metadata

dataset_info:
  features:
    - name: id
      dtype: int32
    - name: image
      dtype: image
    - name: description
      dtype: string
    - name: conversations
      list:
        - name: role
          dtype: string
        - name: content
          dtype: string
  splits:
    - name: train
      num_bytes: 26150212644.572
      num_examples: 137098
  download_size: 25356124934
  dataset_size: 26150212644.572
configs:
  - config_name: default
    data_files:
      - split: train
        path: data/train-*
language:
  - vi
task_categories:
  - visual-question-answering
  - image-to-text
tags:
  - vision
  - image-text-to-text

Dataset Overview

The dataset comprises over 137,000 images potentially containing Vietnamese 🇻🇳 textual content. It was curated using the Gemini 1.5 Flash model, currently Google model leading on the WildVision Arena Leaderboard for Visual Question Answering (VQA). Each image is accompanied by a detailed description and 5 self-generated questions and answers related to the textual content within the image.

In total, there are more than 822,679 individual questions, encompassing both descriptive prompts and query-based inquiries.

Please give us a like ❤️ if you find it useful !

Description

Bức ảnh là trang đầu tiên của một cuốn hộ chiếu Việt Nam. Bên trái, phần nội dung được in bằng tiếng Việt và tiếng Anh, giải thích về quyền sở hữu và giá trị của hộ chiếu.
Bên phải, phần nội dung in bằng tiếng Việt và tiếng Anh thể hiện quốc tịch của chủ hộ chiếu: "Cộng hòa xã hội chủ nghĩa Việt Nam" và "SOCIALIST REPUBLIC OF VIET NAM".
Bên dưới là dòng chữ "HỘ CHIẾU" và "PASSPORT", và cuối cùng là một số seri: "P00005885".

QnA

[{ "role": "user", "content": "Hộ chiếu này thuộc quyền sở hữu của ai?" },
{ "role": "assistant", "content": "Hộ chiếu này thuộc quyền sở hữu của Nhà nước Cộng hòa xã hội chủ nghĩa Việt Nam và chỉ cấp cho công dân Việt Nam." },
{ "role": "user", "content": "Hộ chiếu này có giá trị ở đâu?" },
{ "role": "assistant", "content": "Hộ chiếu này có giá trị đi đến tất cả các nước, trừ khi có quy định khác." },
{ "role": "user", "content": "Chính phủ nước Cộng hòa xã hội chủ nghĩa Việt Nam có vai trò gì với người mang hộ chiếu?" },
{ "role": "assistant", "content": "Chính phủ nước Cộng hòa xã hội chủ nghĩa Việt Nam yêu cầu các nhà chức trách có thẩm quyền liên quan cho phép người mang hộ chiếu này được đi lại dễ dàng và được tạo mọi sự giúp đỡ cần thiết." },
{ "role": "user", "content": "Số seri của hộ chiếu này là gì?" },
{ "role": "assistant", "content": "Số seri của hộ chiếu này là P00005885." },
{ "role": "user", "content": "Quốc tịch của chủ hộ chiếu này là gì?" },
{ "role": "assistant", "content": "Quốc tịch của chủ hộ chiếu là Việt Nam." }]

Dataset Creation

The dataset was collected from Google Image searches across more than 1,700 keywords, including a variety of categories such as legal documents, educational materials, signage, advertisements, and more. Additionally, it includes over 17,000 images specifically focused on 6,000 books and book covers.

[
    "📖 sổ hộ khẩu", "📚 đề thi cuối kỳ", "🏢 biển hiệu", "📅 hội thảo", "🪦 giấy báo tử",
    "💰 bảng chi phí", "📄 tờ rơi", "🎓 luận văn", "💸 phiếu giảm giá",  "🚗 giấy phép lái xe",
    "📣 biểu ngữ", "🧾 hóa đơn", "🎟️ vé cửa hàng điện tử", "🎫 vé số", "📢 thông báo", "📥 phiếu nhập", 
    "🍽️ thực đơn", "📜 hợp đồng", "🏪 biển hiệu cửa hàng", "🎌 băng rôn chiến dịch", "🎭 sân khấu", 
    "📋 cv nhân sự", "📸 hình ảnh thương hiệu", "📜 giấy phép", "💵 phiếu lương", "🏛️ hội nghị",
    "🛂 hộ chiếu", "🏅 giấy khen", "📚 nhà sách", "📺 quảng cáo truyền thông", "🏷️ tem nhãn",
    "📊 thống kê", "📈 số liệu", "📉 chỉ số", "📈 đồ thị", "📊 biểu đồ", "📋 phân tích", 
    "📜 thông tư", "📃 nghị định", "📝 kế hoạch", "📊 báo cáo", "🔬 nghiên cứu", "🗂️ sơ đồ",
    "💳 thẻ tín dụng", "🔄 quy trình", "🏫 đào tạo", "📘 hướng dẫn", "📕 cẩm nang", "🗺️ bản đồ", "🧾 hóa đơn",
    "🏆 bằng khen", "📜 giấy báo", "💻 thông tin học", "📝 đơn xin việc", "💼 danh thiếp",
    "📜 chứng chỉ", "📑 bản thảo", "📜 lịch sử", "📊 kết quả học tập", "📅 thời khóa biểu",
    "💡 hóa đơn điện nước", "📝 đơn xin nghỉ", "🗂️ thông tin cá nhân", "🏡 sổ đỏ", "🆔 căn cước công dân",
    "📚 thư viện", "🎟️ hóa đơn ca nhạc", "📄 biên lai", "🍽️ hóa đơn ăn uống", "📄 tài liệu hội nghị",
    "📜 giấy báo nhập học", "👶 giấy khai sinh", "📕 sổ y bạ", "🪦 giấy chứng tử", "🧾 phiếu thu",
    "📩 thư mời", "🏨 hóa đơn khách sạn", "📜 giấy phép kinh doanh", "📜 giấy chứng nhận",
    "💡 hóa đơn tiền điện", "💧 hóa đơn tiền nước", "📦 phiếu xuất kho", "🛡️ giấy bảo hành",
    "💵 bảng lương", "📝 phiếu đăng ký", "🏥 hóa đơn viện phí", "🛒 hóa đơn mua hàng", "📜 giấy xác nhận",
    "📜 giấy nợ", "🚚 hóa đơn vận chuyển", "📄 phiếu chi", "🩺 giấy khám sức khỏe", "💵 giấy nộp tiền",
    "📦 phiếu đặt hàng", "🏡 giấy tạm trú", "🍽️ hóa đơn nhà hàng", "📦 phiếu nhận hàng", 
    "📜 thơ văn", "✍️ viết chữ đẹp", "📓 nhật ký", "🖋️ lưu bút viết tay", "📜 giấy vay nợ"
]

Cite

@misc{doan2024vintern1befficientmultimodallarge,
      title={Vintern-1B: An Efficient Multimodal Large Language Model for Vietnamese}, 
      author={Khang T. Doan and Bao G. Huynh and Dung T. Hoang and Thuc D. Pham and Nhat H. Pham and Quan T. M. Nguyen and Bang Q. Vo and Suong N. Hoang},
      year={2024},
      eprint={2408.12480},
      archivePrefix={arXiv},
      primaryClass={cs.LG},
      url={https://arxiv.org/abs/2408.12480}, 
}