lmms-lab/LLaVA-ReCap-CC3M_v2

该数据集包含图像和对话数据，每个样本包括一个唯一的ID、一张图像、一段对话（包含对话来源和内容）以及数据来源信息。数据集主要用于训练，包含2,857,560个样本，总大小为140,114,674,203字节。

This dataset contains image and conversation data, with each sample including a unique ID, an image, a conversation (containing the source and content of the conversation), and data source information. The dataset is primarily used for training, containing 2,857,560 samples with a total size of 140,114,674,203 bytes.

搜集汇总

背景与挑战

背景概述

该数据集是一个大规模视觉语言数据集，包含约286万条图像-文本对话对，用于训练多模态模型。数据以parquet格式存储，每个样本包括一张图像和一段由人类提问（以'<image>'占位）与AI生成描述组成的对话，旨在增强模型对图像内容的理解和描述能力。数据集属于LLaVA项目的一部分，已被用于多个视觉语言模型的微调和训练。