BanglaVision40K

kaggle2026-06-06 更新2026-06-17 收录

图像字幕生成

孟加拉语自然语言处理

数据链接：

https://www.kaggle.com/datasets/inboxhasibur/banglavision40k 数据链接链接失效反馈

官方服务：

资源简介：

Combined Bengali Image Captioning Dataset (Flickr30k + Bangladeshi)

孟加拉语图像字幕联合数据集（Flickr30k + 孟加拉本土数据集）

创建时间：

2026-06-06

RSICD (Remote Sensing Image Captioning Dataset)

遥感图像处理

图像字幕生成

RSICD 用于遥感图像字幕任务。从谷歌地球、百度地图、MapABC、天地图收集了上万幅遥感图像。图像固定为具有各种分辨率的 224X224 像素。遥感影像总数为10921幅，每幅影像有5个句子描述。据我们所知，该数据集是最大的遥感字幕数据集。数据集中的样本图像具有较高的类内多样性和较低的类间相异性。因此，该数据集为研究人员提供了推进遥感字幕任务的数据资源。

OpenDataLab2026-07-12 更新1810

FaceCaption-15M, FaceCaptionHQ-4M, HumanCaption-10M, HumanCaption-HQ

图像字幕生成

面部识别

FaceCaption-15M是一个大规模、多样化且高质量的面部图像数据集，附带自然语言描述（面部图像到文本）。该数据集旨在促进面部中心任务的研究。FaceCaption-15M包含超过1500万对的面部图像及其对应的面部特征自然语言描述，是目前最大的面部图像字幕数据集。FaceCaptionHQ-4M包含约400万对从FaceCaption-15M中清理出的面部图像-文本对。HumanCapti

github2025-01-15 更新250

MaRVL

图像字幕生成

多语言处理

该数据集是一个本土化的多语言和多文化数据集，它被重新用于分类任务，以评估图像字幕生成的各项指标。此外，该数据集还用于比较多语言模型与仅英语模型的表现。其任务专注于图像字幕生成的评估工作。

arXiv160

Google Conceptual Captions 3M

图像字幕生成

计算机视觉

Google Conceptual Captions 3M 是一个包含300万对图像和描述的数据集，旨在用于图像字幕生成任务。每对图像和描述都是从网页中提取的，描述通常是图像的简短文本解释。

ai.google.com1720

SEACrowd/cc3m_35l

图像字幕生成

多语言处理

CC3M-35L是通过将Conceptual Captions 3M（Sharma et al., 2018）从英语翻译成其他34种语言创建的数据集，使用了Google的机器翻译API。该数据集支持图像字幕生成任务，支持的语言包括菲律宾语（fil）、印度尼西亚语（ind）、泰语（tha）和越南语（vie）。

Hugging Face2024-06-24 更新220

BanglaVision40K

资源简介：

相关数据集