Датасет · Spawning
34,7 млн пар картинок и описаний из PD12M и Megalith-CC0
Spawning/pd-extended
Огромная коллекция изображений с синтетическими подписями на английском и эмбеддингами CLIP-L14 для обучения генеративных и мультимодальных моделей.
Что внутри
Внутри собрано около 34,7 миллиона пар «изображение — текстовое описание» на английском языке. Данные объединены из датасетов PD12M и Megalith-CC0 с сохранением исходных лицензий и идентификаторов источников. Каждая запись дополнена метаданными (размеры, MIME-тип) и готовыми векторными представлениями CLIP-L14.
Что можно сделать
- Обучение или дообучение text-to-image моделей (например, Diffusion или LoRA) на лицензионно чистых данных
- Тренировка мультимодальных энкодеров и моделей сопоставления текста и изображений
- Быстрый семантический поиск и фильтрация картинок по готовым эмбеддингам CLIP-L14
- Языки
- Английский
- Размер
- 10M–100M записей
- Скачиваний за месяц
- 26 тыс.
- Лайков
- 5
Как загрузить
from datasets import load_dataset
ds = load_dataset("Spawning/pd-extended")