К содержимому

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

Как загрузить

from datasets import load_dataset

ds = load_dataset("visheratin/laion-coco-nllb")