机智：WIT（基于Wikipedia的图像文本）数据集是一个大型的多模式多语言数据集，包含超过1100万种独特的图像以及超过10...

WIT：基于维基百科的图像文本数据集 基于维基百科的图像文本（WIT）数据集是一个大型的多模式多语言数据集。 WIT由3,760万个实体丰富的图像文本示例的精选集组成，这些示例文本包含108种Wikipedia语言中的1,150万个唯一图像。 它的大小使WIT可以用作多模式机器学习模型的预训练数据集。 关键优势 WIT的一些独特优势： 按图像文本示例的数量最大的多模式数据集（撰写本文时）。 大规模的多语言（同类中的第一种），涵盖了100多种语言。 各种概念和现实世界实体的集合。 提出具有挑战性的真实世界的测试仪。 您可以从了解有关WIT数据集的更多信息。 WIT示例 维基百科页面 例如，让我们的Wikipedia页面。 Wikipedia页面，其中包含我们可以提取的内容的注释 在此页面上，我们重点介绍了可以提取的各种关键数据-图像，它们各自的文本片段以及一些上下文元数据。 通过