ibizagrowthagency/train

--- configs: - config_name: default data_files: - split: train path: data/train-* - split: test path: data/test-* dataset_info: features: - name: image dtype: image - name: label dtype: class_label: names: '0': Aquarell Tattoos '1': Bedeutung der Tribal Tattoos '2': Blackwork Tattoo '3': Building '4': Cover-Up Tattoo '5': Dotwork Tattoos '6': Fineline Tattoos '7': Geschiche der Maori Tattoos '8': Japanische Tattoos in Leipzig '9': Narben Tattoo '10': Portrait Tattoos '11': Poster '12': Realistic Tattoos '13': Totenkopf Tattoos '14': Trashpolka Tattoos '15': Tribal Tattoo '16': Wikinger Tattoos splits: - name: train num_bytes: 6665820.160194174 num_examples: 175 - name: test num_bytes: 1297030.8398058251 num_examples: 31 download_size: 7953806 dataset_size: 7962851.0 --- # Dataset Card for "train" [More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)配置项： - 配置名称：default 数据文件： - 拆分：train 路径：data/train-* - 拆分：test 路径：data/test-* 数据集信息： 特征项： - 名称：image 数据类型：image - 名称：label 数据类型： 分类标签（class_label）： 类别名称： '0': 水彩纹身（Aquarell Tattoos） '1': 部落纹身的含义（Bedeutung der Tribal Tattoos） '2': 黑灰纹身（Blackwork Tattoo） '3': 建筑（Building） '4': 遮盖纹身（Cover-Up Tattoo） '5': 点刺纹身（Dotwork Tattoos） '6': 细线纹身（Fineline Tattoos） '7': 毛利纹身的历史（Geschiche der Maori Tattoos） '8': 莱比锡日式纹身（Japanische Tattoos in Leipzig） '9': 疤痕纹身（Narben Tattoo） '10': 肖像纹身（Portrait Tattoos） '11': 海报（Poster） '12': 写实纹身（Realistic Tattoos） '13': 骷髅纹身（Totenkopf Tattoos） '14': 垃圾波尔卡风格纹身（Trashpolka Tattoos） '15': 部落纹身（Tribal Tattoo） '16': 维京纹身（Wikinger Tattoos） 数据拆分： - 名称：train 字节数：6665820.160194174 样本数量：175 - 名称：test 字节数：1297030.8398058251 样本数量：31 下载大小：7953806 数据集总大小：7962851.0 --- # "train" 数据集卡片 [需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

配置

• 默认配置：
  • 训练数据：
    • 路径：data/train-*
    • 分割：train
  • 测试数据：
    • 路径：data/test-*
    • 分割：test

数据集信息

• 特征：
  • 图像：
    • 名称：image
    • 数据类型：image
  • 标签：
    • 名称：label
    • 数据类型：class_label
    • 类别名称：
      • 0: Aquarell Tattoos
      • 1: Bedeutung der Tribal Tattoos
      • 2: Blackwork Tattoo
      • 3: Building
      • 4: Cover-Up Tattoo
      • 5: Dotwork Tattoos
      • 6: Fineline Tattoos
      • 7: Geschiche der Maori Tattoos
      • 8: Japanische Tattoos in Leipzig
      • 9: Narben Tattoo
      • 10: Portrait Tattoos
      • 11: Poster
      • 12: Realistic Tattoos
      • 13: Totenkopf Tattoos
      • 14: Trashpolka Tattoos
      • 15: Tribal Tattoo
      • 16: Wikinger Tattoos

数据分割

• 训练集：
  • 字节数：6665820.160194174
  • 样本数：175
• 测试集：
  • 字节数：1297030.8398058251
  • 样本数：31

数据集大小

• 下载大小：7953806 字节
• 数据集大小：7962851.0 字节

搜集汇总

数据集介绍

构建方式

在纹身艺术与视觉文化研究领域，数据集的构建需兼顾图像质量与类别代表性。本数据集通过系统采集与标注流程，汇集了涵盖水彩纹身、部落纹身、黑工纹身、建筑、遮盖纹身、点刺纹身、细线纹身、毛利纹身历史、莱比锡日式纹身、疤痕纹身、肖像纹身、海报、写实纹身、骷髅头纹身、垃圾波尔卡纹身、部落纹身及维京纹身等十七个类别的图像样本。构建过程中，数据经过清洗与标准化处理，确保图像格式统一，并划分为训练集与测试集，其中训练集包含175个样本，测试集包含31个样本，总数据量约7.96MB，为纹身风格识别与分类任务提供了结构化基础。

特点

本数据集在纹身图像分析领域展现出鲜明的专业特性，其类别设计覆盖了从传统部落纹身到现代艺术风格的多元谱系，如写实纹身、点刺纹身及垃圾波尔卡纹身等新兴流派，体现了纹身文化的演变与多样性。数据特征以图像与标签对形式呈现，图像格式统一，标签采用分类编码，涵盖十七个细粒度类别，增强了数据在机器学习任务中的可解释性。数据集规模适中，训练集与测试集比例均衡，便于模型训练与评估，同时数据文件以分片存储，优化了加载效率，为视觉识别研究提供了高质量、多类别的纹身图像资源。

使用方法

在计算机视觉与纹身艺术交叉研究中，本数据集适用于图像分类与风格识别任务。使用者可通过HuggingFace平台加载数据，利用默认配置读取训练集与测试集，数据文件路径已预定义，支持直接调用。图像数据以标准格式存储，标签对应类别名称，便于模型输入与标签映射。建议在预处理阶段进行图像增强或归一化操作，以提升模型泛化能力。数据集可集成于深度学习框架，如PyTorch或TensorFlow，用于训练卷积神经网络等模型，评估纹身风格的自动分类性能，推动纹身文化数字化分析的应用进展。

背景与挑战

背景概述

在计算机视觉与纹身艺术研究领域，图像分类任务对于纹身风格识别具有重要意义。数据集ibizagrowthagency/train由Ibiza Growth Agency于近期创建，旨在构建一个涵盖多种纹身风格的图像分类数据集。该数据集包含17个类别，如Aquarell Tattoos、Tribal Tattoo和Realistic Tattoos等，共206张图像，分为训练集和测试集。其核心研究问题在于通过视觉特征识别纹身风格，以支持纹身设计、文化研究或相关应用开发。该数据集为纹身风格分类提供了基础资源，有助于推动纹身艺术在数字领域的分析与应用。

当前挑战

该数据集面临的挑战主要涉及领域问题和构建过程。在领域问题方面，纹身风格分类任务具有复杂性，因为纹身图像可能包含多种风格元素，类别间界限模糊，例如Tribal Tattoos与Wikinger Tattoos在视觉上存在重叠，这增加了分类模型的准确性要求。构建过程中，挑战包括数据收集的难度，纹身图像可能涉及版权或隐私问题，导致样本数量有限，仅206张图像，且类别分布可能不均衡，影响模型的泛化能力。此外，图像质量与标注一致性也是关键问题，需要确保标签准确反映纹身风格特征。

常用场景

经典使用场景

在计算机视觉与纹身艺术研究领域，该数据集以其精细的纹身风格分类标签，为图像识别任务提供了宝贵的资源。其经典使用场景聚焦于多类别图像分类模型的训练与评估，通过涵盖从水彩纹身到部落纹身等17种风格类别，支持研究者构建能够准确识别和区分复杂纹身图案的深度学习模型。这种应用不仅推动了纹身风格自动标注技术的发展，也为艺术风格的计算分析奠定了数据基础。

实际应用

在实际应用层面，该数据集可服务于纹身设计平台、艺术档案数字化项目以及文化研究机构。例如，在纹身设计应用中，基于该数据集训练的模型能够辅助用户根据风格偏好进行图案检索与推荐；在文化遗产保护领域，它有助于自动化归档和分类历史纹身图像，提升管理效率。此外，该数据集还可为时尚设计、社交媒体内容过滤等场景提供技术支持，体现了艺术数据在现实世界中的实用价值。

衍生相关工作

围绕该数据集，已衍生出若干经典研究工作，主要集中在纹身风格迁移、基于内容的图像检索以及跨模态艺术分析等方面。例如，研究者利用该数据集训练生成对抗网络，探索不同纹身风格之间的转换；也有工作结合自然语言描述，开发纹身图案的语义搜索系统。这些衍生工作不仅扩展了数据集的学术影响力，还推动了纹身艺术与人工智能技术的深度融合，为后续的跨学科创新提供了范例。