Add PSG dataset description (#1)

- Add PSG dataset description (35882c77ac044c242fbcc64075c5247bc6d874f5)

README.md

@@ -247,3 +247,123 @@ configs:
   - split: validation
     path: data/validation-*
 ---
+
+# Panoptic Scene Graph
+
+PSG（Panoptic Scene Graph）是面向全景场景图生成的数据集。每个场景图节点不仅包含对象类别和边界框，还通过 panoptic segmentation mask 与像素级区域对应。数据集同时覆盖 thing 和 stuff 类别。
+
+本仓库将 RGB 图片和 panoptic PNG 直接嵌入 Parquet。通过 Hugging Face `Image` feature 加载后，两者都会解码为 Pillow 图像，不需要额外下载图片目录。
+
+## 数据集规模
+
+| Split | 样本 | 对象 / segments | 关系 |
+| --- | ---: | ---: | ---: |
+| `train` | 46,563 | 513,243 | 261,666 |
+| `validation` | 2,186 | 24,910 | 13,705 |
+| **总计** | **48,749** | **538,153** | **275,371** |
+
+`validation` 对应完整 PSG 发布版中的官方 test split。完整发布版带有 test ground truth，因此这里保留其对象、mask 和关系标注，并改名为 Hugging Face 常用的 `validation`。部分样本没有关系，其关系数组为空。
+
+PSG 中有少量不同样本引用同一张 COCO 图片；`id` 是 PSG 样本 ID，不应使用图片文件名替代。
+
+## 加载
+
+```python
+from datasets import load_dataset
+
+dataset = load_dataset("wliafe/PSG")
+sample = dataset["train"][0]
+
+image = sample["image"]                  # PIL.Image.Image
+panoptic_mask = sample["panoptic_mask"]  # PIL.Image.Image
+print(sample["id"], image.size, panoptic_mask.size)
+```
+
+## 字段
+
+| 字段 | 类型 | 说明 |
+| --- | --- | --- |
+| `id` | `string` | PSG 样本 ID |
+| `image` | `Image` | 嵌入式 RGB 图片；源文件主要是 JPEG，少量 `.jpg` 实际为 PNG |
+| `panoptic_mask` | `Image` | 嵌入式 RGB 编码 panoptic PNG |
+| `width` / `height` | `int32` | 解码后 RGB 图片的实际像素尺寸 |
+| `boxes` | `List[[float32; 4]]` | 与 segments 平行的 `[x1, y1, x2, y2]` 边界框 |
+| `labels` | `List[ClassLabel]` | 与 segments 平行的对象类别 |
+| `segments.id` | `List[int64]` | panoptic mask 中的 segment ID |
+| `segments.area` | `List[int64]` | segment 的标注面积 |
+| `segments.iscrowd` | `List[bool]` | COCO crowd 标记 |
+| `segments.isthing` | `List[bool]` | thing/stuff 标记 |
+| `relations.subject_index` | `List[int64]` | 主语在当前 segment 数组中的零基索引 |
+| `relations.object_index` | `List[int64]` | 宾语在当前 segment 数组中的零基索引 |
+| `relations.predicate` | `List[ClassLabel]` | 有向关系的谓词类别 |
+
+`boxes`、`labels` 和四个 `segments` 数组长度相同。同一位置表示同一个场景图节点。三个 `relations` 数组长度也相同，同一位置共同表示一条有向关系。
+
+## Panoptic mask
+
+panoptic PNG 使用 RGB 三通道编码整数 segment ID：
+
+```python
+import numpy as np
+
+rgb = np.asarray(sample["panoptic_mask"].convert("RGB"), dtype=np.int64)
+segment_id_map = (
+    rgb[..., 0]
+    + 256 * rgb[..., 1]
+    + 256 * 256 * rgb[..., 2]
+)
+
+first_segment_id = sample["segments"]["id"][0]
+first_segment_mask = segment_id_map == first_segment_id
+print(first_segment_mask.sum())
+```
+
+mask 中的非零 segment ID 与 `segments.id` 对应。背景像素的 ID 为 0，这与 taxonomy 中保留的 `__background__` 类别编号是两个不同概念。
+
+## 类别与关系
+
+对象和谓词 taxonomy 都在索引 `0` 保留 `__background__`：
+
+- 对象前景类别编号为 `1`–`133`，依次对应 80 个 thing 类和 53 个 stuff 类。
+- 谓词前景类别编号为 `1`–`56`。
+- `subject_index` 和 `object_index` 是样本内部 segment 数组的位置，不是类别 ID。
+
+```python
+features = dataset["train"].features
+object_names = features["labels"].feature.names
+predicate_names = features["relations"]["predicate"].feature.names
+
+for subject, object_, predicate in zip(
+    sample["relations"]["subject_index"],
+    sample["relations"]["object_index"],
+    sample["relations"]["predicate"],
+):
+    print(
+        object_names[sample["labels"][subject]],
+        predicate_names[predicate],
+        object_names[sample["labels"][object_]],
+    )
+```
+
+## 坐标约定
+
+`boxes` 使用实际图片像素坐标下的 `[x1, y1, x2, y2]` 格式，并位于图片边界内。`width` 和 `height` 与解码后的 RGB 图片及 panoptic mask 尺寸一致。
+
+## 使用限制
+
+- 类别和谓词呈长尾分布，评估结果可能受高频类别主导。
+- 场景图和分割标注可能包含遗漏、歧义或类别噪声。
+- 本仓库不重新授予原始 COCO 图片版权；使用者应遵守 COCO 与 PSG 的许可和使用要求。
+- 比较模型结果时，应确认采用相同 split、taxonomy 和 background 编号。
+
+## 引用
+
+```bibtex
+@inproceedings{yang2022panoptic,
+  title={Panoptic Scene Graph Generation},
+  author={Yang, Jingkang and Ang, Yi Zhe and Guo, Zujin and Zhou, Kaiyang
+          and Zhang, Wayne and Liu, Ziwei},
+  booktitle={European Conference on Computer Vision},
+  year={2022}
+}
+```