懂AI
OmniCorpus

OmniCorpus

百亿级图文交错数据集推动多模态AI研究新高度

OmniCorpus是一个大规模多模态数据集，包含86亿张图像和1,696亿个文本标记。该数据集提供中英双语内容，涵盖从网站和视频平台提取的文本和视觉文档，具有高度的数据多样性和灵活性。与之前最大的数据集LAION-5B相比，OmniCorpus在图像和文本规模上分别大1.7倍和12.5倍，同时保持了优秀的数据质量。研究表明，基于此数据集训练的模型在图像描述和视觉问答等任务中表现出色。OmniCorpus采用流式数据格式，可适应多种数据结构，包括纯文本语料库、图文对和交错数据格式。这一特性使其在自然语言处理、计算机视觉和多模态AI等领域的研究和应用中具有广泛潜力。

OmniCorpus多模态数据集图像文本交错数据处理管道大规模数据Github开源项目
访问官网GitHub论文

OmniCorpus

[论文] [OmniCorpus-YT] [OmniCorpus-CC-600M] [OmniCorpus-CC-200M] [OmniCorpus-CC-8M]

新闻🚀🚀🚀

  • 2024/06/13: 🚀我们推出了OmniCorpus，一个100亿级的图像-文本交错数据集。该数据集包含86亿张图像、1.696万亿个文本标记和22亿个文档！

计划

  • 发布OmniCorpus-YT

  • 发布OmniCorpus-CC-600M

  • 发布OmniCorpus-CC-200M

  • 发布OmniCorpus-CC-8M

简介

OmniCorpus数据集是迄今为止最大的多模态数据集，它通过包含86亿张来自多样化来源的图像与1,696个文本标记交错，显著超越了以往的数据集，推动了规模和多样性的边界。 与其他数据集相比，该数据集展现了几个优势：

  1. 更大的数据规模: 与之前最大的多模态数据集LAION-5B相比，我们的数据集在图像数量上是其1.7倍，在文本数量上是其12.5倍，同时保持了出色的数据质量。

  2. 更丰富的数据多样性: 我们的数据集源自更广泛的数据来源，比其他图像-文本交错数据集更加多样化。它包括中英双语多模态数据，涵盖了从常见网站和视频平台提取的以文本为中心和以视觉为中心的文档。

  3. 更灵活的格式: 我们数据集的流式数据格式提供了卓越的灵活性，可以适应各种数据结构，包括纯文本语料库、图像-文本对和交错数据格式。

<图片>

一些示例：

<图片>

<图片>

<图片>

数据处理流程

我们的数据处理流程包括五个关键阶段：主体提取、初步文本过滤、文档去重、图像下载和过滤以及详细文本过滤。每个阶段都有效地减少了数据集，仅保留高质量数据。 有关数据处理流程的更多详细信息，请参阅我们的论文。

<图片>

实验结果

我们进行了一系列实验来评估OmniCorpus的有效性。如下表所示，在我们的数据集上训练的模型在学术图像描述和视觉问答基准测试中表现出优异的性能。 更多实验结果请参阅我们的论文。

<图片>

编辑推荐精选

博思AIPPT

博思AIPPT

AI一键生成PPT，就用博思AIPPT！

博思AIPPT，新一代的AI生成PPT平台，支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等，内置海量精美PPT模板，涵盖商务、教育、科技等不同风格，同时针对每个页面提供多种版式，一键自适应切换，完美适配各种办公场景。

AI办公办公工具AI工具博思AIPPTAI生成PPT智能排版海量精品模板AI创作热门
潮际好麦

潮际好麦

AI赋能电商视觉革命，一站式智能商拍平台

潮际好麦深耕服装行业，是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌，以及国内10万+淘宝、天猫、京东等主流平台的品牌商家，为卖家节省将近85%的出图成本，提升约3倍出图效率，让品牌能够快速上架。

iTerms

iTerms

企业专属的AI法律顾问

iTerms是法大大集团旗下法律子品牌，基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构，帮助企业扫清合规障碍，筑牢风控防线，成为您企业专属的AI法律顾问。

SimilarWeb流量提升

SimilarWeb流量提升

稳定高效的流量提升解决方案，助力品牌曝光

稳定高效的流量提升解决方案，助力品牌曝光

Sora2视频免费生成

Sora2视频免费生成

最新版Sora2模型免费使用，一键生成无水印视频

最新版Sora2模型免费使用，一键生成无水印视频

Transly

Transly

实时语音翻译/同声传译工具

Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手，它拥有超精准的音频识别翻译能力，几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球，无论你是留学生、商务人士、韩剧美剧爱好者，还是出国游玩、多国会议、跨国追星等等，都可以满足你所有需要同传的场景需求，线上线下通用，扫除语言障碍，让全世界的语言交流不再有国界。

讯飞绘文

讯飞绘文

选题、配图、成文，一站式创作，让内容运营更高效

讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
TRAE编程

TRAE编程

AI辅助编程，代码自动修复

Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
商汤小浣熊

商汤小浣熊

最强AI数据分析助手

小浣熊家族Raccoon，您的AI智能助手，致力于通过先进的人工智能技术，为用户提供高效、便捷的智能服务。无论是日常咨询还是专业问题解答，小浣熊都能以快速、准确的响应满足您的需求，让您的生活更加智能便捷。

imini AI

imini AI

像人一样思考的AI智能体

imini 是一款超级AI智能体，能根据人类指令，自主思考、自主完成、并且交付结果的AI智能体。

下拉加载更多