Датасет · tomg-group-umd
16,9 млн подробных подписей к изображениям
tomg-group-umd/pixelprose
Подробные синтетические описания 16,9 млн изображений для обучения и оценки vision-language моделей.
Что внутри
Это 16 896 214 пар «изображение — подпись» на английском. Подписи синтезированы моделью Gemini 1.0 Pro Vision и подробно описывают изображения. Пары разделены на CommonPool (6,5 млн) и CC12M (9,1 млн).
Что можно сделать
- Обучить image captioning или vision-language модель
- Дообучить text-to-image модель по подробным подписям
- Проверить VQA и описание изображений
- Задачи
- Картинка → текст, Текст → картинка, Вопросы по картинкам
- Языки
- Английский
- Размер
- 10M–100M записей
- Скачиваний за месяц
- 747
- Лайков
- 180
Модели, обученные на нём
Как загрузить
from datasets import load_dataset
ds = load_dataset("tomg-group-umd/pixelprose")