l3afai/youtube-thumbnails

--- language: - en tags: - youtube - thumbnails - image-text - multimodal - text-to-image - image-to-text - captioning - weak-supervision - large-scale - computer-vision - nlp - vision-language - clip-training - diffusion - generative-models - image-generation - thumbnail-generation - social-media - content-creation - visual-design - high-contrast - faces - expressions - memes - clickbait - marketing - advertising - attention-modeling - representation-learning - embedding - retrieval - search - ranking - dataset-creation - public-data - self-supervised - weak-labels - noisy-labels - english - filtered - deduplicated - large-dataset - research - experimental - open-data - vision - multimodal-learning - image-dataset - text-dataset pretty_name: Youtube Thumbnails task_categories: - text-to-image - image-to-text - feature-extraction size_categories: - 100K<n<1M license: other --- # YouTube Thumbnails Dataset ## Dataset Details ### Dataset Description This dataset contains approximately **164,000 YouTube thumbnails** paired with their corresponding video titles. The dataset was constructed by collecting public YouTube channel feeds, extracting video metadata, filtering and deduplicating entries, and downloading thumbnail images at scale. The goal of this dataset is to support research and experimentation in: - Image generation (e.g. diffusion models) - Multimodal learning (e.g. CLIP-style models) - Thumbnail generation and optimization - Image-text representation learning --- - **Curated by:** l3af (Discord: l3afai) - **Language(s):** English (filtered using language detection) - **License:** Derived from publicly available YouTube data. Users are responsible for complying with YouTube's Terms of Service. --- ## Dataset Sources - **Source:** Public YouTube RSS feeds (`videos.xml`) - **Images:** YouTube thumbnail CDN (`i.ytimg.com`) - **Metadata:** Video titles and IDs --- ## Uses ### Direct Use This dataset is suitable for: - Training image generation models (especially thumbnail-style generation) - Training multimodal embedding models (e.g. CLIP) - Studying social-media visual patterns - Thumbnail generation or ranking systems --- ### Out-of-Scope Use This dataset is **not recommended for**: - High-quality caption-to-image generation (titles are not descriptive captions) - Tasks requiring precise semantic grounding - Sensitive or safety-critical applications --- ## Dataset Structure Each example contains: - `video_id` (string): YouTube video identifier - `title` (string): Video title - `image` (image): Thumbnail image --- ## Dataset Creation ### Curation Rationale This dataset was created to provide a large-scale collection of real-world image-text pairs with strong visual patterns, particularly useful for studying: - Attention-grabbing design - High-contrast visual composition - Social media aesthetics --- ### Source Data #### Data Collection and Processing The dataset was created through the following pipeline: 1. Collected ~22,000 YouTube channel IDs 2. Downloaded RSS feeds (`videos.xml`) 3. Extracted video metadata 4. Filtered: - Removed Shorts content - Removed non-English titles (via language detection) 5. Deduplicated titles (exact + fuzzy) 6. Downloaded thumbnail images (max resolution when available) 7. Built dataset in multiple formats (Parquet + HF dataset) --- #### Who are the source data producers? The source data was originally created by YouTube content creators across a wide range of domains, including entertainment, education, gaming, and news. --- ### Annotations No manual annotations were added. The dataset consists solely of: - Original thumbnails - Original video titles --- ### Personal and Sensitive Information - Some thumbnails may contain human faces or identifiable individuals - Titles and images may reflect biases from content creators - No additional personal data was intentionally collected --- ## Data Traceability Each entry includes a `video_id` which uniquely identifies the original YouTube video. Users can reconstruct the original source via: https://www.youtube.com/watch?v={video_id} This enables: - Attribution to original creators - Verification of data origin - Selective filtering or removal --- ## Bias, Risks, and Limitations - Strong bias toward YouTube-style content (faces, text overlays, high contrast) - Titles are often: - Clickbait - Vague - Non-descriptive - Images frequently contain embedded text (which models struggle to generate correctly) - Distribution may not reflect real-world image diversity --- ### Recommendations - Use for **style-focused tasks**, not semantic grounding - Consider augmenting with caption datasets for better text alignment - Filter further if targeting specific domains --- ## Citation If you use this dataset, please cite: ``` l3afai. (2026). YouTube Thumbnails Dataset. ``` ## Dataset Card Authors - l3af (Discord: l3afai) ## License and Attribution This dataset contains images and metadata derived from publicly available YouTube content. - All rights to the original thumbnails belong to their respective creators. - This dataset does not claim ownership of any images. - Each sample includes a `video_id` which can be used to trace the original source: https://www.youtube.com/watch?v={video_id} This dataset is provided for research and educational purposes only. If you are a content owner and would like your data removed, please contact the dataset maintainer. ## Takedown Policy If you are a rights holder and wish to have content removed from this dataset, please contact the maintainer with the relevant `video_id`(s). The content will be removed. ## Dataset Card Contact For questions or issues, contact: - Discord: l3afai--- language: - 英语 tags: - YouTube - 缩略图 - 图像-文本 - 多模态（multimodal） - 文本到图像生成 - 图像到文本生成 - 图像字幕生成 - 弱监督学习 - 大规模 - 计算机视觉 - 自然语言处理 - 视觉语言 - CLIP训练 - 扩散模型 - 生成模型 - 图像生成 - 缩略图生成 - 社交媒体 - 内容创作 - 视觉设计 - 高对比度 - 人脸 - 表情 - 迷因图（memes） - 标题党内容 - 营销 - 广告 - 注意力建模 - 表征学习 - 嵌入 - 检索 - 搜索 - 排序 - 数据集构建 - 公开数据 - 自监督学习 - 弱标签 - 噪声标签 - 英语 - 已过滤 - 已去重 - 大型数据集 - 研究 - 实验用 - 开放数据 - 视觉 - 多模态学习 - 图像数据集 - 文本数据集 pretty_name: YouTube缩略图 task_categories: - 文本到图像生成 - 图像到文本生成 - 特征提取 size_categories: - 10万<样本数量<100万 license: 其他 --- # YouTube缩略图数据集 ## 数据集详情 ### 数据集描述 本数据集包含约164,000个YouTube缩略图及其对应的视频标题。 本数据集通过收集公开YouTube频道源、提取视频元数据、过滤并去重条目，以及大规模下载缩略图构建而成。 本数据集旨在支持以下方向的研究与实验： - 图像生成（如扩散模型） - 多模态学习（如CLIP类模型） - 缩略图生成与优化 - 图像-文本表征学习 --- - **数据整理者：** l3af（Discord账号：l3afai） - **语言：** 英语（通过语言检测完成过滤） - **许可协议：** 本数据集衍生自公开可用的YouTube数据，使用者需遵守YouTube服务条款。 --- ## 数据集来源 - **来源：** 公开YouTube RSS源（`videos.xml`） - **图像来源：** YouTube缩略图CDN（`i.ytimg.com`） - **元数据：** 视频标题与ID --- ## 使用场景 ### 直接使用 本数据集适用于： - 训练图像生成模型（尤其针对缩略图风格生成） - 训练多模态嵌入模型（如CLIP） - 研究社交媒体视觉模式 - 缩略图生成或排序系统 --- ### 超出适用范围的使用场景 本数据集不建议用于： - 高质量的字幕到图像生成（因视频标题并非描述性字幕） - 需要精确语义锚定的任务 - 敏感或安全关键型应用 --- ## 数据集结构 每条数据包含以下字段： - `video_id`（字符串）：YouTube视频标识符 - `title`（字符串）：视频标题 - `image`（图像）：缩略图图像 --- ## 数据集构建 ### 整理初衷 本数据集旨在提供大规模的真实世界图像-文本配对样本，其具备显著的视觉模式，尤其适用于研究： - 吸引注意力的设计 - 高对比度视觉构图 - 社交媒体美学 --- ### 源数据 #### 数据收集与处理流程 本数据集通过以下流程构建： 1. 收集约22,000个YouTube频道ID 2. 下载RSS源（`videos.xml`） 3. 提取视频元数据 4. 过滤处理： - 移除YouTube Shorts短视频内容 - 移除非英语标题（通过语言检测） 5. 对标题进行去重（精确匹配+模糊匹配） 6. 下载缩略图（尽可能获取最高分辨率版本） 7. 以多种格式构建数据集（Parquet + Hugging Face 数据集格式） --- #### 源数据生产者 源数据最初由覆盖娱乐、教育、游戏、新闻等多个领域的YouTube内容创作者生成。 --- ### 标注情况 本数据集未添加人工标注，仅包含： - 原始缩略图 - 原始视频标题 --- ### 个人与敏感信息 - 部分缩略图可能包含人脸或可识别的个人 - 标题与图像可能反映内容创作者的固有偏见 - 未故意收集任何额外个人数据 --- ## 数据可追溯性 每条数据均包含`video_id`字段，可唯一标识原始YouTube视频。 使用者可通过以下链接还原原始内容：https://www.youtube.com/watch?v={video_id} 这可实现： - 归因至原始创作者 - 验证数据来源 - 选择性过滤或移除数据 --- ## 偏差、风险与局限性 - 存在针对YouTube风格内容的显著偏差（如人脸、文本叠加、高对比度） - 标题通常存在以下问题：标题党、模糊不清、缺乏描述性 - 图像常包含嵌入文本（模型难以正确生成此类文本） - 数据分布可能无法反映真实世界的图像多样性 --- ### 建议 - 建议用于聚焦风格的任务，而非语义锚定任务 - 可考虑结合字幕数据集进行扩充，以提升文本对齐效果 - 若针对特定领域，可进一步进行过滤 --- ## 引用说明 若使用本数据集，请引用如下内容： l3afai. (2026). YouTube缩略图数据集. ## 数据集卡片作者 - l3af（Discord账号：l3afai） ## 许可与归属 本数据集包含从公开可用的YouTube内容衍生的图像与元数据。 - 原始缩略图的所有权利归其各自创作者所有。 - 本数据集不主张任何图像的所有权。 - 每条样本均包含`video_id`字段，可用于追溯原始来源：https://www.youtube.com/watch?v={video_id} 本数据集仅用于研究与教育目的。 若您是内容所有者并希望移除您的数据，请联系数据集维护者。 ## 下架政策 若您是权利持有人并希望从本数据集中移除相关内容，请携带相关`video_id`联系维护者，相关内容将被移除。 ## 数据集卡片联系方式 如有疑问或问题，请联系： - Discord：l3afai