Text-to-Image-2M 是一个高质量的文本-图像对数据集，专为微调文本转图像模型而设计。现有的公开数据集通常存在局限性（图像理解数据集、非正式收集或特定任务的数据集和大小限制）。为了解决这些问题，团队结合先进的文本转图像和字幕模型，对现有的高质量数据集进行了组合和增强，从而创建了 Text-to-Image-2M 数据集。

该数据集包含约 200 万条样本，分为 2 个核心子集：data_512_2M（200 万张 512×512 分辨率图像及标注）和 data_1024_10K（1 万张 1024×1024 高分辨率图像及标注），为不同精度需求的模型训练提供灵活选择。

数据组成：

• data_512_2M：
  • LLaVA-next 微调数据集（约 70 万样本，文本经 Qwen2-VL 重新生成以提升准确性）
  • LLaVA 预训练数据集（约 50 万样本，图像由 Flux-dev 模型生成，保留原始文本描述）
  • ProGamerGov 合成数据集（约 90 万样本，经中心裁剪和有效性过滤）
  • GPT-4o 生成数据集（10 万样本，文本由 GPT-4o 设计，图像由 Flux-dev 生成）
• data_1024_10K：
  • 包含 1 万张高分辨率图像，文本由 GPT-4o 生成，图像由 Flux-dev 模型渲染，聚焦细节丰富的复杂场景