Датасет · ScienceOne-AI
Научные мультимодальные пары изображение-текст
ScienceOne-AI/S1-MMAlign
24,17 млн пар изображение-текст из 3,01 млн открытых научных статей на английском.
Что внутри
Датасет содержит более 24,17 млн высококачественных пар изображение-текст, собранных примерно из 3,01 млн открытых научных публикаций. Материал охватывает разные научные дисциплины и предназначен для мультимодального обучения. Язык — английский.
Что можно сделать
- Обучение мультимодальных моделей для научных изображений
- Проверка VQA и image-to-text на научных данных
- Извлечение признаков для поиска по научным иллюстрациям
- Задачи
- Картинка → текст, Вопросы по картинкам, Эмбеддинги
- Языки
- Английский
- Размер
- 10M–100M записей
- Скачиваний за месяц
- 6 тыс.
- Лайков
- 107
Как загрузить
from datasets import load_dataset
ds = load_dataset("ScienceOne-AI/S1-MMAlign")