zaibutcooler/artistic

---
dataset_info:
features:
- name: image
dtype: image
- name: artist
dtype:
class_label:
names:
'0': Unknown Artist
'1': boris-kustodiev
'2': camille-pissarro
'3': childe-hassam
'4': claude-monet
'5': edgar-degas
'6': eugene-boudin
'7': gustave-dore
'8': ilya-repin
'9': ivan-aivazovsky
'10': ivan-shishkin
'11': john-singer-sargent
'12': marc-chagall
'13': martiros-saryan
'14': nicholas-roerich
'15': pablo-picasso
'16': paul-cezanne
'17': pierre-auguste-renoir
'18': pyotr-konchalovsky
'19': raphael-kirchner
'20': rembrandt
'21': salvador-dali
'22': vincent-van-gogh
'23': hieronymus-bosch
'24': leonardo-da-vinci
'25': albrecht-durer
'26': edouard-cortes
'27': sam-francis
'28': juan-gris
'29': lucas-cranach-the-elder
'30': paul-gauguin
'31': konstantin-makovsky
'32': egon-schiele
'33': thomas-eakins
'34': gustave-moreau
'35': francisco-goya
'36': edvard-munch
'37': henri-matisse
'38': fra-angelico
'39': maxime-maufra
'40': jan-matejko
'41': mstislav-dobuzhinsky
'42': alfred-sisley
'43': mary-cassatt
'44': gustave-loiseau
'45': fernando-botero
'46': zinaida-serebriakova
'47': georges-seurat
'48': isaac-levitan
'49': joaquã­n-sorolla
'50': jacek-malczewski
'51': berthe-morisot
'52': andy-warhol
'53': arkhip-kuindzhi
'54': niko-pirosmani
'55': james-tissot
'56': vasily-polenov
'57': valentin-serov
'58': pietro-perugino
'59': pierre-bonnard
'60': ferdinand-hodler
'61': bartolome-esteban-murillo
'62': giovanni-boldini
'63': henri-martin
'64': gustav-klimt
'65': vasily-perov
'66': odilon-redon
'67': tintoretto
'68': gene-davis
'69': raphael
'70': john-henry-twachtman
'71': henri-de-toulouse-lautrec
'72': antoine-blanchard
'73': david-burliuk
'74': camille-corot
'75': konstantin-korovin
'76': ivan-bilibin
'77': titian
'78': maurice-prendergast
'79': edouard-manet
'80': peter-paul-rubens
'81': aubrey-beardsley
'82': paolo-veronese
'83': joshua-reynolds
'84': kuzma-petrov-vodkin
'85': gustave-caillebotte
'86': lucian-freud
'87': michelangelo
'88': dante-gabriel-rossetti
'89': felix-vallotton
'90': nikolay-bogdanov-belsky
'91': georges-braque
'92': vasily-surikov
'93': fernand-leger
'94': konstantin-somov
'95': katsushika-hokusai
'96': sir-lawrence-alma-tadema
'97': vasily-vereshchagin
'98': ernst-ludwig-kirchner
'99': mikhail-vrubel
'100': orest-kiprensky
'101': william-merritt-chase
'102': aleksey-savrasov
'103': hans-memling
'104': amedeo-modigliani
'105': ivan-kramskoy
'106': utagawa-kuniyoshi
'107': gustave-courbet
'108': william-turner
'109': theo-van-rysselberghe
'110': joseph-wright
'111': edward-burne-jones
'112': koloman-moser
'113': viktor-vasnetsov
'114': anthony-van-dyck
'115': raoul-dufy
'116': frans-hals
'117': hans-holbein-the-younger
'118': ilya-mashkov
'119': henri-fantin-latour
'120': m.c.-escher
'121': el-greco
'122': mikalojus-ciurlionis
'123': james-mcneill-whistler
'124': karl-bryullov
'125': jacob-jordaens
'126': thomas-gainsborough
'127': eugene-delacroix
'128': canaletto
- name: genre
dtype:
class_label:
names:
'0': abstract_painting
'1': cityscape
'2': genre_painting
'3': illustration
'4': landscape
'5': nude_painting
'6': portrait
'7': religious_painting
'8': sketch_and_study
'9': still_life
'10': Unknown Genre
- name: style
dtype:
class_label:
names:
'0': Abstract_Expressionism
'1': Action_painting
'2': Analytical_Cubism
'3': Art_Nouveau
'4': Baroque
'5': Color_Field_Painting
'6': Contemporary_Realism
'7': Cubism
'8': Early_Renaissance
'9': Expressionism
'10': Fauvism
'11': High_Renaissance
'12': Impressionism
'13': Mannerism_Late_Renaissance
'14': Minimalism
'15': Naive_Art_Primitivism
'16': New_Realism
'17': Northern_Renaissance
'18': Pointillism
'19': Pop_Art
'20': Post_Impressionism
'21': Realism
'22': Rococo
'23': Romanticism
'24': Symbolism
'25': Synthetic_Cubism
'26': Ukiyo_e
splits:
- name: train
num_bytes: 33757987772.5
num_examples: 81444
download_size: 33742820806
dataset_size: 33757987772.5
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
---

原始信息汇总

数据集概述

数据集特征

• image：图像数据类型。
• artist：艺术家名称，分类标签包括多个艺术家，如0: Unknown Artist, 1: boris-kustodiev等。
• genre：艺术作品的类型，分类标签包括多种类型，如0: abstract_painting, 1: cityscape等。
• style：艺术作品的风格，分类标签包括多种风格，如0: Abstract_Expressionism, 1: Action_painting等。

数据集分割

• train：训练集，包含81444个样本，总数据大小为33757987772.5字节，下载大小为33742820806字节。

配置

• config_name：default
• data_files：
  • split：train
  • path：data/train-*

搜集汇总

数据集介绍

构建方式

在艺术史与计算视觉交叉研究的背景下，zaibutcooler/artistic数据集应运而生。该数据集通过大规模采集西方绘画史上的经典作品图像，构建了一个涵盖128位艺术家、11种绘画体裁与27种艺术风格的多标签分类体系。数据集的图像均经过严格筛选与标注，每位艺术家、每类体裁及每种风格均以分类标签形式结构化存储，确保标签的完整性与一致性。训练集包含81,444个样本，数据总量约33.7GB，为深度学习模型提供了丰富的视觉艺术素材。

特点

该数据集的核心特色在于其多维度、细粒度的艺术属性标注。每幅图像同时关联艺术家身份、绘画体裁（如肖像、风景、宗教画）与艺术风格（如印象派、立体主义、巴洛克），形成三位一体的标注体系。这种设计不仅支持艺术家识别任务，还能用于风格迁移、体裁分类及跨模态艺术分析。尤其值得注意的是，数据集涵盖了从文艺复兴到现代艺术的广泛时期，并包含了如梵高、毕加索、达芬奇等巨匠的作品，为艺术计算研究提供了高价值的基准数据。

使用方法

在应用层面，数据集可通过HuggingFace Datasets库直接加载。用户仅需调用`load_dataset('zaibutcooler/artistic')`即可获取训练数据，其中图像以PIL Image格式加载，艺术家、体裁与风格标签则作为整数索引的类别标识。为适配模型训练，建议对图像进行统一尺寸调整与归一化处理。该数据集天然适合用于多标签分类、图像风格识别及艺术家归属等任务，研究者亦可将其作为预训练数据，迁移至更具体的艺术分析场景。

背景与挑战

背景概述

在数字人文与计算机视觉交叉领域，艺术作品的自动归因与风格分析一直是备受瞩目的研究方向。zaibutcooler/artistic数据集应运而生，由独立研究者于近年构建，旨在为艺术史与机器学习社区提供一个涵盖多元艺术家、流派与风格的综合性图像集合。该数据集囊括了从文艺复兴巨匠列奥纳多·达·芬奇到现代主义大师巴勃罗·毕加索等129位艺术家的作品，同时标注了抽象绘画、风景、肖像等11种题材以及印象派、立体主义等27种风格。其核心研究问题在于探索如何通过深度学习模型精准识别艺术创作中的个体特征与时代烙印，从而推动文化遗产数字化保护与智能鉴赏工具的演进。该数据集凭借其丰富的标签层次与跨时代的艺术样本，已成为评估多标签分类与细粒度视觉识别算法的重要基准。

当前挑战

该数据集所面临的挑战首先体现在艺术归因任务的本质复杂性上，艺术家风格常随时间演变且存在流派间的相互渗透，使得模型需具备辨别微妙差异与抽象特征的能力。此外，数据构建过程中面临多重困难：不同历史时期的艺术作品因保存条件与数字化技术差异导致图像质量参差不齐，部分画作存在光照不均或纹理缺失问题；标签标注依赖艺术史专业知识，128位艺术家中的‘Unknown Artist’类别与部分小众画家的样本量极不均衡，易引发模型偏见；同时，版权与伦理考量限制了部分现代作品的收录，导致数据覆盖范围存在盲区。这些障碍共同构成了从数据采集到模型泛化的系统性挑战。

常用场景

经典使用场景

在计算艺术史与计算机视觉交叉领域中，artistic数据集凭借其覆盖129位艺术家、11种绘画类型及26种艺术风格的庞大规模，成为训练多标签分类与细粒度风格识别模型的经典基准。研究者常利用该数据集的图像与三重标注结构，构建从视觉特征到艺术家身份、创作类型与风格流派的映射关系，从而探索艺术创作中隐含的视觉语法与历史脉络。这一场景不仅推动了深度神经网络在艺术图像理解上的泛化能力，还为跨文化、跨时代的艺术风格演化分析提供了量化工具。

实际应用

在实际应用中，artistic数据集被广泛用于开发智能艺术鉴赏与数字化策展系统。博物馆与画廊可借助基于该数据集训练的模型自动识别作品归属与风格流派，优化藏品编目流程；在线艺术平台则能实现个性化推荐，根据用户偏好匹配相近风格或艺术家的作品。此外，艺术教育领域利用其构建交互式学习工具，辅助学生通过视觉对比理解印象派与后印象派等流派间的微妙嬗变，降低艺术史知识的入门门槛。

衍生相关工作

围绕artistic数据集衍生了一系列开创性工作，包括基于对比学习的无监督风格特征提取方法、融合图神经网络的艺术流派演化推理框架，以及利用生成对抗网络进行风格迁移的精细化控制模型。其中，部分研究通过引入注意力机制强化对笔触与色彩分布的敏感度，显著提升了小样本场景下的艺术家归因准确率。这些工作不仅深化了计算机视觉对艺术创作底层逻辑的模拟能力，也为跨模态艺术生成与人机协作创作提供了可复现的评估基准。