COYO-700M 图像-文本对数据集

COYO-700M 是一个大型数据集，包含 7.47 亿个图像文本对以及许多其他元属性，以提高训练各种模型的可用性。该数据集遵循与以前的视觉和语言数据集类似的策略，收集 HTML 文档中许多信息丰富的替代文本及其相关图像对。

COYO-700M is a large-scale dataset consisting of 747 million image-text pairs along with numerous additional meta-attributes to enhance the usability for training various models. This dataset follows a similar strategy as prior vision-language datasets, collecting numerous informative alt-texts from HTML documents paired with their associated images.

搜集汇总

背景与挑战

背景概述

COYO-700M是一个包含约7.47亿个图像文本对的大型数据集，数据来源于CommonCrawl的HTML文档，通过过滤过程优化了信息质量。该数据集收集于2020年10月至2021年8月，旨在提升训练模型的可用性。