laion2b-45ish-1120px

这是一个从LAION2B-en-aesthetic数据集中选取的子集，基于长宽比进行了筛选，并且具有更好的标题注释。这是一个通用型数据集，其中大约只有30%的图片包含人类。所有非现实风格的图片都被过滤掉了，旨在创建一个“现实世界”的数据集。这个数据集大约有80,000张图片，磁盘占用大约为45G。这个数据集没有经过人工单独筛选，只是批量剔除。图片的长宽比为4:5的肖像画风格，或者稍微宽一些（因为稍微太宽的图片可以被安全地裁剪得更窄）。作者对于选择1120像素的最低高度可能有所偏差，建议可能需要选择1152像素（因为64的倍数）。数据集中包含了两种自动生成的标题风格：“moondream”和“wd14”，并使用这些风格来过滤掉带水印的图片。使用“moondream”模型为每张图片添加了AI生成的标题，并使用该模型过滤掉带水印的图片。

搜集汇总

数据集介绍

构建方式

该数据集名为laion2b-45ish-1120px，其构建基于LAION2B-en-aesthetic的一个子集。该子集通过筛选宽高比为4:5或略宽的图像，并确保图像至少具有1120像素的高度，以适应特定的视觉需求。构建过程中，通过批量筛选而非逐个筛选的方式，排除了非真实图像，保留了大约80k的图像，旨在形成一个反映现实世界的图像集合。

特点

此数据集的特点在于，它包含的图像具有较高比例的宽高比为4:5，或略宽的竖直格式，这使其在视觉呈现上具有一致性。数据集大约30%的图像包含人类，且已经过滤掉了所有非真实图像，确保了图像的真实性和多样性。此外，每个图像都包含两种自动生成的风格化标题，分别为'moondream'和'wd14'，这些标题还用于过滤带水印的图像。

使用方法

在使用该数据集时，用户可以根据需要调整下载脚本中的最小尺寸设置，以获取不同尺寸偏好的图像。此外，数据集的JSONL文件可以运行脚本以排除高度不符合用户偏好的图像。由于数据集不包含个人筛选的图像，用户在使用时可能需要进行进一步的筛选以满足特定需求。

背景与挑战

背景概述

laion2b-45ish-1120px数据集，作为LAION项目的一个子集，旨在为视觉研究提供一份经过精心筛选的图像资源。该数据集的创建，源自于对原始LAION2B-en-aesthetic数据集的进一步优化，挑选出长宽比为4:5的图像，并确保图像质量更贴近现实世界的标准。该数据集的构建时间为近年，由LAION团队维护，其核心研究问题聚焦于如何通过图像的审美和现实性筛选，来提高机器学习模型在图像识别任务中的表现。数据集包含约80,000张图像，非现实图像已被过滤，且其中大约70%的图像不包含人类，这一特性使其在图像研究领域具有一定的独特性，对相关领域产生了显著影响。

当前挑战

该数据集面临的挑战主要体现在两个方面：首先，数据集构建过程中，如何精确筛选出符合特定长宽比的图像，以及如何有效过滤掉带有水印的图像，是技术上的两大难点。其次，数据集所解决的领域问题是图像识别与分类，面临的挑战包括如何提升模型对现实世界图像的理解能力，以及如何减少非现实图像对模型训练的干扰。此外，选择1120像素作为图像最小高度的标准可能存在偏差，这需要后续的研究者根据实际需求进行调整和优化。

常用场景

经典使用场景

在计算机视觉与自然语言处理领域，laion2b-45ish-1120px数据集因其筛选的图片比例及高质量的标注，成为训练图像识别与描述生成模型的经典资源。该数据集专注于人像比例接近4:5的图片，并确保图像尺寸符合特定标准，便于模型在保持图片美观的同时，进行高效的训练与学习。

衍生相关工作

基于laion2b-45ish-1120px数据集，研究者们已经开展了一系列相关工作，如图像风格转换、图像质量评估以及多模态内容理解等。这些衍生工作进一步拓展了数据集的应用范围，促进了相关技术的进步与创新发展。

数据集最近研究

最新研究方向

在计算机视觉与自然语言处理领域，laion2b-45ish-1120px数据集以其特定的人像比例和高质量的图像标注，正成为研究焦点。该数据集通过筛选出约30%含有人类的图像，并排除非现实图像，为研究者提供了一个逼近现实世界的视觉数据资源。目前，学者们正利用该数据集探索图像与文本的深度关联，特别是在自动生成标注、水印过滤以及图像内容理解方面的应用，以期推动图像识别与描述技术的进步，对智能视觉系统的研发具有显著影响和意义。