mespinosami/global230k_with_text

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
- split: test
path: data/test-*
dataset_info:
features:
- name: image
dtype: image
- name: label
dtype: image
- name: text
dtype: string
splits:
- name: train
num_bytes: 8772332868.54
num_examples: 162940
- name: validation
num_bytes: 1357769997.04
num_examples: 23416
- name: test
num_bytes: 2618381497.671
num_examples: 46463
download_size: 12445672864
dataset_size: 12748484363.251001
---
# Dataset Card for "global230k_with_text"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
配置项：
- 配置名称（config_name）：默认（default）
数据文件（data_files）：
- 数据集拆分（split）：训练集（train），路径：data/train-*
- 数据集拆分（split）：验证集（validation），路径：data/validation-*
- 数据集拆分（split）：测试集（test），路径：data/test-*
数据集信息（dataset_info）：
特征（features）：
- 字段名（name）：图像（image），数据类型（dtype）：图像
- 字段名（name）：标签（label），数据类型（dtype）：图像
- 字段名（name）：文本（text），数据类型（dtype）：字符串
数据集拆分详情（splits）：
- 名称（name）：训练集，字节数（num_bytes）：8772332868.54，样本数量（num_examples）：162940
- 名称（name）：验证集，字节数（num_bytes）：1357769997.04，样本数量（num_examples）：23416
- 名称（name）：测试集，字节数（num_bytes）：2618381497.671，样本数量（num_examples）：46463
下载总大小（download_size）：12445672864
数据集总存储大小（dataset_size）：12748484363.251001
---
# 「global230k_with_text」数据集卡片（Dataset Card）

[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集配置

• 默认配置：
  • 训练集路径：data/train-*
  • 验证集路径：data/validation-*
  • 测试集路径：data/test-*

数据集信息

• 特征：

  • 图像（image）
  • 标签（label）
  • 文本（text）

• 数据分割：

  • 训练集：
    • 字节数：8772332868.54
    • 样本数：162940
  • 验证集：
    • 字节数：1357769997.04
    • 样本数：23416
  • 测试集：
    • 字节数：2618381497.671
    • 样本数：46463

• 数据集大小：

  • 下载大小：12445672864
  • 数据集大小：12748484363.251001

搜集汇总

数据集介绍

构建方式

在遥感影像分析领域，数据集的构建往往依赖于大规模地理空间数据的整合与标注。该数据集通过系统化的数据采集流程，从全球范围内获取了约23万张遥感图像，并为其配备了对应的标签图像与文本描述。构建过程中，数据被划分为训练集、验证集和测试集，确保了机器学习模型评估的严谨性。每张图像均经过预处理，以统一的格式存储，便于后续分析与模型训练，为遥感影像的语义分割与多模态学习提供了坚实基础。

特点

该数据集的核心特点在于其多模态结构，融合了图像、标签图像及文本描述，为遥感影像的深度理解开辟了新途径。图像数据覆盖全球多样地理环境，标签图像提供了精确的语义分割标注，而文本描述则丰富了图像的上下文信息，增强了数据集的解释性与应用广度。数据集规模庞大，包含超过23万样本，且划分合理，支持模型训练与验证的全流程，适用于计算机视觉与自然语言处理的交叉研究。

使用方法

在遥感影像处理与人工智能应用中，该数据集的使用方法侧重于多任务学习与模型评估。用户可通过加载训练集进行模型训练，利用验证集调整超参数，并通过测试集评估性能。数据集支持图像分割任务，结合文本描述可实现图像生成或检索等跨模态应用。使用前需确保环境配置兼容图像处理库，数据以标准格式提供，便于集成到主流机器学习框架中，推动遥感技术的创新与发展。

背景与挑战

背景概述

在遥感影像分析领域，高分辨率全球地表覆盖制图是环境监测、城市规划与气候变化研究的关键基础。数据集global230k_with_text由mespinosami团队构建，其核心研究问题在于整合多模态数据——即卫星影像、对应标签掩膜及文本描述，以推动基于深度学习的语义分割与跨模态理解技术的发展。该数据集通过提供超过23万条样本，促进了模型在复杂地理场景下的泛化能力，对遥感人工智能社区产生了显著影响，为自动化土地分类与动态监测提供了重要数据支撑。

当前挑战

该数据集旨在解决遥感影像语义分割中跨区域泛化与细粒度分类的挑战，例如如何准确识别不同气候带下的地表覆盖类型，以及处理影像中尺度变异与遮挡问题。在构建过程中，挑战主要集中于多源数据对齐与质量把控：卫星影像与标签掩膜需在时空上精确匹配，同时文本描述需保持语义一致性；此外，全球范围数据采集涉及异构传感器与大气干扰，增加了预处理与标注的复杂度，需依赖自动化流程与人工校验相结合以确保数据可靠性。

常用场景

经典使用场景

在遥感影像分析领域，全球230k数据集以其大规模、多模态特性，成为地理空间智能研究的基石。该数据集融合了高分辨率卫星图像与对应文本描述，经典使用场景集中于训练端到端的视觉-语言模型，旨在实现从像素到语义的无缝映射。研究者利用其丰富的图像-文本对，探索遥感影像的自动解译机制，例如通过对比学习或跨模态注意力机制，提升模型对地表覆盖、城市变迁等复杂地理现象的识别精度，为自动化地理信息系统奠定数据基础。

解决学术问题

该数据集有效应对了遥感领域中数据稀缺与语义鸿沟两大核心挑战。传统遥感研究常受限于标注成本高昂与跨模态对齐困难，而global230k_with_text通过提供海量对齐的图像-文本样本，使得学者能够深入探究多模态表征学习、零样本地理目标检测以及开放词汇场景分类等前沿问题。其意义在于推动了地理空间人工智能从依赖人工特征向数据驱动范式的转型，为全球环境监测、灾害评估等宏观研究提供了可扩展的基准平台。

衍生相关工作

围绕该数据集，学术界衍生了一系列经典研究工作，尤其在多模态地理空间模型构建方面成果丰硕。例如，有研究借鉴CLIP架构，开发出针对遥感影像的视觉-语言预训练模型，实现了跨模态检索与零样本分类的突破；另有工作基于其文本描述生成高精度语义分割掩码，推动了弱监督学习在遥感领域的应用。这些成果不仅丰富了地理信息科学的方法论，也为后续更大规模地球观测数据集的构建提供了范式参考。