nielsr/datacomp_small_english_captions_without_weird_characters

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
dataset_info:
features:
- name: uid
dtype: string
- name: url
dtype: string
- name: text
dtype: string
- name: original_width
dtype: int64
- name: original_height
dtype: int64
- name: clip_b32_similarity_score
dtype: float32
- name: clip_l14_similarity_score
dtype: float32
- name: face_bboxes
sequence:
sequence: float64
- name: sha256
dtype: string
- name: detected_language
dtype: string
splits:
- name: train
num_bytes: 1236192753.2122009
num_examples: 3851265
download_size: 996056197
dataset_size: 1236192753.2122009
---
# Dataset Card for "datacomp_small_english_captions_without_weird_characters"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

配置项：
- 配置名称：default
数据文件：
- 数据集拆分：训练集
文件路径：data/train-*
数据集信息：
特征字段：
- 字段名：唯一标识符（UID）
数据类型：字符串
- 字段名：网址（URL）
数据类型：字符串
- 字段名：文本内容
数据类型：字符串
- 字段名：原始宽度
数据类型：64位整数（int64）
- 字段名：原始高度
数据类型：64位整数（int64）
- 字段名：CLIP B/32 相似度得分（clip_b32_similarity_score）
数据类型：32位浮点数（float32）
- 字段名：CLIP L/14 相似度得分（clip_l14_similarity_score）
数据类型：32位浮点数（float32）
- 字段名：人脸边界框（face_bboxes）
数据类型：序列嵌套序列（元素类型为64位浮点数，float64）
- 字段名：SHA256哈希值（SHA256）
数据类型：字符串
- 字段名：检测语言
数据类型：字符串
数据集拆分：
- 拆分名称：训练集
字节数：1236192753.2122009
样本数量：3851265
下载大小：996056197
数据集总大小：1236192753.2122009
---
# 「datacomp_small_english_captions_without_weird_characters」数据集卡片
[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集卡片 "datacomp_small_english_captions_without_weird_characters"

配置

• 默认配置
  • 数据文件:
    • 分割: 训练
    • 路径: data/train-*

数据集信息

• 特征

  • uid: 字符串
  • url: 字符串
  • text: 字符串
  • original_width: 整数64位
  • original_height: 整数64位
  • clip_b32_similarity_score: 浮点数32位
  • clip_l14_similarity_score: 浮点数32位
  • face_bboxes: 浮点数64位序列的序列
  • sha256: 字符串
  • detected_language: 字符串

• 分割

  • train
    • 字节数: 1236192753.2122009
    • 样本数: 3851265

• 下载大小: 996056197

• 数据集大小: 1236192753.2122009