CC12M Image-text Pairs 数据集

CC12M (Conceptual 12M) 是一个图像文本对的数据集，专门用于视觉和语言预训练。数据集包含 1200 万个图像文本对。与 CC3M 相比，对于 multiple downstream task 该数据集在长尾视觉识别方面表现更佳。