dwb2023/filtered-coyo-700M-beta|图像-文本对数据集|视觉与语言任务数据集

COYO-700M数据集是一个包含约700M图像-文本对的大规模数据集，主要用于图像到文本、文本到图像以及零样本分类等任务。数据集从Common Crawl中收集了约10亿对图像和文本数据，经过多层次的过滤和清理，最终形成700M的数据集。每个数据实例包含图像URL、文本描述、图像尺寸、图像的感知哈希值、文本长度、词数、BERT和GPT的token数、图像中的人脸数、CLIP模型的相似度评分、NSFW评分、水印评分以及美学评分等元属性。数据集未进行分割，因为预期评估将在更广泛使用的下游任务上进行。数据集的使用受CC-BY-4.0许可约束。

原始信息汇总

数据集概述

数据集名称

• pretty_name: filterred-coyo-700m-beta

语言

• 语言: 英语
• 语言创建者: 其他

许可证

• 许可证: CC-BY-4.0

多语言性

• 多语言性: 单语种

大小分类

• 大小分类: 100M<n<1B

来源数据集

• 来源数据集: 原始数据

标签

• 标签: 图像-文本对, 医学

任务类别

• 任务类别: 文本到图像, 图像到文本, 零样本分类

任务ID

• 任务ID: 图像字幕生成

数据集结构

数据实例

• 描述: 每个实例代表单一的图像-文本对信息，包含多个元属性。

• 示例:

  { id: 841814333321, url: https://blog.dogsof.com/wp-content/uploads/2021/03/Image-from-iOS-5-e1614711641382.jpg, text: A Pomsky dog sitting and smiling in field of orange flowers, ... }

数据字段

• 字段列表:

  名称	类型	描述
  id	long	唯一64位整数ID
  url	string	图像URL
  text	string	文本
  width	integer	图像宽度
  height	integer	图像高度
  image_phash	string	图像的感知哈希值
  ...	...	...

数据分割

• 描述: 数据未分割，评估预期在更广泛使用的下游任务上进行。

数据集创建

来源数据

• 初始数据收集和规范化:
  • 从Common Crawl收集约10亿对alt-text和图像源。
  • 通过图像和/或文本级过滤过程消除无信息对。

注释

• 注释过程: 完全自动化，无需人工注释。
• 注释者: 无人工注释。

个人和敏感信息

• 免责声明与内容警告: 未提供具体信息。

许可证信息

• 许可证: CC-BY-4.0
• 使用义务: 使用时需遵守许可证指南，违规可能面临法律行动。

引用信息

• 引用格式:

  @misc{kakaobrain2022coyo-700m, title = {COYO-700M: Image-Text Pair Dataset}, author = {Minwoo Byeon, Beomhee Park, Haecheon Kim, Sungjun Lee, Woonhyuk Baek, Saehoon Kim}, year = {2022}, howpublished = {url{https://github.com/kakaobrain/coyo-dataset}}, }