Datasets:

AlexandreRocchi
/

imagenet-backbone-features-fp32

Tags:

License:

Dataset card Files Files and versions

xet

Community

Request access to these features

Access requests are reviewed manually by the authors. Expect a few days for processing.

These features are derived from ImageNet-1k. By requesting access, you agree to:

Comply with the ImageNet terms of access — non-commercial research and education only.
Not redistribute the features, in whole or in part, to any third party.
Cite both ImageNet and the associated work in any publication that uses them.

ImageNet backbone features (fp32)

Activations pré-extraites d'ImageNet-1k pour trois backbones, mémoire-mappables, utilisées pour entraîner les SAE du repo SAE_CBM_unification.

Contenu

136 shards .npy, 37.2 Go, fp32.

Backbone	Node	Split	Shards	Dim	Taille
`resnet50`	`avgpool`	train / val	14 / 2	2048	9.8 Go / 392 Mo
`resnet50`	`layer1`	train / val	16 / 4	—	1.3 Go / 51 Mo
`resnet50`	`layer2`	train / val	16 / 4	—	2.5 Go / 100 Mo
`resnet50`	`layer3`	train / val	16 / 4	—	5.0 Go / 198 Mo
`resnet50`	`layer4`	train / val	16 / 4	—	9.9 Go / 393 Mo
`vit_b_16`	`penultimate`	train / val	16 / 4	768	3.8 Go / 149 Mo
`dinov2_vitb14_reg`	`penultimate`	train / val	16 / 4	768	3.8 Go / 149 Mo

<backbone>/<node>/<split>/<split>_000NN.npy     # shards contigus, fp32
concept_vocab_thr0500.json                      # vocabulaire concepts, seuil 500
concept_vocab_thr5000.json                      # vocabulaire concepts, seuil 5000

Un shard train est de forme [100000, D], un shard val de forme [50000, D]. Les shards sont ordonnés : concaténés dans l'ordre lexicographique des noms, ils reconstituent le split complet dans l'ordre d'origine du DataLoader.

Chargement

import numpy as np, glob
shards = sorted(glob.glob("resnet50/avgpool/train/train_*.npy"))
X = np.concatenate([np.load(p, mmap_mode="r") for p in shards])   # ou lire shard par shard

Le pooling est un GAP (--pool gap), sans projection (--proj-dim 0), extrait en fp32.

Provenance

Extraites avec extract_features_fp32_blocks_imn_VIT.py (inclus dans le repo SAE_CBM_unification) depuis ImageNet-1k train/val. Le pipeline SAE ne lit jamais les images brutes : il consomme directement ces shards mémoire-mappés.

Licence

Features dérivées d'ImageNet-1k. La redistribution est soumise aux conditions d'accès d'ImageNet : usage recherche non commercial. L'accès est gaté pour cette raison — voir le formulaire ci-dessus.