HausaNLP/HausaVG

豪萨视觉基因组（HaVG）数据集包含图像的描述或图像中的部分描述，这些描述以豪萨语和英语提供。数据集是通过自动翻译印地语视觉基因组（HVG）中的英文描述来准备的，并经过仔细的后编辑。数据集包含32,923张图像及其描述，分为训练集、开发集、测试集和挑战测试集。该数据集支持翻译、图像到文本、文本到图像等任务，并包含豪萨语和英语两种语言。数据集的结构包括图像ID、X、Y、宽度、高度、英文文本和豪萨文本等字段。数据集的创建过程包括从印地语视觉基因组数据集中获取源数据，并使用专门开发的网络应用程序进行翻译。数据集由HausaNLP和Bayero University Kano的专业翻译人员创建，不包含任何个人或敏感信息。

原始信息汇总

HaVG: Hausa Visual Genome

数据集描述

Hausa Visual Genome (HaVG) 数据集包含用Hausa语和其对应的英语描述的图像或图像中的部分内容。该数据集是通过自动翻译Hindi Visual Genome (HVG)中的英语图像描述并经过仔细的后编辑而准备的。数据集包含32,923张图像及其描述，分为训练集、开发集、测试集和挑战测试集。Hausa Visual Genome是同类数据集中的第一个，可用于Hausa-English机器翻译、多模态研究、图像描述等多种自然语言处理和生成任务。

支持的任务

• 翻译
• 图像到文本
• 文本到图像

语言

• Hausa
• 英语

数据集结构

数据字段

所有文本文件包含以下七列：

• Column1 - image_id
• Column2 - X
• Column3 - Y
• Column4 - Width
• Column5 - Height
• Column6 - 英语文本
• Column7 - Hausa文本

数据分割

数据集	片段数	英语单词数	Hausa单词数
训练集	28,930	143,106	140,981
开发集	998	4922	4857
测试集	1595	7853	7736
挑战测试集	1400	8186	8752
总计	32,923	164067	162326

单词数是近似值，在分词之前。

数据集创建

源数据

源数据来自Hindi Visual Genome数据集，是Visual Genome数据集的一个子集。

标注过程

翻译是通过为这项任务专门开发的网络应用程序获得的。

标注者

数据集由HausaNLP和Bayero University Kano的专业翻译人员创建。

个人和敏感信息

数据集不包含任何个人或敏感信息。

使用数据的注意事项

数据集的社会影响

HaVG将促进Hausa语言自然语言应用的更高质量模型的创建。

附加信息

许可信息

该数据集在Creative Commons BY-NC-SA许可下共享。

引用信息

如果您在工作中使用此数据集，请引用我们。

@inproceedings{abdulmumin-etal-2022-hausa, title = "{H}ausa Visual Genome: A Dataset for Multi-Modal {E}nglish to {H}ausa Machine Translation", author = "Abdulmumin, Idris and Dash, Satya Ranjan and Dawud, Musa Abdullahi and Parida, Shantipriya and Muhammad, Shamsuddeen and Ahmad, Ibrahim Sa{}id and Panda, Subhadarshi and Bojar, Ond{v{r}}ej and Galadanci, Bashir Shehu and Bello, Bello Shehu", booktitle = "Proceedings of the Thirteenth Language Resources and Evaluation Conference", month = jun, year = "2022", address = "Marseille, France", publisher = "European Language Resources Association", url = "https://aclanthology.org/2022.lrec-1.694", pages = "6471--6479" }

贡献

[更多信息需要]