OevuAI Image Training Corpus
面向大模型视觉训练的人工标注图像–文本配对语料。标注体系采用双轨制：密集中文标签列表与结构化双语描述，题材覆盖城市场景、自然风光、人像肖像、商业静物与文字版式。
Overview
大模型的视觉能力取决于训练语料的标注密度与语义准确性。通用爬取语料规模大但噪声标注多、中文语义覆盖弱；本数据集以「小规模、高质量、强标注」为建库原则，优先保证每一组样本的标注密度、术语一致性与可审计性。
图像来源包括创建者实地采集（移动设备拍摄）与受控生成两类，均经人工筛选去重。每幅图像配备同名 .txt 标注文件，解压即可接入主流训练管线，无需额外格式转换。本页面公开 12 张分层抽样样本与全部统计；完整 79 组数据通过 Request access 发放。
Dataset statistics
| Field | Value |
|---|---|
| 79 pairs | 79 组图像–标注配对 |
| 79（28 PNG + 51 JPG） | 图像文件，同名 .txt 标注 79 份 |
| 12–70 tags / 图，均值 28.6 | 密集标签子集 n = 57 |
| 2 | 密集标签列表 57 组；结构化双语描述 22 组 |
| 1080×1440 – 4096×3072 | 6 档主要分辨率，详见 Distribution |
| 4:3 ×55 · 3:4 ×22 · 超宽 ×2 | 4:3 占 69.6%，3:4 占 27.8% |
| ≈ 298 MB | 原始分辨率交付，压缩包 297,379,369 bytes |
Annotation
100% Human annotated — manually annotated by the dataset creator
标注体系：双轨制
第一轨 · 密集标签列表（57 组）：以逗号分隔的中文标签序列刻画图像，覆盖主体对象、环境要素、布光手法、构图方式与质感描述五个层级。示例（真实标注节选）：
商务肖像照，男士人像摄影，棚拍人像，影棚拍摄，伦勃朗布光，伦勃朗光，三角光，专业人像灯光，单灯布光，主光侧前方45度，面部形成三角光区，立体感强，光影对比强烈，硬光质感，深灰渐变背景……
第二轨 · 结构化双语描述（22 组）：采用 text–label 字段结构。text 为中文自然语言长描述，完整叙述画面内容、光影关系与风格氛围；label 为对应的英文标签序列。示例（真实标注节选）：
text：室内餐厅场景，特写视角拍摄一碗牛肉面。碗为米白色陶瓷碗，边缘带黑色描边，置于深色木质餐桌上……
label：food photography, beef noodle soup, hand-pulled noodles, braised beef chunks, dark brown beef broth, ceramic bowl with black rim, wooden table, warm indoor lighting…
质量控制（如实说明）
本版本由数据集创建者单人标注，标注完成后由标注者本人进行一轮自查（语义准确性与格式一致性）。本版本未做跨标注者一致性检验，这是当前标注协议的已知边界，详见下方 Known limitations。
Known limitations
- 单标注者产出，标注偏好与主观判断未做跨标注者一致性检验。
- 题材分布有意向城市场景倾斜（53.2%），不构成全题材均衡语料。
- 英文标签仅存在于结构化双语子集（22 / 79）。
- 标注形式为标签与自然语言描述，不含 bounding box / mask / keypoint。
- 公开页面仅展示 12 张抽样样本；完整 79 组通过申请发放。
Examples
从六个题材类别分层抽取的 12 组公开样本。图像缩略至 1000 像素以内；标注文本为完整节选原文。使用左右方向键或按钮浏览。
Distribution
题材构成分布（n = 79）
标注格式构成（n = 79）
单图标签数量分布（n = 57）
画幅比例分布（n = 79）
| Resolution | Count |
|---|---|
| 25 | 4096×3072 横幅 |
| 18 | 3072×4096 竖幅 |
| 28 | 1448×1086 受控生成 |
| 8 | 3000×4000 ×2 · 1080×1440 ×2 · 2880×2160 · 4000×3000 · 1440×655 · 4080×1836 各 1 |
Data provenance
Version history
| Version | Date | Change |
|---|---|---|
| 1.0.0 | 2026-10-06 | 首次发布：79 组图像–标注配对，双轨标注，含 12 张公开抽样样本。 |
Access
本数据集面向科研机构、高校实验室与企业研发团队开放申请。许可证条款正在评审中（License under review）；申请通过后，通过专属渠道发放完整数据包及后续版本更新。使用本数据集发表成果时，请按以下格式引用：
OevuAI Large Model Laboratory. The OevuAI Image Training Corpus (Version 1.0.0) [DS/OL]. OevuAI, 2026.