ai-enthusiasm-community/COCO-35L

---
dataset_info:
features:
- name: image_uid
dtype: string
- name: caption_uid
list: string
- name: image
dtype: image
- name: caption_ar
list: string
- name: caption_bn
list: string
- name: caption_cs
list: string
- name: caption_da
list: string
- name: caption_de
list: string
- name: caption_el
list: string
- name: caption_en
list: string
- name: caption_es
list: string
- name: caption_fa
list: string
- name: caption_fi
list: string
- name: caption_fil
list: string
- name: caption_fr
list: string
- name: caption_he
list: string
- name: caption_hi
list: string
- name: caption_hr
list: string
- name: caption_hu
list: string
- name: caption_id
list: string
- name: caption_it
list: string
- name: caption_ja
list: string
- name: caption_ko
list: string
- name: caption_mi
list: string
- name: caption_nl
list: string
- name: caption_no
list: string
- name: caption_pl
list: string
- name: caption_pt
list: string
- name: caption_ro
list: string
- name: caption_ru
list: string
- name: caption_sv
list: string
- name: caption_sw
list: string
- name: caption_te
list: string
- name: caption_th
list: string
- name: caption_tr
list: string
- name: caption_uk
list: string
- name: caption_vi
list: string
- name: caption_zh
list: string
splits:
- name: train
num_bytes: 20570056041
num_examples: 113287
- name: validation
num_bytes: 881873051
num_examples: 5000
download_size: 20936022885
dataset_size: 21451929092
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: validation
path: data/validation-*
task_categories:
- text-to-image
- image-to-text
- translation
language:
- ar
- bn
- da
- de
- cs
- el
- en
- es
- fa
- fi
- fr
- he
- hi
- hr
- hu
- id
- it
- ja
- ko
- mi
- nl
- pl
- pt
- qu
- ro
- ru
- sv
- sw
- te
- th
- tr
- uk
- vi
- zh
tags:
- coco-35l
- coco35l
- multilingual
---
## Team and Homepage
- **Official Website**: [https://aienthusiasm.vn](https://aienthusiasm.vn)
- **Hugging Face Organization**: [https://huggingface.co/ai-enthusiasm-community](https://huggingface.co/ai-enthusiasm-community)

## Contact
If you encounter any issues with the dataset or have any inquiries, please feel free to reach out to us via email at: [[e-mail]](mailto:[e-mail])

## Dataset Structure
The dataset is provided in a flattened tabular format, optimized for the Hugging Face Dataset Viewer and high-speed Parquet processing.

### Data Fields
- `image_uid`: The identification string.
- `caption_uid`: List of unique identifiers for each caption, following the format `{image_uid}_{comment_number}`.
- `image`: A Image object containing the visual data.
- `caption_<lang>`: The description in different languages.

## Usage
The dataset can be accessed directly using the Hugging Face `datasets` library:
```python
from datasets import load_dataset

dataset = load_dataset("ai-enthusiasm-community/COCO-35L")

# Accessing the first sample
print(dataset['train'][0])
```

## Citation
```
@misc{thapliyal2022crossmodal,
title={Crossmodal-3600: A Massively Multilingual Multimodal Evaluation Dataset},
author={Thapliyal, Ashish V. and Pont-Tuset, Jordi and Chen, Xi and Soricut, Radu},
year={2022},
eprint={2205.12522},
archivePrefix={arXiv},
primaryClass={cs.CV}
}
```

数据集信息：
特征字段：
- 名称：image_uid（图像唯一标识符），数据类型：字符串
- 名称：caption_uid，数据类型：字符串列表
- 名称：image（图像对象），数据类型：图像类型
- 名称：caption_ar，数据类型：字符串列表（阿拉伯语图像描述）
- 名称：caption_bn，数据类型：字符串列表（孟加拉语图像描述）
- 名称：caption_cs，数据类型：字符串列表（捷克语图像描述）
- 名称：caption_da，数据类型：字符串列表（丹麦语图像描述）
- 名称：caption_de，数据类型：字符串列表（德语图像描述）
- 名称：caption_el，数据类型：字符串列表（希腊语图像描述）
- 名称：caption_en，数据类型：字符串列表（英语图像描述）
- 名称：caption_es，数据类型：字符串列表（西班牙语图像描述）
- 名称：caption_fa，数据类型：字符串列表（波斯语图像描述）
- 名称：caption_fi，数据类型：字符串列表（芬兰语图像描述）
- 名称：caption_fil，数据类型：字符串列表（他加禄语图像描述）
- 名称：caption_fr，数据类型：字符串列表（法语图像描述）
- 名称：caption_he，数据类型：字符串列表（希伯来语图像描述）
- 名称：caption_hi，数据类型：字符串列表（印地语图像描述）
- 名称：caption_hr，数据类型：字符串列表（克罗地亚语图像描述）
- 名称：caption_hu，数据类型：字符串列表（匈牙利语图像描述）
- 名称：caption_id，数据类型：字符串列表（印尼语图像描述）
- 名称：caption_it，数据类型：字符串列表（意大利语图像描述）
- 名称：caption_ja，数据类型：字符串列表（日语图像描述）
- 名称：caption_ko，数据类型：字符串列表（韩语图像描述）
- 名称：caption_mi，数据类型：字符串列表（毛利语图像描述）
- 名称：caption_nl，数据类型：字符串列表（荷兰语图像描述）
- 名称：caption_no，数据类型：字符串列表（挪威语图像描述）
- 名称：caption_pl，数据类型：字符串列表（波兰语图像描述）
- 名称：caption_pt，数据类型：字符串列表（葡萄牙语图像描述）
- 名称：caption_ro，数据类型：字符串列表（罗马尼亚语图像描述）
- 名称：caption_ru，数据类型：字符串列表（俄语图像描述）
- 名称：caption_sv，数据类型：字符串列表（瑞典语图像描述）
- 名称：caption_sw，数据类型：字符串列表（斯瓦西里语图像描述）
- 名称：caption_te，数据类型：字符串列表（泰卢固语图像描述）
- 名称：caption_th，数据类型：字符串列表（泰语图像描述）
- 名称：caption_tr，数据类型：字符串列表（土耳其语图像描述）
- 名称：caption_uk，数据类型：字符串列表（乌克兰语图像描述）
- 名称：caption_vi，数据类型：字符串列表（越南语图像描述）
- 名称：caption_zh，数据类型：字符串列表（中文图像描述）
划分集：
- 训练集：占用字节数20570056041，样本量113287
- 验证集：占用字节数881873051，样本量5000
下载总大小：20936022885字节
数据集总存储大小：21451929092字节
配置项：
- 默认配置（config_name: default）：数据文件包括
- 训练集拆分：路径为data/train-*
- 验证集拆分：路径为data/validation-*
任务类别：
- 文本到图像
- 图像到文本
- 机器翻译
支持语言：
阿拉伯语（ar）、孟加拉语（bn）、丹麦语（da）、德语（de）、捷克语（cs）、希腊语（el）、英语（en）、西班牙语（es）、波斯语（fa）、芬兰语（fi）、法语（fr）、希伯来语（he）、印地语（hi）、克罗地亚语（hr）、匈牙利语（hu）、印尼语（id）、意大利语（it）、日语（ja）、韩语（ko）、毛利语（mi）、荷兰语（nl）、波兰语（pl）、葡萄牙语（pt）、克丘亚语（qu）、罗马尼亚语（ro）、俄语（ru）、瑞典语（sv）、斯瓦西里语（sw）、泰卢固语（te）、泰语（th）、土耳其语（tr）、乌克兰语（uk）、越南语（vi）、中文（zh）
标签：
coco-35l、coco35l、多语言

## 团队与主页
- **官方网站**：[https://aienthusiasm.vn](https://aienthusiasm.vn)
- **Hugging Face 组织主页**：[https://huggingface.co/ai-enthusiasm-community](https://huggingface.co/ai-enthusiasm-community)

## 联系方式
若您在使用该数据集时遇到任何问题或有任何咨询，请随时通过邮箱[[e-mail]](mailto:[e-mail])联系我们。

## 数据集结构
该数据集采用扁平化表格格式构建，适配Hugging Face数据集查看器与高速Parquet（帕奎特列存储格式）处理。

### 数据字段说明
- `image_uid`：图像唯一标识字符串。
- `caption_uid`：各标题的唯一标识符列表，格式为`{image_uid}_{comment_number}`。
- `image`：包含视觉数据的Image（图像）对象。
- `caption_<lang>`：对应语言的图像描述文本列表。

## 使用方法
该数据集可通过Hugging Face `datasets`库直接加载：
python
from datasets import load_dataset

dataset = load_dataset("ai-enthusiasm-community/COCO-35L")

# 访问首个样本
print(dataset['train'][0])

## 引用信息

@misc{thapliyal2022crossmodal,
title={Crossmodal-3600: A Massively Multilingual Multimodal Evaluation Dataset},
author={Thapliyal, Ashish V. and Pont-Tuset, Jordi and Chen, Xi and Soricut, Radu},
year={2022},
eprint={2205.12522},
archivePrefix={arXiv},
primaryClass={cs.CV}
}