Датасет · pufanyi
Мультиязычный датасет изображений и текстов
pufanyi/MIMICIT
Миллионы примеров с картинками и текстами на шести языках для обучения мультимодальных моделей.
Что внутри
Внутри находятся изображения и тексты на английском, китайском, испанском, японском, французском и корейском языках. Объём корпуса составляет от 1 до 10 миллионов записей. Набор подготовлен исследователями из Наньянского технологического университета (S-Lab) и Microsoft Research, а данные переведены из формата JSON в parquet для быстрой загрузки.
Что можно сделать
- Обучение и дообучение (SFT) мультиязычных визуально-языковых моделей (VLM)
- Тренировка систем поиска и сопоставления картинок с текстом на разных языках
- Языки
- Английский, Китайский, Испанский, Японский, Французский, Корейский, Арабский
- Размер
- 1M–10M записей
- Скачиваний за месяц
- 857
- Лайков
- 49
- Доступ
- по запросу на Hugging Face
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("pufanyi/MIMICIT")