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

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

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。

Keevx

Keevx

AI数字人视频创作平台

Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。

即梦AI

即梦AI

一站式AI创作平台

提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作

扣子-AI办公

扣子-AI办公

AI办公助手,复杂任务高效处理

AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!

蛙蛙写作

蛙蛙写作

AI小说写作助手,一站式润色、改写、扩写

蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。

AI辅助写作AI工具蛙蛙写作AI写作工具学术助手办公助手营销助手AI助手
问小白

问小白

全能AI智能助手,随时解答生活与工作的多样问题

问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。

热门AI助手AI对话AI工具聊天机器人
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。

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
下拉加载更多