BEE-spoke-data/govdocs1-image

该数据集包含来自govdocs1的.jpg文件，并应用了轻量级的去重处理，移除了大约500个重复图像。数据集包含多个配置，每个配置有不同的特征和分割。数据集的来源信息也提供了相关的引用和链接。

This dataset contains .jpg files from govdocs1. Light deduplication was applied, which removed approximately 500 duplicate images. The dataset includes multiple configurations, each with different features and splits. Source information with relevant citations and links is also provided.

原始信息汇总

数据集概述

数据集配置

• dedup-4k-caps_base

  • 特征:
    • image: 图像
    • id: 字符串
    • <DETAILED_CAPTION>: 字符串
  • 分割:
    • train:
      • 字节数: 1217625626.625
      • 样本数: 3995
  • 下载大小: 1217269244
  • 数据集大小: 1217625626.625

• dedup-4k-caps_large

  • 特征:
    • image: 图像
    • id: 字符串
    • <DETAILED_CAPTION>: 字符串
  • 分割:
    • train:
      • 字节数: 1217618318.625
      • 样本数: 3995
  • 下载大小: 1217266332
  • 数据集大小: 1217618318.625

• dedup-phash

  • 特征:
    • image: 图像
    • id: 字符串
  • 分割:
    • train:
      • 字节数: 24292594648.068
      • 样本数: 72334
  • 下载大小: 23672584689
  • 数据集大小: 24292594648.068

• dedup-phash-10k

  • 特征:
    • image: 图像
    • id: 字符串
  • 分割:
    • train:
      • 字节数: 3292749886.0
      • 样本数: 10000
  • 下载大小: 3278279266
  • 数据集大小: 3292749886.0

• default

  • 特征:
    • image: 图像
  • 分割:
    • train:
      • 字节数: 34698929817.535
      • 样本数: 108895
  • 下载大小: 37151833690
  • 数据集大小: 34698929817.535

数据文件路径

• dedup-4k-caps_base:
  • train: dedup-4k-caps_base/train-*
• dedup-4k-caps_large:
  • train: dedup-4k-caps_large/train-*
• dedup-phash:
  • train: dedup-phash/train-*
• dedup-phash-10k:
  • train: dedup-phash-10k/train-*
• default:
  • train: data/train-*

标签

• govdocs1
• jpg