К содержимому

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")