项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-08-09 · 当前星标 ★ 62
核心亮点
- 提供完整的图像数据采集与许可过滤流程，降低版权风险
- 与 flow-matching 等生成框架集成，便于直接用于模型训练
- 使用 JIT 优化数据处理，适合大规模语料构建
不足之处
- 文档/社区待观察
- 项目处于早期，功能可能不完整
适用场景
- 研究者构建大规模文本到图像训练数据集
- 企业需要合规图像数据用于商业模型开发
- 开发者希望快速获取高质量图像语料进行生成模型微调
替代项目
LAION-5B、DataComp、Common Crawl
下一篇：paper-list
同类项目推荐
argilla
开源
让领域专家轻松标注数据，快速构建高质量 LLM 数据集
Argilla is a collaboration tool for AI engineers and domain experts to build high-qu···
Craw4LLM
开源
让爬虫懂LLM需求，抓取即训练语料
Official repository for "Craw4LLM: Efficient Web Crawling for LLM Pretraining"
dataset-viewer
开源
不下载数据集，网页直接看样本和统计
Backend that powers the dataset viewer on Hugging Face dataset pages through a publi···
dolma
开源
一键构建和质检大模型预训练数据，让数据可复现。
Data and tools for generating and inspecting OLMo pre-training data.
TTSizer
开源
上传音视频，自动生成按说话人分好的TTS训练数据集
️ Automatically transcribe audio/video into high-quality, speaker-specific Text-To-···
system-prompts-and-models-of-ai-···
开源
扒开主流 AI 工具的提示词底牌，直接抄作业
FULL Augment Code, Claude Code, Cluely, CodeBuddy, Comet, Cursor, Devin AI, Junie, K···
Koala-36M
开源
用3600万配对视频，让AI生成更听话的视频
Official implementation of the paper "Koala-36M: A Large-scale Video Dataset Improvi···
open-speech-corpora
开源
找语音数据集？一个清单搞定ASR/TTS等语料库导航
A list of accessible speech corpora for ASR, TTS, and other Speech Technologies
Bastet
开源
用 AI 数据集和自动化流程，精准揪出 DeFi 合约漏洞
Bastet is a comprehensive dataset of common smart contract vulnerabilities in DeFi a···