Images De Préférences De Style Humain Ensemble De Données De Préférences De Génération D'images

L'ensemble de données Images des préférences de style humain est un ensemble de données annoté par l'homme pour évaluer les modèles de génération de texte en image. Il a été collecté par Rapidata en seulement 4 jours à l'aide de la technologie innovante d'annotation de données de la plateforme Rapidata via l'API Python Rapidata et publié en 2025. L'ensemble de données collecte des évaluations de cohérence humaine des modèles de génération d'images en montrant deux images et en demandant aux participants quelle image semble la moins étrange ou artificielle. Il contient plus de 1,2 million de votes de cohérence humaine qui ont été réalisés en moins de 100 heures, démontrant l'avantage de la plateforme Rapidata en termes de vitesse de collecte de données. L'ensemble de données présente une grande échelle, une représentativité mondiale, des invites diverses et une comparaison des principaux modèles. Cet ensemble de données est précieux pour évaluer les nouveaux modèles de génération d'images, développer de meilleures mesures d'évaluation pour les modèles de génération, comprendre les préférences mondiales pour les images générées par l'IA, former et affiner les modèles de génération d'images et étudier les préférences esthétiques interculturelles.

La construction de l’ensemble de données repose non seulement sur un vote humain à grande échelle, mais couvre également divers participants du monde entier, garantissant la représentativité géographique et culturelle des données. De plus, des invites soigneusement conçues ont été utilisées lors de la construction de l’ensemble de données pour tester différents aspects du modèle de génération d’images, garantissant l’exhaustivité et la profondeur de l’ensemble de données.

Cet ensemble de données convient à une variété de scénarios d'application, y compris, mais sans s'y limiter, l'analyse comparative de nouveaux modèles de génération d'images, le développement de mesures d'évaluation pour les modèles de génération, la compréhension des préférences pour les images générées par l'IA dans le monde entier, la formation et le réglage fin des modèles de génération d'images et l'étude des préférences esthétiques interculturelles.