LLaVA-OneVision-Data 数据集简介

该数据集由 lmms-lab 发布，旨在为多模态大语言模型（特别是 LLaVA 系列模型）提供大规模、高质量的视觉-语言对齐训练数据。

主要用途

• 多模态模型训练：用于训练或微调能够理解和生成与图像相关文本的视觉-语言模型。
• 指令跟随数据：包含丰富的“图像-指令-回答”格式数据，有助于提升模型遵循复杂视觉指令的能力。

数据类型与模态

• 核心模态：图像 (image) 与文本 (text)。
• 数据格式：数据以 Parquet 格式存储，便于高效处理与分析。

规模与统计

• 数据量：包含超过 393 万条 样本，规模庞大。
• 受欢迎程度：下载量超过 1.4 万次，获得 227 次点赞，显示出较高的社区关注度和实用性。

使用场景

适用于研究人员和开发者进行：
* 视觉语言模型的预训练或指令微调。
* 构建能够进行细粒度图像理解、视觉问答、图像描述等任务的人工智能系统。