Датасет · mlfoundations
Метаданные миллиардного набора пар картинка-текст
mlfoundations/datacomp_1b
Метаданные и ссылки на изображения с текстовыми описаниями объёмом более миллиарда записей для мультимодального обучения.
Что внутри
Датасет содержит от 1 до 10 миллиардов записей в виде таблиц, текста и ссылок на изображения (сами картинки скачиваются отдельно и защищены собственными авторскими правами). Метаданные распространяются под свободной лицензией CC-BY-4.0. Набор предназначен для масштабного отбора и фильтрации данных при создании мультимодальных моделей.
Что можно сделать
- Предобучение моделей уровня CLIP и мультимодальных энкодеров
- Исследование алгоритмов фильтрации и дедупликации веб-данных
- Сборка кастомных подвыборок картинка-текст под узкие задачи
- Размер
- 1B–10B записей
- Скачиваний за месяц
- 33,8 тыс.
- Лайков
- 54
Модели, обученные на нём
- zw123/delta_clip_h14_336Картинка + текст 2,9 тыс.
- UCSC-VLAA/ViT-bigG-14-CLIPA-336-datacomp1Bzero shot image classification 439
- UCSC-VLAA/ViT-bigG-14-CLIPA-datacomp1Bzero shot image classification 436
- UCSC-VLAA/ViT-H-14-CLIPA-336-datacomp1Bzero shot image classification 225
- UCSC-VLAA/ViT-L-14-CLIPA-datacomp1Bzero shot image classification 221
- zw123/delta_clip_l14_224Картинка + текст 209
- UCSC-VLAA/ViT-H-14-CLIPA-datacomp1Bzero shot image classification 98
- UCSC-VLAA/ViT-L-14-CLIPA-336-datacomp1Bzero shot image classification 93
Как загрузить
from datasets import load_dataset
ds = load_dataset("mlfoundations/datacomp_1b")