Dataset Viewer (First 5GB)
Auto-converted to Parquet Duplicate
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
https://upload.wikimedia…pen_-_inside.jpg
[ 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
https://upload.wikimedia…8/86/Gray190.png
[ 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
https://upload.wikimedia…/Kielgade_04.jpg
[ 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
https://upload.wikimedia…n_Ny_Alesund.JPG
[ 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
https://upload.wikimedia…Partyka_2013.jpg
[ 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
https://upload.wikimedia…b_%281886%29.jpg
[ 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
https://upload.wikimedia…Fzint_070707.jpg
[ 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
https://upload.wikimedia…ry_Rollins_2.jpg
[ 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
End of preview. Expand in Data Studio

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: an Image feature.
  • image_url: a str feature.
  • embedding: a list feature.
  • metadata_url: a str feature.
  • original_height: an int or NaN feature.
  • original_width: an int or NaN feature.
  • mime_type: a str or None feature.
  • caption_attribution_description: a str or None feature.
  • page_url: a str feature.
  • attribution_passes_lang_id: a bool or None feature.
  • caption_alt_text_description: a str or None feature.
  • caption_reference_description: a str or None feature.
  • caption_title_and_reference_description: a str or None feature.
  • context_page_description: a str or None feature.
  • context_section_description: a str or None feature.
  • hierarchical_section_title: a str feature.
  • is_main_image: a bool or None feature.
  • page_changed_recently: a bool or None feature.
  • page_title: a str feature.
  • section_title: a str or None feature.

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

powered
by Spawning.ai

Some elements in this dataset have been identified as opted-out, or opted-in, by their creator.

Opted-out
Opted-in