vcr-org/VCR-wiki-en-hard

VCR-Wiki数据集是一个用于视觉字幕恢复（VCR）任务的数据集，旨在测试视觉语言模型在图像中恢复部分遮挡文本的能力。数据集包含图像、字幕、堆叠图像等特征，并分为训练、验证和测试集。数据集的构建过程包括数据收集、过滤、文本嵌入图像生成等步骤。数据集还提供了详细的评估方法和相关模型的性能比较。

原始信息汇总

数据集概述

数据集特征

• image：图像数据类型
• caption：字符串数据类型
• stacked_image：图像数据类型
• only_it_image：图像数据类型
• only_it_image_small：图像数据类型
• crossed_text：字符串序列数据类型

数据集分割

• test：包含5000个样本，总大小为897447182字节
• validation：包含5000个样本，总大小为903394782字节
• train：包含2095733个样本，总大小为378131774488.5字节

数据集大小

• 下载大小：379431604000字节
• 数据集总大小：379932616452.5字节

数据文件配置

• config_name：default
• 数据文件路径：
  • test：data/test-*
  • validation：data/validation-*
  • train：data/train-*