有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
common-canvas/commoncatalog-cc-by-sa|图像生成数据集|文本到图像数据集
收藏hugging_face2024-05-16 更新2024-05-25 收录
下载链接：
https://hf-mirror.com/datasets/common-canvas/commoncatalog-cc-by-sa
下载链接
链接失效反馈资源简介：
CommonCatalog CC-BY-SA是一个大型的高分辨率Creative Common图像数据集，包含从Yahoo Flickr收集的约1亿张图像，每张图像都有合成标题。该数据集主要用于训练文本到图像的模型，目标是与Stable Diffusion 2竞争，同时确保数据集的易访问性和透明性。
提供机构：
common-canvas
原始信息汇总
数据集概述
数据集名称
CommonCatalog CC-BY-SA
数据集描述
这是一个包含高分辨率Creative Common图像的大型数据集，收集于2014年，来源于Yahoo Flickr用户。数据集包含高达4k分辨率的图像，是最高分辨率的带标题图像数据集之一。
数据集特征
- 图像分辨率：高达4k
- 图像数量：约1亿张
- 图像来源：Yahoo Flickr Creative Commons
- 附加信息：每张图像附带合成标题
数据集内容
- 图像格式：jpg
- 文本信息：blip2_caption, caption, licensename, licenseurl, title, usertags, machinetags, description
- 元数据：width, height, original_width, original_height, photoid, uid, unickname, datetaken, dateuploaded, capturedevice, longitude, latitude, accuracy, pageurl, downloadurl, serverid, farmid, secret, secretoriginal, ext, url, key, status, error_message, exif, sha256
数据集用途
- 直接用途：训练文本到图像模型，训练图像到文本模型
- 非直接用途：不应用于创建或传播有害、歧视性内容，不应用于未经授权的个人代表，不应用于生成未经同意的性内容，不应用于传播虚假或误导信息，不应用于创建极端暴力或血腥内容，不应用于修改版权或授权材料以违反其使用条款。
数据集结构
数据集分为10个部分，每个部分包含约4GB的parquets文件。每个子文件夹内包含不同分辨率和相应宽高比的图像。数据集还根据商业使用许可（C）和非商业使用许可（NC）进行划分。
数据集创建
- 来源数据：Yahoo Flickr Creative Commons 100M Dataset和合成生成的标题数据
- 数据处理：所有合成标题由BLIP2生成
- 数据生产者：Flickr用户
许可证
CC-BY-SA-4.0
语言
英语（en）
数据集作者
Aaron Gokaslan
数据集联系人
Aaron Gokaslan
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国交通事故深度调查（CIDAS）数据集
交通事故深度调查数据通过采用科学系统方法现场调查中国道路上实际发生交通事故相关的道路环境、道路交通行为、车辆损坏、人员损伤信息，以探究碰撞事故中车损和人伤机理。目前已积累深度调查事故10000余例，单个案例信息包含人、车 、路和环境多维信息组成的3000多个字段。该数据集可作为深入分析中国道路交通事故工况特征，探索事故预防和损伤防护措施的关键数据源，为制定汽车安全法规和标准、完善汽车测评试验规程、
北方大数据交易中心 收录
中国高分辨率高质量PM2.5数据集（2000-2023）
ChinaHighPM2.5数据集是中国高分辨率高质量近地表空气污染物数据集（ChinaHighAirPollutants, CHAP）中PM2.5数据集。该数据集利用人工智能技术，使用模式资料填补了卫星MODIS MAIAC AOD产品的空间缺失值，结合地基观测、大气再分析和排放清单等大数据生产得到2000年至今全国无缝隙地面PM2.5数据。数据十折交叉验证决定系数R2为0.92，均方根误差RMSE为10.76 µg/m3。主要范围为整个中国地区，空间分辨率为1 km，时间分辨率为日、月、年，单位为µg/m3。注意：该数据集持续更新，如需要更多数据，请发邮件联系作者（weijing_rs@163.com; weijing@umd.edu）。 数据文件中包含NC转GeoTiff的四种代码（Python、Matlab、IDL和R语言）nc2geotiff codes。
国家青藏高原科学数据中心 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2020）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 70 年（1951~2020 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 70 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。2021 年至 2024 年的 CMFD 数据正在制作中，计划于 2025 年上半年发布，从而使 CMFD 2.0 延伸至 2024 年底。
国家青藏高原科学数据中心 收录
Traditional-Chinese-Medicine-Dataset-SFT
该数据集是一个高质量的中医数据集，主要由非网络来源的内部数据构成，包含约1GB的中医各个领域临床案例、名家典籍、医学百科、名词解释等优质内容。数据集99%为简体中文内容，质量优异，信息密度可观。数据集适用于预训练或继续预训练用途，未来将继续发布针对SFT/IFT的多轮对话和问答数据集。数据集可以独立使用，但建议先使用配套的预训练数据集对模型进行继续预训练后，再使用该数据集进行进一步的指令微调。数据集还包含一定比例的中文常识、中文多轮对话数据以及古文/文言文<->现代文翻译数据，以避免灾难性遗忘并加强模型表现。
huggingface 收录
FER2013
FER2013数据集是一个广泛用于面部表情识别领域的数据集，包含28,709个训练样本和7,178个测试样本。图像属性为48x48像素，标签包括愤怒、厌恶、恐惧、快乐、悲伤、惊讶和中性。
github 收录