Fondant CC 25M

Un vaste dataset de 25 millions d’URLs d’images extraites du web, avec informations de licence Creative Commons, idéal pour créer ou affiner des modèles de génération et vision par ordinateur.

Télécharger le dataset

Taille

25M images (via URLs), métadonnées JSON, liens + licence

Licence

Creative Commons (images individuelles sous licences CC)

Description

‍

Fondant CC 25M est un dataset open-source massif contenant 25 millions d’URLs d’images collectées à partir du web via Common Crawl. Chaque lien est associé à une licence Creative Commons, garantissant la réutilisabilité des contenus. Ce dataset a été construit avec le framework Fondant, permettant une reproductibilité efficace pour les pipelines à grande échelle.

‍

À quoi sert ce dataset ?

‍

Préparer des datasets visuels libres de droits pour l’entraînement de modèles
Évaluer des modèles de génération ou de recherche d’images en conditions réelles
Créer des corpus thématiques d’images (via filtrage de domaine, type, etc.)

‍

Peut-on l’enrichir ou l’améliorer ?

‍

Oui. Ce dataset est une base brute que l’on peut filtrer, trier et enrichir par classification, clustering ou validation humaine. Il est aussi possible d’y associer des vecteurs d’images ou métadonnées additionnelles (catégories, couleurs, source...).

‍

🔎 En résumé

Critère	Évaluation
🧩 Facilité d’utilisation	⭐⭐✩✩✩ (Requiert un traitement initial - téléchargement, filtrage)
🧼 Besoin de nettoyage	⭐⭐✩✩✩ (Élevé – les liens peuvent être brisés ou obsolètes)
🏷️ Richesse des annotations	⭐⭐✩✩✩ (Limité – uniquement URL + licence)
📜 Licence commerciale	⚠️ Oui (selon la licence CC de chaque image)
👨‍💻 Idéal pour les débutants	⚠️ Non – nécessite des outils d’automatisation
🔁 Réutilisable en fine-tuning	✅ Oui, après filtrage et traitement
🌍 Diversité culturelle	🌐 Élevée – contenu web global et varié