nicolollo/docci

该数据集包含图像文件、描述和提示三个主要特征。数据集分为训练集、测试集和开发集三个部分，分别包含9647、5000和100个样本。数据集的下载大小为7588503996字节，数据集总大小为7586062433.727字节。

The dataset contains three main features: image_file, description, and prompt. The dataset is divided into three parts: train, test, and qual_dev, containing 9647, 5000, and 100 samples respectively. The download size of the dataset is 7588503996 bytes, and the total dataset size is 7586062433.727 bytes.

原始信息汇总

数据集概述

特征

• image_file: 图像文件，数据类型为图像。
• description: 描述信息，数据类型为字符串。
• prompt: 提示信息，数据类型为字符串。

数据分割

• train: 训练集，包含9647个样本，大小为4957948923.727字节。
• test: 测试集，包含5000个样本，大小为2580142366.0字节。
• qual_dev: 质量开发集，包含100个样本，大小为47971144.0字节。

数据集大小

• 下载大小: 7588503996字节
• 数据集大小: 7586062433.727字节

配置

• default: 默认配置，包含以下数据文件路径：
  • train: data/train-*
  • test: data/test-*
  • qual_dev: data/qual_dev-*

搜集汇总

背景与挑战

背景概述

该数据集是一个多模态图像描述数据集，包含约1.47万条记录，以Parquet格式存储，总大小7.59 GB。数据分为训练、测试和验证集，每条记录包括图像文件和基于提示生成的详细文本描述，涵盖动物、物体、场景等多种主题，适用于图像到文本的生成和识别任务。