标签（wine-labels）
'1': 酒精度（AlcoholPercentage）
'2': AOC/DOC/AVA法定产区（Appellation AOC DOC AVARegion）
'3': 产区质量等级（Appellation QualityLevel）
'4': 产国（CountryCountry）
'5': 专属标识（Distinct Logo）
'6': 创立年份（Established YearYear）
'7': 生产商名称（Maker-Name）
'8': 有机认证（Organic）
'9': 可持续认证（Sustainable）
'10': 甜度-干型/半干型（Sweetness-Brut-SecSweetness-Brut-Sec）
'11': 葡萄酒类型（TypeWine Type）
'12': 采收年份（VintageYear）
annotations_creators:
- 众包标注（crowdsourced）
language_creators:
- 公开获取（found）
language:
- 英语（en）
license:
- 知识共享许可（cc）
multilinguality:
- 单语言（monolingual）
size_categories:
- 样本量介于1000至10000之间（1K<n<10K）
source_datasets:
- 原创数据集（original）
task_categories:
- 目标检测（object-detection）
task_ids: []
pretty_name: 葡萄酒标签数据集（wine-labels）
tags:
- rf100

# 葡萄酒标签数据集卡片

**原始COCO格式数据集存储于`dataset.tar.gz`文件中**

## 数据集说明

- **主页：** https://universe.roboflow.com/object-detection/wine-labels
- **联系方式：** [e-mail]

### 数据集概述

葡萄酒标签数据集

### 支持的任务与排行榜

- `目标检测`：该数据集可用于训练目标检测模型。

### 语言

英语

## 数据集结构

### 数据实例

每条数据样本包含一幅图像及其对应的目标标注信息。

{
'image_id': 15,
'image': <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=640x640 at 0x2373B065C18>,
'width': 964043,
'height': 640,
'objects': {
'id': [114, 115, 116, 117],
'area': [3796, 1596, 152768, 81002],
'bbox': [
[302.0, 109.0, 73.0, 52.0],
[810.0, 100.0, 57.0, 28.0],
[160.0, 31.0, 248.0, 616.0],
[741.0, 68.0, 202.0, 401.0]
],
'category': [4, 4, 0, 0]
}
}

### 数据字段

- `image_id`：图像的唯一标识符（原文此处存在笔误，原条目标记为`image`）
- `image`：包含图像的`PIL.Image.Image`对象。请注意，访问图像列时，`dataset[0]["image"]`会自动对图像文件进行解码。对大量图像文件进行解码可能会耗费大量时间，因此建议始终先通过样本索引查询，再访问`"image"`列，即**优先使用`dataset[0]["image"]`而非`dataset["image"][0]`**。
- `width`：图像宽度
- `height`：图像高度
- `objects`：包含图像中目标对象的边界框元数据的字典
- `id`：标注编号
- `area`：边界框的面积
- `bbox`：目标的边界框，采用[COCO](https://albumentations.ai/docs/getting_started/bounding_boxes_augmentation/#coco)格式
- `category`：目标的类别。

#### 标注人员

标注人员为Roboflow平台用户。

## 附加信息

### 许可证信息

详见原主页：https://universe.roboflow.com/object-detection/wine-labels

### 引用信息

@misc{ wine-labels,
title = { wine labels Dataset },
type = { Open Source Dataset },
author = { Roboflow 100 },
howpublished = { url{ https://universe.roboflow.com/object-detection/wine-labels } },
url = { https://universe.roboflow.com/object-detection/wine-labels },
journal = { Roboflow Universe },
publisher = { Roboflow },
year = { 2022 },
month = { nov },
note = { visited on 2023-03-29 },
}"

### 贡献声明

感谢[@mariosasko](https://github.com/mariosasko)为本数据集提供的贡献。

原始信息汇总

数据集概述

数据集名称

• 名称: wine-labels

数据集特征

• 特征列表:
  • image_id: 整数类型 (int64)
  • image: 图像类型
  • width: 整数类型 (int32)
  • height: 整数类型 (int32)
  • objects: 序列类型，包含以下子特征:
    • id: 整数类型 (int64)
    • area: 整数类型 (int64)
    • bbox: 序列类型，长度为4，浮点数类型 (float32)
    • category: 分类标签，包含多个类别名称

数据集结构

• 数据实例:

  • 每个数据点包含一张图像及其对象标注。

  • 示例结构:

    { image_id: 15, image: <PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=640x640 at 0x2373B065C18>, width: 964043, height: 640, objects: { id: [114, 115, 116, 117], area: [3796, 1596, 152768, 81002], bbox: [ [302.0, 109.0, 73.0, 52.0], [810.0, 100.0, 57.0, 28.0], [160.0, 31.0, 248.0, 616.0], [741.0, 68.0, 202.0, 401.0] ], category: [4, 4, 0, 0] } }

数据字段

• image: 图像对象
• width: 图像宽度
• height: 图像高度
• objects: 包含对象信息的字典
  • id: 标注ID
  • area: 边界框面积
  • bbox: 对象边界框
  • category: 对象类别

任务类别

• object-detection: 用于训练对象检测模型的数据集

语言

• 英语 (en)

搜集汇总

背景与挑战

背景概述

wine-labels数据集是一个包含4,643张葡萄酒标签图像的目标检测数据集，图像大小为640x640像素，附带边界框标注信息，适用于训练目标检测模型。