首个大规模图文多模态数据集LAION-400M介绍

前言

openAI的图文多模态模型CLIP证明了图文多模态在多个领域都具有着巨大潜力，随之而来掀起了一股图文对比学习的风潮。

就在前几天（2022年12月），连Kaiming都入手这一领域，将MAE的思路与CLIP的思路结合，推出了FLIP，有兴趣可戳（https://arxiv.org/abs/2212.00794）。对于迷茫的CV研究生，如果你找不到研究方向，just follow Kaiming绝对不会出错。

---

LAION

今天要介绍的是一个优秀的图文多模态数据集LAION，跟CLIP原始训练数据集就有相当体量，即400个million。

我第一次接触OpenAI的CLIP工作的时候，完全被其zero-shot能力所震惊。不过这么优秀的工作，有两个让followers抱微词之处：1. 该工作并未开源数据集；2. 该工作未开源训练代码（只是在论文中以伪代码的形式给出）。

而CLIP做得不够的地方，由LAION团队补全了。LAION-400M下载原图和文本对的话，大概有10T左右，所以想用这个数据集的朋友可以大概掂量一下。

闲话不多说，给出项目链接和论文链接：
项目链接：htttps://laion.ai/blog/laion-400-open-dataset/
论文标题：LAION-400M: Open Dataset of CLIP-Filtered 400 Million Image-Text Pairs
论文链接：https://arxiv.org/abs/2111.02114

多模态语言-视觉模型通常是数亿个图文对（image-text pair）上训练出来的，比如CLIP、DALL-E。对于绝大部分研究者而言，要收集这样一个级别的数据集还是有相当难度的。这也是LAION团队收集并开源LAION-400M的原因。而且LAION-400M是用CLIP进行过滤的，所以理论上这个数据集质量会高于CLIP团队所用的400million的数据。

LAION-400M不仅给了这么大数量的图文对，还用CLIP把数据都推理了一遍，并且保存了embedding和kNN索引，咱们可以对这个大数据集高效索引。

索引网站：https://rom1504.github.io/clip-retrieval/

因为所有的图片都保存了embedding，所以当你输入文本的时候，能够迅速算出similarity，从而实现实时retrieval的效果。以下就是我输入的结果：

数据集overview

• 400 million pairs of image URL and the corresponding metadata
• 400 million pairs of CLIP image embedding and the corresponding text
• Several sets of kNN indices that enable quick search in the dataset
• img2dataset library that enables efficient crawling and processing of hundreds of millions of images and their metadata from a list of URLs with minimal resources
• Web demo of image-text search on LAION-400M。

LAION-400M的概述如上。4亿个图片-文本对，并且附带4亿个URL和4亿个图片嵌入表示。一些kNN索引来支持快速搜索，以及一个数据处理库。

LAION-400M在收集数据时，做了一些过滤设定：

1. 将文本短于5个字母或者图像小于5kb的图文对丢弃；
2. 去重操作；
3. 用CLIP计算图文相似性，抛弃掉相似性低于0.3的图文对；（重要）
4. 筛除一些不合法的图文对，比如adult/violence/insulting等等。（love and peace化）

PS: 我在做实验的过程中，发现第三点尤为重要，之前团队收集过400M的某专用领域数据，一直训不到好结果。但用similarity 0.3过滤以后，哪怕数据量只有之前的1/10，训练效果却能达到非常好。

最后看一下数据size的分布：

实验结果

作者用DALL-E做了实验，基于LAION-400M可以有很好的收敛效果。后续作者还在CLIP上做了实验，虽然没有公布在这篇论文里，但开源了代码，感兴趣的可以去github搜索open-CLIP，在ImageNet上的zero-shot效果比原声CLIP强一点。