Датасет · visheratin
Описания изображений LAION-COCO на 200 языках
visheratin/laion-coco-nllb
Мультиязычный корпус подписей к картинкам, переведённых с английского на 200 языков моделью NLLB-200.
Что внутри
Датасет включает от 100 тысяч до 1 миллиона записей (в репозитории лежат файлы parquet), основанных на выборке LAION-COCO. Каждая запись содержит уникальный идентификатор, ссылку на исходное изображение, оригинальную английскую подпись и список её переводов на 200 языков из набора Flores-200, выполненных большой моделью NLLB-200 на 3,3 млрд параметров.
Что можно сделать
- Обучение мультиязычных моделей описания изображений (image-to-text)
- Тренировка мультимодальных эмбеддингов и систем машинного перевода коротких подписей
- Задачи
- Картинка → текст, Перевод
- Языки
- ace, acm, acq, aeb, af, ajp, ak, als и ещё 4
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 1,7 тыс.
- Лайков
- 46
Модели, обученные на нём
- visheratin/nllb-clip-large-siglipzero shot image classification 1 тыс.
- visheratin/nllb-siglip-mrl-largezero shot image classification 565
- visheratin/nllb-clip-base-siglipzero shot image classification 482
- visheratin/nllb-siglip-mrl-basezero shot image classification 228
- visheratin/nllb-clip-base-oczero shot image classification 178
- oddadmix/Nawah-VL-25MКартинка → текст 31
- visheratin/nllb-clip-base 28
- oddadmix/Nawah-VL-50MКартинка → текст 24
Как загрузить
from datasets import load_dataset
ds = load_dataset("visheratin/laion-coco-nllb")