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")