YFCC100M subset from OpenAI

OpenAI使用的YFCC100M子集，经过过滤以仅包含我们能够检索到的图像。

特征：

• 从原始数据集中：标题，描述，照片ID，用户ID，用户昵称，拍摄日期，上传日期，拍摄设备，用户标签，机器标签，经度，纬度，准确性，页面URL，下载URL，许可证名称，许可证URL，服务器ID，农场ID，密钥
• img：图像内容，可以使用PIL.Image.open(io.BytesIO(item['img']))加载
• title_clean和description_clean：通过使用下面详细说明的clean_text函数从标题和描述中派生而来

def clean_text(text):
    # decode url
    text = urllib.parse.unquote_plus(text)
    # remove html tags
    text = re.sub('<[^<]+?>', '', text)
    # remove multiple spaces + "\r" + "\n" + "\t"
    text = " ".join(text.split())
    return text