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")