LLaVA CC3M

该数据集是从CC3M数据集中筛选出的59.5万个图像的子集，用于对模型进行预训练。此外，该数据集与LLaVA-v1.5模型结合使用，以提升模型的性能。其任务是针对视觉-语言模型的预训练。

This dataset is a subset of 595,000 images filtered from the CC3M dataset, designed for model pre-training. Additionally, it is utilized in combination with the LLaVA-v1.5 model to improve the model's performance. The target task of this dataset is the pre-training of vision-language models.

搜集汇总

背景与挑战

背景概述

LLaVA-CC3M-Pretrain-595K是一个从CC-3M数据集过滤得到的子集，包含59.5万图像-文本对，用于视觉指令调优的预训练阶段，旨在提升多模态模型的能力。数据集以对话形式组织，包含人类指令和AI生成的回答，覆盖多样化视觉内容，并附带元数据和原始图像，但需遵循CC-3M和BLIP的许可协议，主要用于研究目的。