К содержимому

Датасет · Ajax102

Крупный корпус изображений и текстов на китайском языке

Ajax102/Taisu

Огромный набор пар картинка-текст на китайском языке объёмом около 7,9 ТБ для задач image-to-text.

Что внутри

Датасет содержит от 100 миллионов до 1 миллиарда пар изображений и текстовых описаний на китайском языке. Общий объём данных составляет около 7,9 терабайт. Исходные файлы упакованы в архивы формата tar размером не более 10 ГБ каждый.

Что можно сделать

  • Предобучение мультимодальных моделей (VLM) для китайского языка
  • Обучение систем генерации описаний к изображениям (image captioning)
Задачи
Картинка → текст
Языки
Китайский
Размер
100M–1B записей
Скачиваний за месяц
19,8 тыс.
Лайков
3

Как загрузить

from datasets import load_dataset

ds = load_dataset("Ajax102/Taisu")