高质量视频描述数据（1016722组）

1,016,722组高质量视频描述数据，包含1,016,722段视频和对应的中英文描述文档。视频涵盖风景、建筑、人物、植物、动物、虚拟渲染、食物、物品、航拍、延时摄影、慢动作摄影、特写摄影等多种类型，分辨率均不低于1920x1080，时长均不低于5s。中文描述长度不少于50个字，英文描述长度不少于22个词。该数据可用于视觉大模型、视频生成、视频描述等任务的训练。

搜集汇总

背景与挑战

背景概述

该数据集包含约1016722组高质量的视频描述数据，旨在为视频理解、内容检索和机器学习模型训练提供丰富的标注资源。数据集注重描述的质量和准确性，可支持多种视频相关的人工智能应用场景。