https://console.cloud.google.com/storage/browser/quickdraw_dataset

Quick Draw！数据集

image

Quick Draw数据集是345种类别中的5000万张图纸的集合，由游戏玩家Quick，Draw！提供。绘图被捕获为带时间戳的向量，标记有元数据，包括要求玩家绘制的内容以及玩家所在的国家/地区。您可以在quickdraw.withgoogle.com/data上浏览已识别的图纸。

我们在这里分享它们，供开发人员，研究人员和艺术家探索，研究和学习。如果您使用此数据集创建内容，请通过电子邮件或AI实验告知我们。

我们还在tensorflow.org上发布了用于培训您自己的绘图分类器的教程和模型。

请记住，虽然这些图纸集合是单独审核的，但它可能仍包含不适当的内容。

内容

• 原始仲裁数据集
• 预处理数据集
• 获取数据
• 使用数据集的项目
• 更改
• 许可证

原始主持数据集

原始数据以ndjson文件的形式分类，按类别分隔，格式如下：

每行包含一个图纸。以下是单个绘图的示例：

  { 
    “KEY_ID”： “5891796615823360”，
    “字”：“鼻子”，
    “COUNTRYCODE”： “AE”，
    “timestamp”：“2017-03-01 20：41：36.70725 UTC”，
    “认可”：真实，
    “绘图”：[[[129,128,129,129,130​​,130,131,132,132,133,133,133,133，...]]]
  }

绘图数组的格式如下：

[ 
  [//第一击 
    [x0，x1，x2，x3，...]，
    [y0，y1，y2，y3，...]，
    [t0，t1，t2，t3，...]
  ]
  [//第二次中风
    [x0，x1，x2，x3，...]，
    [y0，y1，y2，y3，...]，
    [t0，t1，t2，t3，...]
  ]
  ... //额外的笔画
]

其中x和y是像素坐标，t是自第一个点以来的毫秒数。```和y是实数值，而t是整数。由于用于显示和输入的不同设备，原始图纸可以具有极大不同的边界框和点数。

预处理数据集

我们已经预处理并将数据集拆分为不同的文件和格式，以便更快，更轻松地下载和浏览。

简化的图形文件(.ndjson)

我们简化了向量，删除了时序信息，并将数据定位并缩放到256x256区域。数据以ndjson格式导出，其格式与原始格式相同。简化过程是：

1.将图形与左上角对齐，使其最小值为0。
2.均匀缩放图形，最大值为255。
3.以1像素间距重新采样所有笔划。
4.使用Ramer-Douglas-Peucker算法以epsilon值2.0简化所有笔划。

[examples / nodejs / simplified-parser.js](examples / nodejs / simplified-parser.js)中有一个示例，展示了如何在NodeJS中读取ndjson文件。
此外，[examples / nodejs / ndjson.md](examples / nodejs / ndjson.md)文档详细介绍了一组命令行工具，可以帮助探索这些相当大的文件的子集。

二进制文件(.bin)

简化的图纸和元数据也以自定义二进制格式提供，以实现高效压缩和加载。

[examples / binary_file_parser.py](examples / binary_file_parser.py)中有一个示例，展示了如何在Python中加载二进制文件。
[examples / nodejs / binary-parser.js](examples / nodejs / binary-parser.js)中还有一个示例，展示了如何读取NodeJS中的二进制文件。

Numpy位图(.npy)

所有简化的图纸都以numpy.pypy格式渲染成28x28灰度位图。可以使用np.load()加载这些文件。这些图像是从简化数据生成的，但是与图形边界框的中心对齐，而不是左上角。

获取数据

该数据集在Google Cloud Storage上以ndjson文件的形式分类。请参阅Cloud Console中的文件列表，或阅读有关[访问公共数据集]的更多信息(https://cloud.google.com/storage) / docs / access-public-data)使用其他方法。

按类别分隔的完整数据集

• 原始文件(.ndjson)
• 简化的图纸文件(.ndjson)
• 二进制文件(.bin)
• Numpy位图文件(.npy)

Sketch-RNN QuickDraw数据集

该数据还用于训练Sketch-RNN模型。这个模型的开源TensorFlow实现可以在Magenta Project中找到，(链接到GitHub repo /树/主/品红/模型/ sketch_rnn))。您还可以在此Google研究博客文章中阅读有关此模型的更多信息。数据以适合输入到递归神经网络的格式存储在压缩的.npz文件中。

在此数据集中，从每个类别中随机选择75K样本(70K训练，2.5K验证，2.5K测试)，使用[RDP]处理(https://en.wikipedia.org/wiki/Ramer%E2%80% 93Douglas％E2％80％93Peucker_algorithm)线条简化，epsilon参数为2.0。每个类别都将存储在自己的.npz文件中，例如cat.npz。

如果您想使用超过70K的培训示例，我们还提供了每个类别的完整数据。它们与.full.npz扩展一起存储。

• Numpy .npz文件

使用数据集的项目

以下是一些以有趣的方式使用或展示数据集的项目和实验。有东西要补充吗？告诉我们！

创意和艺术项目

• [Deborah Schmidt]的Letter collages(http://frauzufall.de/)
• [Neil Mendoza] [http://www.neilmendoza.com/]的面部跟踪实验
• Tortue的人性面孔
• 无限QuickDrawkynd.info
• Matthew Collyer的Misfire.io
• 绘制本由Dan Macnish

数据分析

• 你如何画一个圆圈？Quartz

• Forma Fluens由Mauro Martino，Hendrik Strobelt和Owen Cornec

• (快速)画狗需要多长时间？Jim Vallandingham

• 通过反复神经网络寻找不好的火烈鸟图纸科林莫里斯

• Facets Dive x Quick，Draw！由People + AI Research Initiative (PAIR), Google

• Google Research的探索和可视化开放式全球数据集

指南和教程

• TensorFlow绘图分类教程
• 使用Colab在tf.keras中训练模型，并使用TensorFlow.js在浏览器中运行由Zaid Alyafeai提供

代码和工具

• Quick Draw处理Cody Ben Lewis
• Quick Draw预测模型作者：Keisuke Irie
• 随机抽样工具学习统计数据非常棒
• Ian Johnson
  的SVG渲染d3.js示例(http://enja.org/) 了解更多关于此过程的信息此处
• Payal Bajaj的Sketch-RNN分类
• Thomas Wagenaar的quickdraw.js
• _Doodler来自
  Krishna Sri Somepalli
• Quick Draw Python APIMartin O'Hanlon

变化

2017年5月25日：更新了Sketch-RNN QuickDraw数据集，创建了.full.npz互补集。

执照

这些数据由Google，Inc。根据[知识共享署名4.0国际许可证]提供。(https://creativecommons.org/licenses/by/4.0/)