m-a-p/SciMMIR

SciMMIR数据集是一个用于评估科学领域中多模态信息检索（MMIR）模型的基准数据集。该数据集包含537K科学图像-文本对，这些数据是从2023年5月至2023年10月的Arxiv论文中提取的。数据集采用了两个子集，五个子类别的数据层次结构，并使用人工创建的关键词对数据进行分类。数据集可以通过HuggingFace的Datasets库获取，并提供了示例代码展示如何使用数据集。

原始信息汇总

数据集概述

数据集配置

• 默认配置：
  • 训练集：路径为 data/train-*
  • 验证集：路径为 data/validation-*
  • 测试集：路径为 data/test-*

数据集信息

• 特征：

  • image：图像数据
  • file_name_index：字符串类型
  • text：字符串类型
  • class：字符串类型
  • super_class：字符串类型
  • sub_class：字符串类型
  • split：字符串类型

• 数据分割：

  • 训练集：
    • 字节数：59,242,453,844.635
    • 样本数：498,279
  • 验证集：
    • 字节数：1,783,636,593.843
    • 样本数：16,433
  • 测试集：
    • 字节数：1,874,022,111.346
    • 样本数：16,263

• 数据集大小：

  • 下载大小：63,729,889,852
  • 数据集大小：62,900,112,549.824005