К содержимому

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")