LAION发布大型开放视频数据集，含1000万小时素材供AI研究

LAION发布了Big Video Dataset（BVD），据称是面向AI研究的最大开放视频数据集之一。该数据集从CommonCrawl中发现的13亿个视频URL中筛选，实际下载了8000万个视频，总时长达到1000万小时。

团队进一步提取了5500万个带有自动生成的视频和音频描述的视频片段，以及3亿张静态图像。数据集中大部分视频来自YouTube，且以英语为主。

根据论文，基于BVD训练的模型在常见视频-文本基准上比基于InternVid训练的模型表现更好，最多高出2.1个百分点。训练过程将视频、音频和文本绑定，学习视觉内容与描述或声音的匹配关系。

需要注意的是，这一性能提升是论文中的声称，尚未经过独立验证。

LAION将数据集仅限研究用途发布。法律上，该组织可能依据2024年汉堡地区法院的一项裁决，该裁决允许其为非商业研究收集受版权保护的内容。

LAION要求用户尊重原始内容创作者的权利。数据集和代码均可免费获取。