12P by xguru 2021-09-15 | favorite | 댓글과 토론

- 무료로 공개된 것 중 세계에서 제일 큰 이미지 데이터 셋
ㅤ→ 2014~2021년간의 웹 페이지 크롤링 데이터를 덤프
- 모든 이미지/텍스트는 OpenAI의 CLIP으로 필터링 완료
ㅤ→ 이미지/텍스트간 유사도 0.3 이하를 걸러낸 뒤 수작업 검증
- 데이터셋 구조
ㅤ→ 50GB URL+캡션 메타데이터 Parquet 파일
ㅤ→ 10TB 풀버전 웹데이터셋 256x256 이미지/캡션/메타데이터로 바로 학습에 사용 가능
ㅤ→ 1TB 400M개의 텍스트/이미지 클립 임베딩. KNN indices 리빌드에 유용
ㅤ→ 데이터셋 검색을 쉽게 해주는 2개의 4GB KNN indices

SAMPLE_ID | URL | TEXT | LICENSE | NSFW | similarity | WIDTH | HEIGHT