Conceptual_Caption12M图文预训练数据标注数据集

基于开源数据集Conceptual_Caption12M进行图片的有效性筛选后，保存有效图片的url和对应的Caption标注信息到cc3m_local_bootstrap_caption.json文件，用于进行图文预训练。

搜集汇总

背景与挑战

背景概述

该数据集基于开源Conceptual_Caption12M数据集，经图片有效性筛选后，保存有效图片的URL及其对应的Caption标注信息，旨在支持多模态图文预训练任务。数据由浦江国家实验室创建，包含jsonl和docx两种格式，总数据量约为949.36MB。