Spawning 发布 Public Domain 12M 数据集, 应用在 文本到图像生成、AI训练数据集 领域

Spawning 本次发布的数据集 Public Domain 12M, Public Domain 12M（PD12M）是由Spawning创建的大规模图像-文本数据集，包含1240万张高质量的公共领域及CC0许可图片，搭配合成字幕，旨在训练文本到图像的模型。该数据集是目前最大的公共领域图像-文本数据集，以其庞大的规模和明确的版权声明，为AI模型的训练提供了坚实的基础，同时最小化了版权担忧。PD12M的数据来源包括画廊、图书馆、档案馆、博物馆（GLAM）以及Wikimedia Commons等，通过精心筛选和治理，确保了数据的质量和安全性。数据集的构建过程涵盖了从图像收集、版权验证、图像下载、内容过滤到字幕生成等多个步骤。特别地，PD12M通过Source.Plus平台引入了社区驱动的数据治理机制，以支持数据集的持续改进和维护。该数据集不仅为AI领域提供了丰富的训练资源，也为负责任的AI实践提供了范例，促进了公共AI资源的保护和利用。

查看Public Domain 12M

Dataset card 内容： 

Files and versions 内容： 

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。