Datasets:
image imagewidth (px) 169 300 | image_url stringlengths 57 609 | embedding sequence | metadata_url stringlengths 45 596 | original_height int32 100 18k ⌀ | original_width int32 100 30k ⌀ | mime_type stringclasses 5 values | caption_attribution_description stringlengths 0 1.71k ⌀ | page_url stringlengths 31 169 | attribution_passes_lang_id bool 1 class | caption_alt_text_description stringlengths 1 580 ⌀ | caption_reference_description stringlengths 1 1.35k ⌀ | caption_title_and_reference_description stringlengths 9 588 ⌀ | context_page_description stringlengths 1 1.21k ⌀ | context_section_description stringlengths 1 4.1k ⌀ | hierarchical_section_title stringlengths 1 232 | is_main_image bool 1 class | page_changed_recently bool 1 class | page_title stringlengths 1 104 | section_title stringlengths 1 105 ⌀ |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
[
2.8568285,
2.9562542,
0.33794892,
8.753725,
0,
5.7761865,
4.792978,
4.006386,
11.407259,
5.576061,
0.0137838125,
6.282275,
0.8380151,
3.5361722,
3.262975,
7.936682,
1.5351787,
5.0344815,
2.531838,
6.2447214,
7.163171,
0.2139827,
3.388735,
3.493624,
9.862684,
1.30560... | http://commons.wikimedia.org/wiki/File:Bispen_-_inside.jpg | 3,161 | 2,316 | image/jpeg | Kulturhuset Bispen set indefra. Biblioteket er til venstre | https://da.wikipedia.org/wiki/Bispen | true | null | Bispen set indefra fra 1. sal, hvor det centrale rum ses tydeligt. Biblioteket ligger til venstre og modsat synsretningen er caféen. | Bispen [SEP] Bispen set indefra fra 1. sal, hvor det centrale rum ses tydeligt. Biblioteket ligger til venstre og modsat synsretningen er caféen. | Bispen er navnet på det offentlige kulturhus i Haderslev, der rummer Haderslev Bibliotek, men også Månen, Bispens Café, Aktivitetshuset og Historisk arkiv for Haderslev Kommune. | Bispen er navnet på det offentlige kulturhus i Haderslev, der rummer Haderslev Bibliotek, men også Månen, Bispens Café, Aktivitetshuset og Historisk arkiv for Haderslev Kommune. | Bispen | true | true | Bispen | null | ||
[
6.5423417,
13.4795,
1.8538148,
2.4896317,
16.99029,
6.3671064,
2.3082342,
5.8572216,
0.65760744,
0.7036991,
3.5257754,
7.359767,
20.070583,
7.891956,
5.7710953,
7.401524,
1.4824063,
14.0577545,
3.451032,
3.873692,
15.985147,
6.453477,
1.5558933,
3.2761796,
2.4967034,
... | http://commons.wikimedia.org/wiki/File:Gray190.png | 600 | 582 | image/png | null | https://da.wikipedia.org/wiki/Kranium | true | null | null | Kranium [SEP] | Et kranium er hvirveldyrs benede struktur, som er hovedets skeletdel. Kraniets formål er at beskytte hjernen og fungere som en naturlig hjelm og støtte ansigtet. Herudover fungerer kraniet også som hæfte for muskler, der er involveret i tygge- og hovedbevægelser. | null | Kranium / Suplerende billeder | true | true | Kranium | Suplerende billeder | ||
http://upload.wikimedia.org/wikipedia/commons/a/ab/Somniosus_microcephalus_distmap.png | [
1.6240436,
4.386991,
0,
1.8451602,
2.4617462,
5.684384,
3.39163,
0,
0.61437094,
1.090697,
0,
10.568953,
2.519149,
0,
16.294535,
0,
5.206069,
8.465041,
1.2533431,
0.09231973,
0.36127782,
1.7499582,
3.8197992,
0.4014256,
14.028247,
0,
6.429345,
0,
0.87131214,
... | http://commons.wikimedia.org/wiki/File:Somniosus_microcephalus_distmap.png | 628 | 1,357 | image/png | null | https://da.wikipedia.org/wiki/Gr%C3%B8nlandshaj | true | Grønlandshajs udbredelse | Grønlandshajs udbredelse | Grønlandshaj [SEP] Grønlandshajs udbredelse | Grønlandshaj er også kendt under navnet havkal eller havkarl. På engelsk kaldes den bl.a. for sleeper shark pga. sit ry for at optræde særdeles sløvt og bevæge sig langsommeligt; maksimal hastighed anslås til 2,7 kilometer i timen. Inuitterne kalder den eqalussuaq. | "Grønlandshaj (Somniosus microcephalus - hvor somniosus er latin for ""søvnig"" - navnet kan oversættes til ""Søvngænger med en lillebitte hjerne"" under henvisning til dens langsomhed og ry for at være en dum fisk, der er let at fange og vikler sig selv ind i langliner ) er også kendt under navnet havkal eller havkarl. På engelsk kaldes den bl.a. for sleeper shark pga. sit ry for at optræde særdeles sløvt og bevæge sig langsommeligt; maksimal hastighed anslås til 2,7 kilometer i timen. Inuitterne kalder den eqalussuaq." | Grønlandshaj | true | true | Grønlandshaj | null | |
[
0.7257668,
5.377813,
1.6387578,
9.813826,
1.4900922,
6.4969835,
8.109295,
0.57506156,
6.9790554,
11.702819,
6.4943743,
1.5619093,
3.6064513,
1.6286172,
8.132597,
3.6010466,
0.18093216,
14.178433,
2.1405644,
7.440651,
0.35239244,
1.1556787,
0.9101659,
0.7600107,
11.564... | http://commons.wikimedia.org/wiki/File:Kielgade_04.jpg | 1,852 | 2,510 | image/jpeg | null | https://da.wikipedia.org/wiki/Kielgade | true | null | Kielgade set fra Sassnitzgade i august 2016. | Kielgade [SEP] Kielgade set fra Sassnitzgade i august 2016. | Kielgade er en gade i Århusgadekvarteret i Nordhavnen i København, der ligger mellem Rostockgade og Sassnitzgade. Gaden er opkaldt efter den tyske havneby Kiel. | Kielgade er en gade i Århusgadekvarteret i Nordhavnen i København, der ligger mellem Rostockgade og Sassnitzgade. Gaden er opkaldt efter den tyske havneby Kiel. | Kielgade | true | true | Kielgade | null | ||
[
0.25828087,
2.4625835,
7.058106,
3.562521,
0.50902426,
4.09229,
4.6359453,
0.87845206,
9.335072,
5.75161,
0.20427501,
2.3546927,
1.1508238,
0.6349187,
1.6033802,
7.871209,
1.1814828,
8.013809,
2.6990116,
15.614841,
2.5647726,
1.7575555,
7.25949,
0,
0,
0.6543548,
4... | http://commons.wikimedia.org/wiki/File:Old_train_in_Ny_Alesund.JPG | 1,488 | 1,984 | image/jpeg | null | https://da.wikipedia.org/wiki/Svalbard | true | null | Kings Bay-anlægget i Ny-Ålesund havde verdens nordligste jernbane | null | Svalbard er en norsk øgruppe i Nordishavet og omfatter alle øer, holme og skær mellem 74 og 81 grader nordlig bredde og mellem 10 og 35 grader østlig længde. Det samlede areal er på ca. 62.050 km², og de største øer er Spitsbergen, Nordøstlandet, Edgeøen og længst mod syd Bjørneøen. På Kræmerpynten på Kvitøya nordøst for Nordøstlandet, ligger det østligste punkt i Kongeriget Norge. | null | Svalbard / Historie / Efter 1945 | true | true | Svalbard | Efter 1945 | ||
[
0.35967898,
1.2397153,
1.9398304,
6.7219834,
0,
4.863077,
14.130719,
41.59624,
3.7955172,
6.967332,
3.8856907,
7.8632975,
3.0191183,
1.7760766,
3.0419734,
3.6274722,
0,
1.2382526,
1.9871507,
6.4243016,
0.824239,
6.5171227,
0.82264495,
4.0551476,
7.0148506,
1.7130108... | http://commons.wikimedia.org/wiki/File:Artur_Partyka_2013.jpg | 2,000 | 1,500 | image/jpeg | null | https://da.wikipedia.org/wiki/Artur_Partyka | true | null | null | null | Artur Jerzy Partyka er en polsk tidligere højdespringer. Han vandt tolv polske mesterskaber i træk, og internationalt vandt han to OL-medaljer: Bronze i 1992 i Barcelona og sølv i 1996 i Atlanta. Han vandt endvidere tre VM-medaljer: Sølv i 1993 i Stuttgart, bronze i 1995 i Göteborg samt sølv i 1997 i Athen. | null | Artur Partyka | true | true | Artur Partyka | null | ||
[
1.3142534,
1.4653313,
3.9615445,
0,
1.5678996,
0.24707174,
1.0751368,
1.6974552,
2.0684686,
1.364269,
0,
2.0386548,
1.2486022,
0,
0.5644884,
1.8297286,
1.6611956,
0,
0,
2.213149,
6.9206734,
8.096519,
0,
0,
0.7686572,
3.1740565,
7.164528,
0,
2.5800998,
2.2427... | http://commons.wikimedia.org/wiki/File:Christian_Zacho_-_Skovparti_med_et_%C3%A5l%C3%B8b_%281886%29.jpg | 1,762 | 2,715 | image/jpeg | null | https://da.wikipedia.org/wiki/Christian_Zacho | true | null | Christian Zacho, Skovparti med et åløb, (1886) | null | Peter Mørch Christian Zacho var en dansk landskabsmaler. | null | Christian Zacho | true | true | Christian Zacho | null | ||
[
0.8090396,
2.0640006,
0,
0,
2.9563322,
0,
1.9917775,
0.12410271,
0,
0,
2.0145502,
7.7424207,
0,
1.6659911,
2.3745136,
5.7023387,
8.7178545,
0,
0,
0,
0.623286,
4.0758986,
4.191662,
4.1081862,
3.7141414,
0,
10.175129,
0,
0,
2.009636,
3.0658925,
12.150375,
... | http://commons.wikimedia.org/wiki/File:Hochferner_Hochfeiler_Wei%C3%9Fzint_070707.jpg | 995 | 1,800 | image/jpeg | null | https://da.wikipedia.org/wiki/Hochfeiler | true | null | null | Hochfeiler [SEP] | Hochfeiler er det højeste bjerg i Zillertal Alperne beliggende på grænsen mellem delstaten Tyrol i Østrig, og Sydtyrol i Italien. | Hochfeiler (Italiensk: Gran Pilastro) er det højeste bjerg i Zillertal Alperne beliggende på grænsen mellem delstaten Tyrol i Østrig , og Sydtyrol i Italien. | Hochfeiler | true | true | Hochfeiler | null | ||
[
10.310066,
16.184893,
0.5045606,
11.806988,
8.7001705,
10.343046,
9.729134,
12.1114025,
13.500429,
1.323118,
8.00039,
8.079276,
6.470956,
2.8096938,
4.3016853,
0,
2.3325667,
12.6143055,
1.6642692,
2.6156802,
2.9122782,
1.7776587,
1.664783,
6.314929,
5.6403823,
0.291... | http://commons.wikimedia.org/wiki/File:Henry_Rollins_2.jpg | 406 | 593 | image/jpeg | null | https://da.wikipedia.org/wiki/Rollins_Band | true | null | Henry Rollins, grundlægger og forsanger, og Chris Haskett i baggrunden | null | Rollins band var et amerikansk rockband ledet af sangeren Henry Rollins. | null | Rollins Band | true | true | Rollins Band | null | ||
http://upload.wikimedia.org/wikipedia/commons/b/b6/QuercusRobur_ZasiegGatunku01.png | [
0.13746,
6.3691545,
1.7268976,
1.5475006,
0.53005695,
1.2070954,
2.7209716,
0,
3.6573179,
1.5196176,
0,
2.5910635,
0.45850968,
3.8012292,
17.81907,
0,
1.628706,
1.392026,
2.2410703,
0,
0.22677469,
5.7704983,
0.8296106,
0,
12.335176,
0,
11.740555,
4.765131,
2.7... | http://commons.wikimedia.org/wiki/File:QuercusRobur_ZasiegGatunku01.png | 1,290 | 1,879 | image/png | null | https://da.wikipedia.org/wiki/Stilk-eg | true | Stilkegs naturlige udbredelse. | null | Stilk-eg [SEP] | Stilkeg, Stilk-Eg eller Almindelig eg, er et op til 30 meter højt træ, der i Danmark er almindeligt i skove og krat. Til forskel fra rødeg er bladene kun 10-12 cm lange, mens de til forskel fra vintereg kun har 3-5 par lapper. Træet sætter med års mellemrum mange agern, der gerne ædes både af fugle og pattedyr. Egene er de længstlevende danske træarter og kan blive mindst 800 år gamle. Dog sjældent mere end 375 år. | Stilkeg (Quercus robur), Stilk-Eg eller Almindelig eg, er et op til 30 meter højt træ, der i Danmark er almindeligt i skove og krat. Til forskel fra rødeg er bladene kun 10-12 cm lange, mens de til forskel fra vintereg kun har 3-5 par lapper. Træet sætter med års mellemrum mange agern (oldenår), der gerne ædes både af fugle og pattedyr. Egene er de længstlevende danske træarter og kan blive mindst 800 år gamle. Dog sjældent mere end 375 år. | Stilk-eg | true | true | Stilk-eg | null |
Dataset Card for Danish WIT
Dataset Summary
Google presented the Wikipedia Image Text (WIT) dataset in July 2021, a dataset which contains scraped images from Wikipedia along with their descriptions. WikiMedia released WIT-Base in September 2021, being a modified version of WIT where they have removed the images with empty "reference descriptions", as well as removing images where a person's face covers more than 10% of the image surface, along with inappropriate images that are candidate for deletion. This dataset is the Danish portion of the WIT-Base dataset, consisting of roughly 160,000 images with associated Danish descriptions. We release the dataset under the CC BY-SA 4.0 license, in accordance with WIT-Base's identical license.
Supported Tasks and Leaderboards
Training machine learning models for caption generation, zero-shot image classification and text-image search are the intended tasks for this dataset. No leaderboard is active at this point.
Languages
The dataset is available in Danish (da).
Dataset Structure
Data Instances
- Size of downloaded dataset files: 7.5 GB
- Size of the generated dataset: 7.8 GB
- Total amount of disk used: 15.3 GB
An example from the train split looks as follows.
{
"image": [PIL.JpegImagePlugin.JpegImageFile image mode=RGB size=300x409 at 0x7FE4384E2190],
"image_url": "https://upload.wikimedia.org/wikipedia/commons/4/45/Bispen_-_inside.jpg",
"embedding": [2.8568285, 2.9562542, 0.33794892, 8.753725, ...],
"metadata_url": "http://commons.wikimedia.org/wiki/File:Bispen_-_inside.jpg",
"original_height": 3161,
"original_width": 2316,
"mime_type": "image/jpeg",
"caption_attribution_description": "Kulturhuset Bispen set indefra. Biblioteket er til venstre",
"page_url": "https://da.wikipedia.org/wiki/Bispen",
"attribution_passes_lang_id": True,
"caption_alt_text_description": None,
"caption_reference_description": "Bispen set indefra fra 1. sal, hvor ....",
"caption_title_and_reference_description": "Bispen [SEP] Bispen set indefra ...",
"context_page_description": "Bispen er navnet på det offentlige kulturhus i ...",
"context_section_description": "Bispen er navnet på det offentlige kulturhus i ...",
"hierarchical_section_title": "Bispen",
"is_main_image": True,
"page_changed_recently": True,
"page_title": "Bispen",
"section_title": None
}
Data Fields
The data fields are the same among all splits.
image: anImagefeature.image_url: astrfeature.embedding: alistfeature.metadata_url: astrfeature.original_height: anintorNaNfeature.original_width: anintorNaNfeature.mime_type: astrorNonefeature.caption_attribution_description: astrorNonefeature.page_url: astrfeature.attribution_passes_lang_id: aboolorNonefeature.caption_alt_text_description: astrorNonefeature.caption_reference_description: astrorNonefeature.caption_title_and_reference_description: astrorNonefeature.context_page_description: astrorNonefeature.context_section_description: astrorNonefeature.hierarchical_section_title: astrfeature.is_main_image: aboolorNonefeature.page_changed_recently: aboolorNonefeature.page_title: astrfeature.section_title: astrorNonefeature.
Data Splits
Roughly 2.60% of the WIT-Base dataset comes from the Danish Wikipedia. We have split the resulting 168,740 samples into a training set, validation set and testing set of the following sizes:
| split | samples |
|---|---|
| train | 167,460 |
| val | 256 |
| test | 1,024 |
Dataset Creation
Curation Rationale
It is quite cumbersome to extract the Danish portion of the WIT-Base dataset, especially as the dataset takes up 333 GB of disk space, so the curation of Danish-WIT is purely to make it easier to work with the Danish portion of it.
Source Data
The original data was collected from WikiMedia's WIT-Base dataset, which in turn comes from Google's WIT dataset.
Additional Information
Dataset Curators
Dan Saattrup Nielsen from the The Alexandra Institute curated this dataset.
Licensing Information
The dataset is licensed under the CC BY-SA 4.0 license.
- Downloads last month
- 154
Data Sourcing report
Some elements in this dataset have been identified as opted-out, or opted-in, by their creator.