aklein4/coyo-filtered-3

该数据集包含多个特征，如id、url、text、width、height、image_phash、text_length、word_count、num_tokens_bert、num_tokens_gpt、num_faces、clip_similarity_vitb32、clip_similarity_vitl14、nsfw_score_opennsfw2、nsfw_score_gantman、watermark_score和aesthetic_score_laion_v2。这些特征涵盖了文本、图像的基本属性和一些高级分析结果，如NSFW评分、水印评分和美学评分。数据集仅包含一个训练集，包含22,868,282个样本，总大小为5,980,632,907.879035字节。

The dataset includes multiple features such as id, url, text, width, height, image_phash, text_length, word_count, num_tokens_bert, num_tokens_gpt, num_faces, clip_similarity_vitb32, clip_similarity_vitl14, nsfw_score_opennsfw2, nsfw_score_gantman, watermark_score, and aesthetic_score_laion_v2. These features cover basic attributes of text and images, as well as advanced analysis results such as NSFW scores, watermark scores, and aesthetic scores. The dataset contains only a training set with 22,868,282 samples, totaling 5,980,632,907.879035 bytes.

原始信息汇总

数据集概述

数据集信息

特征

• id: 整数类型
• url: 字符串类型
• text: 字符串类型
• width: 整数类型
• height: 整数类型
• image_phash: 字符串类型
• text_length: 整数类型
• word_count: 整数类型
• num_tokens_bert: 整数类型
• num_tokens_gpt: 整数类型
• num_faces: 整数类型
• clip_similarity_vitb32: 浮点数类型
• clip_similarity_vitl14: 浮点数类型
• nsfw_score_opennsfw2: 浮点数类型
• nsfw_score_gantman: 浮点数类型
• watermark_score: 浮点数类型
• aesthetic_score_laion_v2: 浮点数类型

数据集划分

• train:
  • 字节数: 5980632907.879035
  • 样本数: 22868282

数据集大小

• 下载大小: 4778605401
• 数据集大小: 5980632907.879035

配置

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