patomp/thai-mscoco-2014-captions

该数据集是通过将MS COCO 2014数据集的图像描述翻译成泰语而构建的。数据集包含三个部分：训练集、验证集和测试集。每个部分都包含图像、文件路径、句子ID、文件名、图像ID、数据集分割、句子标记、原始句子、句子ID、COCO ID以及泰语句子等特征。数据集的总下载大小为20158273111字节，总数据集大小为20509417374.165字节。

原始信息汇总

数据集概述

数据集特征

• image: 图像数据
• filepath: 字符串类型，文件路径
• sentids: 整数列表
• filename: 字符串类型，文件名
• imgid: 整数类型，图像ID
• split: 字符串类型，数据集分割类型（如train, validation, test）
• sentences_tokens: 字符串列表的列表，句子分词
• sentences_raw: 字符串列表，原始句子
• sentences_sentid: 整数列表，句子ID
• cocoid: 整数类型，COCO数据集ID
• th_sentences_raw: 字符串序列，泰语原始句子

数据集分割

• train: 包含113287个样本，总大小为18882795327.165字节
• validation: 包含5000个样本，总大小为807387321.0字节
• test: 包含5000个样本，总大小为819234726.0字节

数据集大小

• 下载大小: 20158273111字节
• 数据集总大小: 20509417374.165字节

数据集使用示例

python from datasets import load_dataset dataset = load_dataset("patomp/thai-mscoco-2014-captions")

数据集构造

该数据集是通过将MS COCO 2014数据集的标注翻译成泰语构建的，使用VISTEC-depa泰国人工智能研究所提供的NMT模型进行翻译。