К содержимому

Датасет · Salesforce

Крупный корпус для визуального граундинга от Salesforce

Salesforce/blip3-grounding-50m

От 10 до 100 млн пар «изображение-текст» для точной привязки слов к объектам на картинке.

Что внутри

Огромный мультимодальный датасет на английском языке от Salesforce, содержащий от 10 до 100 миллионов примеров с изображениями и текстом. Он создан для улучшения способности Vision-Language моделей (VLM) сопоставлять семантические понятия и сложные описания (например, «объект слева от собаки») с конкретными областями на картинке.

Что можно сделать

  • Обучение VLM-моделей точному поиску объектов по текстовому описанию (referring expressions)
  • Улучшение качества детекции объектов и семантической сегментации в мультимодальных системах
  • Снижение визуальных галлюцинаций у моделей, отвечающих на вопросы по изображениям
Языки
Английский
Размер
10M–100M записей
Скачиваний за месяц
1,1 тыс.
Лайков
32

Как загрузить

from datasets import load_dataset

ds = load_dataset("Salesforce/blip3-grounding-50m")