SMK-image-text
收藏资源简介：
SMK图像-文本数据集（丹麦语/英语）来源于Statens Museum for Kunst（SMK）收藏API，包含39,353个带有配对图像和双语元数据的对象。数据集存储为2个Parquet分片，每个约3GB。支持丹麦语（da）和英语（en）字段。每条记录对应一个SMK收藏对象，包含原始图像字节、缩略图、基本图像统计信息（宽度/高度/大小、熵、对比度等）、丹麦语和英语的对象元数据（标题、对象名称、艺术家/创作者、生产日期、技术、材料、铭文、标签、文档参考等）以及权利信息（公共领域标志和每个对象的权利文本）。数据集适用于图像字幕生成、图像文本检索、元数据补全、博物馆收藏探索、多语言视觉语言建模等用途。
SMK Image-Text Dataset (Danish/English) is sourced from the Statens Museum for Kunst (SMK) Collection API, containing 39,353 objects with paired images and bilingual metadata. The dataset is stored as 2 Parquet shards, each approximately 3GB in size, and supports fields in both Danish (da) and English (en). Each record corresponds to an SMK collection object, including raw image bytes, thumbnails, basic image statistics (width, height, file size, entropy, contrast, etc.), bilingual object metadata in Danish and English (title, object name, artist/creator, production date, techniques, materials, inscriptions, tags, document references, etc.), as well as rights information (public domain mark and rights text for each individual object). This dataset is applicable to tasks such as image captioning, image-text retrieval, metadata completion, museum collection exploration, multilingual visual-language modeling, and other related use cases.
SMK Image-Text (Danish/English) 数据集概述
基本信息
- 数据集名称： SMK Image-Text (Danish/English)
- 发布平台： Hugging Face
- 维护者： Vladimir Salnikov (v4ldesalnikov@gmail.com)
- 许可证： other
- 语言： 丹麦语 (da)、英语 (en)
- 数据规模： 10K<n<100K
- 任务类别： 图像到文本 (image-to-text)、特征提取 (feature-extraction)
- 具体任务： 图像描述生成 (image-captioning)
数据来源与规模
- 来源： Statens Museum for Kunst (SMK) 收藏品 API。
- 记录数量： 39,353 个对象，每个对象包含配对的图像和双语元数据。
- 存储格式： 数据集在 Hub 上存储为 2 个 Parquet 分片 (
data/train-*.parquet)，每个约 3 GB。
数据结构与内容
每个数据行对应一个 SMK 收藏品对象，包含以下关键字段：
图像信息
image_bytes(binary): 完整分辨率的图像字节流，可使用datasets.Image()解码。- 缩略图及基本图像属性：
image_thumbnail(URL)、image_width、image_height、image_size、image_orientation、image_cropped、colors、suggested_bg_color、entropy、contrast、brightness、saturation、colortemp。
对象标识与基本信息
object_number、id、object_url、frontend_url、responsible_department。
日期与尺寸
acquisition_date、acquisition_date_precision。- 生产日期：
production_date_en/da(包含start、end、start_prec、end_prec、period字段的列表)。 - 尺寸：
dimensions(包含value、unit、part、type、notes、precision字段的列表)。
标题与名称
- 标题：
titles_en/da(包含language、title、type、notes、translation字段的列表)。 - 对象名称：
object_names_en/da(包含name、classification_notes字段的列表)。
创作者信息
- 艺术家：
artist_en/da(字符串列表)。 - 生产信息：
production_en/da(包含creator、creator_forename、creator_surname、creator_gender、creator_nationality、creator_role、creator_history、creator_lref、creator_qualifier、craftsman、出生/死亡日期、notes 等字段的列表)。
技术与材料
techniques_en/da、materials_en/da、medium_en/da。
上下文与文献
- 标签：
labels_en/da(包含date、source、text、type字段的列表)。 - 题字：
inscriptions_en/da(包含content、description、language、type、date、notes字段的列表)。 - 文献：
documentation_en/da(包含author、title、shelfmark、page_reference、year_of_publication、notes字段的列表)。 content_description_en/da、production_dates_notes_en/da。
权利信息
public_domain(布尔值) 和rights(字符串)。
预期用途
- 图像描述生成、图像文本检索、元数据补全、博物馆藏品探索、多模态视觉语言建模。
使用方式
python from datasets import load_dataset, Image
ds = load_dataset("V4ldeLund/SMK-image-text", split="train")
将图像字节流解码为 PIL 图像
ds = ds.cast_column("image_bytes", Image()) sample = ds[0] sample["image_bytes"].show()
示例：打印英文标题和生产信息
print(sample["titles_en"], sample["production_en"])
支持与联系
- 问题与讨论： 请在数据集的 Hugging Face 页面发起讨论：https://huggingface.co/datasets/V4ldeLund/SMK-image-text
