近年来随着人工智能与数字人文领域的交叉融合不断深入，艺术风格智能识别、文博藏品数字化分类、艺术史大规模量化研究等应用需求持续攀升，但行业内长期缺乏标注维度丰富、样本覆盖全面的标准化艺术数据集，成为制约相关技术落地的核心瓶颈之一。作为全球数字人文研究领域的顶尖机构，丹麦奥胡斯大学人文计算中心（Center for Humanities Computing Aarhus）长期专注于用计算技术赋能文化遗产活化与人文学科研究，本次推出的wikiart_benchmarking数据集正是为填补这一行业空白打造的专项训练基准。
据公开信息显示，wikiart_benchmarking是一款覆盖画作图像与全维度结构化元数据的专业艺术数据集，总大小约为15.08GB，共包含33595个训练样本。每幅画作样本均附带三类核心标注信息：艺术家标签覆盖从鲍里斯·库斯托季耶夫到托马斯·庚斯博罗等横跨不同创作时期、不同创作流派的113位知名艺术家；流派标签包含抽象画、城市景观、人物画等10个主流画作品类；风格标签则覆盖抽象表现主义、新艺术运动、巴洛克等20种典型艺术风格。除此之外，数据集还额外提供原始索引、过滤后索引、各分类标签字符串表示等辅助字段，可大幅降低研究人员的数据预处理成本，支持直接调用开展相关训练任务。
从应用方向来看，该数据集可广泛适配多类艺术领域AI任务与产业落地场景：在学术研究层面，研究人员可基于该数据集开展艺术风格流变量化分析、艺术家创作脉络溯源、艺术作品真伪辅助鉴别等数字人文研究，突破传统艺术史研究的样本量限制；在文博产业层面，依托该数据集训练的AI模型可支撑海量馆藏艺术品的自动分类标注、智能导览识别等功能，大幅降低文博机构数字化运营的人工成本；在数字创意领域，该数据集可用于训练AI艺术创作的风格控制模型，提升生成作品的风格匹配度，也可为文创产品开发、艺术内容个性化推荐提供数据支撑。
作为艺术领域为数不多的公开标准化基准数据集，wikiart_benchmarking的发布不仅降低了AI艺术领域的研究门槛，也为文化类数据的规范化标注、开放共享提供了可参考的实践样本，对推动跨学科研究融合、助力文化数据要素价值释放、加快文化遗产数字化活化进程均有积极作用。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)