mrzjy/ascii_art_generation_140k

该数据集包含138,941个用于大语言模型（LLM）ASCII艺术生成的监督微调（SFT）样本。数据主要来源于LAION-COCO-NLLB和Imagenet-Sketch数据集。数据处理包括将图像转换为ASCII艺术、裁剪空白区域以及格式化指令-响应样本。数据集还进行了数据过滤，包括密度、多样性和孤立性过滤，以提高数据质量。此外，数据集还提供了中英双语版本，其中50%的图像描述被翻译成中文。

This dataset contains 138,941 supervised fine-tuning (SFT) samples for large language models (LLMs) to generate ASCII art. The data is primarily sourced from the LAION-COCO-NLLB and Imagenet-Sketch datasets. Data processing includes converting images to ASCII art, cropping blank spaces, and formatting instruction-response samples. The dataset also undergoes data filtering, including density, diversity, and isolation filtering, to improve data quality. Additionally, a bilingual version of the dataset is provided, with 50% of the image captions translated into Chinese.

原始信息汇总

数据集概述

基本信息

• 许可证: Apache 2.0
• 任务类别: 文本生成
• 语言: 英语
• 标签: 艺术, ASCII艺术, 视觉, SFT
• 数据集大小: 100K<n<1M

数据集链接

链接	语言	大小
ascii_art_generation_140k	英语	138,941
ascii_art_generation_140k_bilingual	中英双语	138,941

数据准备

训练数据描述

• 样本数量: 138,941
• 数据来源:
  • 主要来自 LAION-COCO-NLLB
  • 部分来自 Imagenet-Sketch

数据处理

1. 图像转换为ASCII艺术: 使用 ascii-image-converter 工具进行转换。
2. 空白空间裁剪: 去除多余的空白字符。
3. 指令-响应样本格式: 使用简单的提示模板格式化训练样本。

数据过滤

• 密度过滤: 保留密度在0.3到0.6之间的样本。
• 多样性过滤: 过滤低多样性的样本。
• 无孤立行过滤: 过滤包含孤立行的样本。

双语版本

• 语言: 中英双语
• 样本分布: 中文样本69,777，英文样本69,164

局限性

• 颜色支持: 当前仅支持黑白ASCII艺术生成，忽略颜色描述。

搜集汇总

背景与挑战

背景概述

该数据集是一个用于大型语言模型ASCII艺术生成的监督微调数据集，包含138,941个英文指令-响应样本，数据来源于图像转换并经过严格过滤处理。数据集支持文本生成任务，提供英文和双语版本，适用于艺术创作和视觉相关应用。