Fondant CC 25M
Un amplio conjunto de datos de 25 millones de URL de imágenes extraídas de la web, con información de licencias de Creative Commons, ideal para crear o perfeccionar modelos de generación y visión por computadora.
25 millones de imágenes (a través de URL), metadatos JSON, enlaces y licencia
Creative Commons (imágenes individuales bajo licencias CC)
Descripción
Fondant CC 25M es un enorme conjunto de datos de código abierto que contiene 25 millones de URL de imágenes recopiladas de la web mediante Common Crawl. Cada enlace está asociado a una licencia Creative Commons, lo que garantiza la reutilización del contenido. Este conjunto de datos se creó con el marco de Fondant, lo que permite una reproducibilidad eficiente para canalizaciones a gran escala.
¿Para qué sirve este conjunto de datos?
- Preparación de conjuntos de datos visuales libres de regalías para el entrenamiento de modelos
- Evalúe modelos para generar o buscar imágenes en condiciones reales
- Crear corpus de imágenes temáticas (mediante filtrado de dominios, tipos, etc.)
¿Se puede enriquecer o mejorar?
Sí. Este conjunto de datos es una base de datos sin procesar que se puede filtrar, ordenar y enriquecer mediante clasificación, agrupamiento o validación humana. También es posible asociar vectores o metadatos de imágenes adicionales (categorías, colores, fuente...).
🔎 En resumen
🧠 Recomendado para
- Proyectos de generación de imágenes
- Rastreo personalizado
- Constitución de conjuntos de datos gratuitos
🔧 Herramientas compatibles
- Fondant
- DuckDB
- FastDownload
- Datasets Hugging Face
- PyTorch
💡 Consejo
Filtre las imágenes por dominio (gov, edu, org) para mejorar la confiabilidad y la diversidad cultural.
Preguntas frecuentes
¿Este conjunto de datos contiene las imágenes en sí?
No, solo contiene URL de imágenes disponibles públicamente, con su licencia. Tienes que descargarlas tú mismo.
¿Se puede usar para un proyecto comercial?
Sí, siempre y cuando cada imagen cumpla con la licencia CC asociada. Se recomienda filtrar por tipo de licencia.
¿Es posible filtrar el conjunto de datos antes de usarlo?
Sí, el conjunto de datos es compatible con herramientas como Fondant o Pandas para ordenar por dominio, tipo de imagen, idioma, etc.
