Датасет · TempoFunk
Латентные представления видео и CLIP-эмбеддинги промптов
TempoFunk/small
7,8 тыс. видео в виде латентных массивов и CLIP-эмбеддингов описаний для генерации видео.
Что внутри
Набор включает 7800 примеров случайных видео на английском языке, уже закодированных в латентное пространство. Каждый семпл состоит из латентов 120 кадров исходного размера 512x512 в формате массивов NumPy (форма 120x4x64x64) и текстовых описаний, закодированных через CLIP от OpenAI (форма 77x768). Дополнительно прилагаются JSON-метаданные с описаниями, тегами, категориями и ссылками на источники.
Что можно сделать
- Обучение и дообучение моделей text-to-video без затрат на VAE-кодирование
- Тренировка классификаторов видео и изображений на латентных признаках
- Эксперименты с генеративными диффузионными архитектурами
- Задачи
- Текст → видео, Текст → картинка, Классификация видео, Классификация картинок
- Языки
- Английский
- Размер
- 1K–10K записей
- Скачиваний за месяц
- 22,4 тыс.
- Лайков
- 13
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("TempoFunk/small")