Датасет · pixparse
Веб-изображения с описаниями Conceptual Captions (CC3M)
pixparse/cc3m-wds
Классический корпус из ~3,3 миллиона пар «картинка — подпись», собранный из HTML-тегов Alt-text.
Что внутри
Сборка популярного датасета Conceptual Captions (CC3M), содержащая от 1 до 10 миллионов примеров (около 3,3 млн пар в оригинале). Данные собраны из интернета на основе атрибутов Alt-text у веб-изображений, благодаря чему отличаются большим разнообразием визуальных стилей по сравнению с вручную размеченными наборами.
Что можно сделать
- Обучение и дообучение моделей генерации подписей к изображениям (image-to-text)
- Предобучение мультимодальных энкодеров и систем поиска картинок по текстовому запросу
- Тренировка LoRA-адаптеров для понимания разнообразного веб-контента
- Задачи
- Картинка → текст
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 19,5 тыс.
- Лайков
- 61
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("pixparse/cc3m-wds")