LAION veröffentlicht Big Video Dataset mit 10 Millionen Stunden Videomaterial

LAION veröffentlicht 10-Millionen-Stunden-Videokorpus

LAION hat das Big Video Dataset (BVD) veröffentlicht, ein offenes Videokorpus für multimodales Lernen. Nach Angaben des Projekts enthält BVD 1,3 Milliarden plattformspezifische Video-URLs, die aus dem Webarchiv CommonCrawl gesammelt wurden. Davon hat das Team 80 Millionen Videos heruntergeladen; die Gesamtdauer beträgt 10 Millionen Stunden. Das Dataset ist für das Pretraining über Video, Audio und Bild konzipiert. LAION bezeichnet BVD als das größte offen zugängliche Videokorpus für die multimodale Lernforschung. Der Code und das Dataset sind frei verfügbar, allerdings nur für Forschungszwecke.

55 Millionen Clips und 300 Millionen Standbilder für multimodales Training

Aus den heruntergeladenen Videos extrahierte LAION 55 Millionen Clips. Für diese Clips wurden automatisch Video- und Audiobeschreibungen generiert. Zusätzlich enthält BVD 300 Millionen Standbilder, die für das Bild-Text-Pretraining gedacht sind. Die Standbilder stammen aus Szenenwechseln und weisen laut LAION eine andere visuelle Verteilung auf als übliche Web-Bildkorpora. Modelle, die auf BVD trainiert wurden, übertreffen nach Angaben des Projekts vergleichbare, auf InternVid basierende Modelle um bis zu 2,1 Prozentpunkte. Diese Angabe beruht auf gängigen Video-zu-Text-Benchmarks – standardisierten Evaluierungsaufgaben, bei denen Modelle Videoinhalte mit passenden Textbeschreibungen abgleichen müssen. In diesen Messungen wurden auf BVD trainierte Modelle mit InternVid-basierten Modellen verglichen. Die Kombination aus Video, Audio und Text soll das multimodale Pretraining über alle drei Modalitäten hinweg verbessern.

Nur für Forschung, TDM-Rechtsgrundlage – und eine offene Diskrepanz

Das Dataset ist ausschließlich für Forschungszwecke verfügbar. LAION beruft sich dabei auf die Text-und-Data-Mining-Ausnahme für wissenschaftliche Forschung nach Artikel 3 der DSM-Richtlinie und Paragraf 60d des Urheberrechtsgesetzes. Zudem verweist das Projekt auf ein Urteil des Landgerichts Hamburg von 2024: Das Gericht hatte entschieden, dass die Erstellung eines Datasets durch Web Scraping öffentlich zugänglicher Bilder eine legitime Form des Text- und Data-Mining für wissenschaftliche Forschungszwecke darstellt und daher keine Urheberrechtsverletzung vorliegt, weil LAION als gemeinnützige Forschungsorganisation handelt. BVD wird in zwei Varianten angeboten: URL-only-Versionen (BVD-URLs, BVD-V-55M-URLs, BVD-A-1.7M-URLs) und Vollversionen mit Mediendateien (BVD-RAW, BVD-V-55M, BVD-A-1.7M). Hier zeigt sich eine offene Diskrepanz: Die LAION-FAQ erklärt, Datasets seien lediglich URL-Listen und enthielten keine Bilder; die BVD-Projektseite listet jedoch Vollversionen mit Rohvideos, Clips und Audio-Dateien. Die FAQ bezieht sich offenbar auf frühere Datensätze, während die aktuelle BVD‑Projektseite Vollversionen mit Mediendateien anbietet.